零售电商行业的AI落地困境

为了探究AI和机器学习项目失败的原因，美国兰德公司的研究团队访谈了65位在工业界或学术界拥有至少五年AI模型构建经验的数据科学家和工程师，这些受访者来自不同规模和行业的企业，以确保结论具有广泛代表性。

最终，访谈内容和相关数据形成了一份题为《人工智能项目失败的根源及其成功之道》的研究报告，据估算超过80%的AI项目最终失败，这些项目要么未能走出试点阶段，要么虽然部署上线却未能交付可衡量的商业价值。

同样的，MIT与麦肯锡的联合研究显示，90%的生成式AI实验项目从未能走出试点阶段。更令人担忧的是，标普全球2025年的调查表明，42%的企业承认放弃了大部分AI计划，而2024年这一比例仅为17%，短短一年间AI项目放弃率飙升了147%。

另据调查显示，84%的商业领袖相信AI将对业务产生重大影响，97%的商业领袖认为部署AI技术的紧迫性正在增加。

然而，同一项调查则显示，仅有14%的组织认为自己已完全准备好将AI整合到业务中。两年前，仅有48%的AI原型项目最终能够进入生产环境，而项目从启动到投产平均需要8个月。

很明显，企业的经理和主管们都面临巨大压力，必须用AI做点什么来向上级证明自己跟上了技术发展，但太多管理者并不清楚如何将愿望转化为行动。

「庄帅零售电商频道」希望通过该报告提炼出AI项目失败的五大环境性原因，为零售电商企业的AI落地提供参考，以避开常见陷阱、提升项目成功率。

五大失败根源

原因一、领导层误解或错误传达问题

这是AI项目失败最常见的原因，行业利益相关者往往误解或错误传达了需要用AI解决什么问题，84%的受访者将领导层失败列为主要原因。

具体表现为，训练好的AI模型被部署后，发现其优化的指标是错误的，或者模型根本无法融入整体业务流程和上下文中。

有受访者直言，企业领导者认为自己拥有大量数据，因为每周都会收到销售报告，但这些数据可能无法满足新的目标。

这一失败根源在零售行业尤为突出，许多零售商急于部署AI客服或推荐系统，却未能清晰定义成功的标准，比如是要提升转化率、增加客单价还是提高用户留存率。当目标模糊时，AI模型优化的指标往往与真实业务需求脱节。

两年前，塔吉特就推出了一款AI聊天机器人用于内部提升效率，但员工普遍抱怨该工具不完整且基本无用。例如，当询问如何处理不礼貌的顾客时，机器人只是给出了保持冷静和礼貌沟通的建议。

原因二、缺乏高质量训练数据

许多AI项目失败是因为组织缺乏必要的数据来充分训练有效的AI模型。在领导层驱动的失败之后，数据驱动的失败是第二常见原因。

困难不仅在于数据的数量，更在于获取、清洗和探索组织数据的成本。受访者还提到了人才可用性问题，50位受访者中有7位表示人才短缺是主要困难，另有19位表示虽然总体不缺人才，但缺乏高质量的专业人才。

「庄帅零售电商频道」研究发现，在零售行业，企业拥有海量交易数据，但拥有数据不等于拥有可用的高质量数据。各种各样的数据分散在POS系统、电商平台、会员系统和供应链管理系统等多个孤岛中，格式不一、标准各异。

一位零售业数据分析师可能将80%的时间花在数据清洗和整合上，仅剩20%用于模型训练和优化。

以库存管理为例，这是零售AI最具潜力的应用场景之一，可现实中商品编码不统一、库存数据更新滞后、线上线下库存不同步等这些问题在垃圾进、垃圾出的AI系统中会被无限放大。

