要点速览
- 到2030年，高达15%的欧洲电子商务交易可能通过AI智能体（AI Agents）完成。
- 在奥地利，已有4%的消费者使用代理型AI进行自动化购买。
- 零售商需要干净、机器可读的主数据，以确保其商品能够被AI智能体识别和处理。
Knuspr、gurkerl和dm已将其商品目录开放给AI智能体——至于家庭是否真的会将每周采购委托给AI，尚待观察。在第二部分中，来自Etailment.de专家委员会的Matthias Schu教授概述了客户界面的两种情景以及针对食品零售商的五个行动领域。其基础是他与内部物流供应商KNAPP合作撰写的《AI Disrupted》（2026年出版）一书。
在第一部分中，我们探讨了表象与现实：目前，AI在食品零售行业主要在“机房”内创造价值，即用于预测和调度，而无人收银店和昂贵的机器人技术往往因成本问题难以落地。为此，我们采用了一个由五类AI组成的框架：预测性AI（Predictive AI）、生成式AI（Generative AI）、计算机视觉（Computer Vision）、代理型AI（Agentic AI）以及机器人与物理AI（Robotik und Physical AI）。本部分将目光聚焦于最新的一类AI，并探讨未来谁将掌握客户界面。
这个问题有多近？瑞士的一个案例给出了答案：2026年2月，一个ChatGPT智能体本应仅编写一份购物清单，但它直接在migros.ch上下单，总金额约200瑞士法郎，甚至包括正确尺寸的尿布。
未竟之问：未来谁将拥有客户界面？
虽然“机房”主要关乎效率问题，但最新的AI类别触及了零售业的核心：与客户的直接关系。生成式AI与代理型AI的区别在于授权程度。聊天机器人推荐订单，而智能体则直接下单。
先兆已清晰可见，DACH地区（德国、奥地利、瑞士）绝非旁观者。Knuspr于2026年1月推出了自己的AI助手“Maia”。据奥地利姐妹网站gurkerl.at称，2026年6月实现了欧洲首个完全在AI助手内完成的购物流程，包括在聊天窗口中支付。自2026年7月起，Knuspr还通过专用的MCP服务器（模型上下文协议，即第三方AI助手的“插座”）接入ChatGPT。就连dm也通过公开的MCP服务器向外部智能体的搜索开放其目录。前文提到的 Migros 案例展示了被动模式：智能体并不等待邀请，它们会在没有为其构建接口的地方自行采购。
能否由此演变为一种大众现象，目前无人能做出严肃的预测。Strategy&认为，到2030年，高达15%的欧洲在线交易可能通过AI代理进行；而在奥地利，已有4%的消费者使用代理式AI进行自动化购买。然而现实中也存在普遍的怀疑态度：据皮尤研究中心（Pew Research Center）报道，美国近一半消费者对AI在日常生活中日益增长的角色感到担忧多于兴奋。家庭是否真的会将每周采购委托给AI，关键在于信任。但在技术层面，这早已成为可能。
因此，从战略角度来看，思考两种情景是有价值的。在基础情景中，AI由内而外地改变零售业，先改变流程，最后才改变客户关系，自有店铺界面仍将是核心。在加速情景中，购物代理跨越了信任门槛，逻辑随之逆转。此时，不再是顾客访问网上商店，而是代理通过接口查询商品种类、价格和库存，并在几秒钟内做出决策。可见性变得二元化：提供机器可读产品数据、支持代理的接口以及具有竞争力的条件者，对代理而言是“存在”的；否则便是“不存在”。这恰恰击中了该行业最新的利润池。如今的零售媒体销售的是人类注意力，而代理看不到横幅广告。
好消息是：这两种情景都需要相同的基础设施。无论哪种情况，都需要干净、机器可读的主数据、开放的接口以及具有竞争力的成本地位。加速情景并不要求额外的东西，它要求的只是同样的东西，只不过时间更早、更不留情面。然而，如果押注缓慢情景会发生的企业，在快速情景中将不再占据任何位置。
LEH（大型食品零售商）决策者现在必须做什么：五个具体的行动领域
行动领域1：按类别评估AI，而非一概而论
每项AI倡议和每个供应商方案首先都应归入五种类别之一，并设定相应的预期范围。预测式AI（Predictive AI）所能要求的功能，代理式AI（Agentic AI）尚不能要求；而机器人技术所绑定的资本，生成式AI（Generative AI）则无需承担。因此，在任何供应商演示中最简单的问题就是：该方案究竟属于哪一类？在常规运营中有哪些参考案例？
行动领域2：从“引擎室”起步，目标是实现常规运营
与其开展二十个并行试点项目，不如聚焦两到三个经过验证的效率案例，例如需求预测与补货、服务自动化和内容生产。每个案例都应有明确的专业部门所有权，并明确以投入常规运营为目标，而非长期处于试点状态。基于这些效率杠杆，保守估算也是可行的。像零售媒体或个性化这样的增长杠杆虽然真实存在，但相对年轻且波动较大。它们应作为选项纳入规划，而不是作为商业案例的基础。
行动领域3：从用例出发清理数据
如果将完美的企业级数据仓库作为人工智能的前提条件，价值创造将被推迟数年。成功的零售商则反其道而行之：预测项目强制要求库存数据整洁，代理界面强制要求主数据规范，并将这两者作为可复用的数据产品用于下一个项目。机器不会容忍任何不一致性。人类能识别出“1L”和“1 Liter”是相同的，但进行价格比较的代理在必要时可能无法做到这一点。
行动领域4：组织先于算法
经过验证的是联邦式中心辐射模型（Hub-and-Spoke-Modell）：一个小型中央单位负责平台和标准，用例则由业务部门主导。在能力建设方面，数据工程师优先于数据科学家，因为瓶颈在于数据流而非建模。此外，全体员工需要一个安全的练习平台。dm早在2023年就为其总部内部聊天机器人dmGPT开通了权限，随后与门店团队共同进行了测试。每天使用人工智能的人会逐渐培养出一种直觉，知道何时可以信任系统。正是这种直觉决定了未来建议是被采纳还是被默默忽略。
行动领域5：将代理能力视为保险保费
自身产品的代理能力在当年的任何商业案例中都无法立即体现回报，但仍应纳入路线图：以小额但持续的预算支持机器可读的产品数据、开放接口以及基于MCP等协议的初步尝试。同时必须考虑责任问题。订单代理需要明确的授权，包括数量、金额和升级限制，并且“如果代理下错单谁负责？”这个问题必须在上线前得到解答，而不是等到法庭上才解决。
最后：零售在于细节，即使在使用人工智能的情况下也是如此
自条形码引入以来，人工智能是零售业最强大的新型控制技术。它改变了商品组合的形成、定价、库存管理和客户服务的方式。但它并未改变商业的基本法则：实体商品、新鲜度、可用性、公平价格和信任。因此，对于每一个面向客户的应用程序，都有一条简单的规则：能够解释为客户利益的事物会被接受；仅对零售商有利的事物则会受到惩罚。每个人都能理解对即将过期的生鲜食品进行动态折扣，但没有人接受基本需求商品的 surge pricing（高峰溢价）。
在未来两到三年内，那些将人工智能与这些零售美德最彻底结合起来的零售商将会获胜。技术人人都可以购买，但自身的成长曲线却无法速成。
或者，简而言之：别再谈论“人工智能”了。开始让你的预测、主数据和人员做好准备吧，因为正是在这里，决定人工智能在你那里是停留在表面还是真正落地。