原因三、追逐最新技术而非解决问题

有些AI项目失败是因为组织更关注使用最新最尖端的技术，而不是为预期用户解决实际问题。报告明确指出，追逐最新的AI进展本身就是最常见的失败路径之一。

成功的项目应当聚焦于要解决的问题，而非用来解决问题的技术。许多管理者被技术炒作迷惑，忘记了审视真正的业务问题。

当ChatGPT引爆全球关注后，无数零售商争先恐后地将大语言模型集成到自己的业务中，先有锤子再找钉子成为普遍现象。

2025年10月，沃尔玛高调宣布与OpenAI合作，在ChatGPT中推出即时结账功能，让用户通过对话即可完成购物，然而仅仅五个月后，沃尔玛便终止了这一合作。

问题出在哪里？

据了解，该功能在准确性上存在严重问题，且无法与沃尔玛的内部购物工具匹配，导致通过OpenAI渠道的订单转化率远低于沃尔玛自有渠道的水平。

沃尔玛随后将自有购物助手Sparky嵌入ChatGPT和Google Gemini平台，早期测试显示通过Sparky完成的购买率达到了通过Walmart.com直接购买率的约70%，虽然仍不及自有渠道，却已远高于OpenAI即时结账的表现。

沃尔玛发言人表示，通过这次合作他们学到，客户希望在每一个触点上获得一致的体验。

这一案例完美诠释了追逐最新技术而非解决问题的失败路径：技术本身是大语言模型和对话式购物，但解决方案未能融入沃尔玛既有的购物流程和用户体验，最终功亏一篑。

原因四、缺乏部署和管理能力

组织可能没有足够的基础设施来管理数据并部署已完成的AI模型，这显著增加了项目失败的可能性。

AI的部署远比模型本身更依赖于周围的基础设施架构。从数据治理到模型部署，再到后续的维护和迭代，任何一个环节的基础设施不足都可能导致整个项目功亏一篑。

报告建议，对数据治理和模型部署基础设施进行前期投资，可以大幅缩短完成AI项目所需的时间，并增加可用于训练的有效数据量。

据「庄帅零售电商频道」了解，一家大型零售商运营着上百家门店和多个电商平台、复杂的供应链网络和庞大的会员体系，要将这些系统中的数据打通、标准化并实时同步本身就是一项巨大的工程。

理论上，AI可以根据实时库存、竞争对手价格、天气和节假日等因素自动调整商品价格。

实际上，在实践中，这意味着需要将AI模型与POS系统、电商平台、供应链管理系统甚至门店电子价签系统实时对接，任何一个环节的延迟或错误都可能导致定价失误，造成利润损失或客户不满。

星巴克推出了一款AI驱动的库存盘点工具，却只上线9个月便被叫停。

据星巴克内部技术审计报告显示，这个系统对相似包装商品的识别错误率高达23%，在强光或暗光环境下漏检率超过35%，而对糖浆类圆柱形商品的识别准确率不足60%。

问题的根源并非AI算法本身不够先进，而是部署环境中的门店光照条件和商品包装多样性远超AI模型的适应能力，基础设施中的数据采集环境和边缘计算能力未能为AI部署提供足够支撑。

原因五、将AI应用于无法解决的场景

报告强调，AI不是一根可以让任何具有挑战性的问题消失的魔杖，在某些情况下，即使是最先进的AI模型也无法自动完成一项艰巨的任务。

早在2021年，麦当劳与IBM合作推出了AI语音点餐系统，试图用AI替代人工接单员。然而系统在实际运营中频繁出错，有视频显示系统将数百美元的麦乐鸡添加到顾客订单中，还有顾客反映冰淇淋中被错误添加了培根。

三年后，麦当劳宣布终止这一AI点餐试验。

问题在于，得来速点餐场景中汽车引擎声、风雨声和旁边车道的各种外部噪音严重干扰了语音识别，而AI难以在嘈杂环境中准确理解顾客的点餐指令。

这不是AI不够好的问题，而是这个特定问题本身就超出了当前AI的能力边界。

另一个有趣的案例来自AI公司Anthropic的实验，他们让大语言模型Claude担任AI店长，独立经营一间零食自动售货店，结果以亏损告终。

AI店长在选品、定价和库存管理等方面频频出错，甚至因过度慷慨而亏本出售商品。

这生动说明即使是最先进的大语言模型，也无法替代人类在复杂商业决策中的判断力，因为问题本身超出了AI的能力范围。

AI项目的失败不仅仅是上述五个问题的简单叠加，而是组织文化、流程和人才结构的系统性失灵。

波士顿咨询集团提出的10-20-70法则认为AI项目的成功，10%取决于算法，20%取决于技术和数据基础设施，而70%取决于人、流程和文化转型。

然而大多数组织恰恰将这组比例完全颠倒，将70%的精力投入到技术采购和部署上，仅有10%关注人员和文化转型。

作为典型的人力密集型行业，零售电商企业从门店员工到供应链管理者，从客服人员到采购专家，每一个环节都高度依赖人的经验和判断。当组织试图用AI替代或辅助这些角色时，如果忽视了人员培训、流程再造和文化转型，AI项目几乎注定失败。

除此之外，该报告还发现基于互联网的敏捷开发方法论可能与AI项目存在内在冲突。

50位受访者中有10位认为，AI项目需要一个数据探索和实验的初始阶段，其持续时间不可预测。正如一位受访者所说，许多工作不得不反复地在下一个任务中重新打开，或者被拆分成极其微小且无意义的任务，以塞进一到两周的任务中。

对于零售电商企业而言，这意味着用管理传统软件项目的方式，比如固定周期、固定范围和固定交付物，来管理AI项目本身就埋下了失败的种子。AI项目需要更大的灵活性、更长的探索周期以及对失败实验的容忍度。

如何成功的应用AI？

第一、确保技术人员理解项目目的和领域背景，能够与业务专家之间的有效互动。

在零售场景中，数据分析师需要理解零售业务的真实状况，包括门店运营的节奏、顾客行为的细微差别和供应链的约束条件，仅仅把提高转化率作为目标远远不够，还需要深入理解什么样的推荐在什么时间、什么场景下对什么样的顾客有效。

第二、AI项目需要时间和耐心来完成。

在启动任何AI项目之前，领导者应准备好让每个产品团队在至少一年的时间里致力于解决一个特定问题。

零售企业往往习惯于季度性的业绩考核和快速试错，但AI项目，尤其是涉及供应链优化、需求预测和个性化推荐等核心业务的项目，需要足够的时间来积累数据、迭代模型和验证效果。

第三、聚焦问题而非技术。

在启动任何AI项目之前，先问三个问题：要解决什么具体的业务问题？如何衡量成功？如果没有AI，这个问题是否仍然值得解决？

如果对这三个问题的答案不够清晰，那么这个AI项目很可能从一开始就走在错误的道路上。

第四、投资基础设施。

对数据治理和模型部署基础设施的前期投资，可以大幅减少完成AI项目所需的时间，并增加可用于训练有效模型的数据量。

对于零售企业而言，这意味着在启动AI项目之前需要先解决数据孤岛问题，打通POS、电商、供应链和会员等系统，建立统一的数据标准和数据治理体系。这看似不够性感的工作，恰恰是AI成功的前提。

第五、理解AI的局限性。

尽管围绕AI有很多炒作，但领导者需要清醒地认识到AI的能力边界，并在考虑潜在AI项目时纳入技术专家进行可行性评估。

AI在数据处理和模式识别方面具有显著优势，但在理解人类情感、处理复杂社交互动和应对突发事件等方面仍有巨大局限。

零售企业应避免将AI部署到那些高度依赖人类判断和情感互动的场景中，至少在当前技术条件下应当如此。

在巨大的竞争压力和技术炒作的双重驱动下，零售商们争先恐后地部署AI，包括AI客服、AI推荐、AI定价和AI库存管理，只是太多项目陷入了为AI而AI的陷阱，忘记了AI只是工具，业务才是目的。

对于任何正在考虑或已经启动AI项目的组织而言，在用新技术之前，先确保问题被正确定义、数据已准备就绪、基础设施足够坚实、人员和文化已经到位。