Minsait商业咨询零售与消费领域咨询实践责任合伙人弗朗西斯科·帕斯托尔指出，人工智能已超越概念炒作阶段，开始在零售业展现切实价值。尽管大多数零售商已感知到这一趋势，但其影响尚不均衡且未形成结构性变革。
数据显示，近94%的公司表示AI帮助其降低了成本并提高了收入。然而现实仍较为保守：多数零售商仍处于概念验证阶段，应用场景有限且局限于特定领域。
TNR News采访认为，当前瓶颈并非技术缺失，而是组织与流程层面的滞后。由于未能将AI结构性整合至业务流程中，企业限制了其扩大影响力及转化为战略杠杆的能力。
前进的关键要素
帕斯托尔指出，稳步推进AI落地的企业通常具备三大核心要素：
- 意图与领导力：明确使用AI的目的与方向，拥有清晰的战略指导；
- 优先级排序：依据对损益表（P&L）的实际影响来确定用例优先级，这是推动进展的关键；
- 数据资产化：视数据为AI的原材料，投入时间进行整理与丰富，并由业务、技术和数据团队协同挖掘其价值。
缺乏数据质量和可追溯性，人工智能的错误率会被放大。
内部信任至关重要。若数据不一致、流程模糊或组织对系统缺乏信任，AI将难以辅助决策。因此，必须强调可解释性：AI不仅要提供建议，还需充分说明决策依据。
业务团队需清晰了解AI输出的洞察及其推导逻辑。同时，必须严格界定“人类与机器谁做最终决定”的权责边界。
尽管生成式AI加速了议程推进，但其在营销内容创作、客户服务引导及供应链预测库存等环节的应用早已成熟。在电商领域，语义搜索和推荐系统也运行良好。
然而，后台管理、人力资源及实体店运营等领域仍有巨大价值未被捕获。未来需以系统化方式引入AI，实现门店员工与AI的高效协同。
速度即竞争优势
技术与模型正迅速标准化，真正的竞争优势不在于拥有算法，而在于如何将技术深度整合至业务流程与决策体系中。
帕斯托尔警告应避免盲目跟风，如推出脱离业务的通用聊天机器人或不切实际的创意应用。相反，应重视被低估的高价值场景，如预测分析、补货优化及品类管理等零售痛点。
稳固的数据架构是不可或缺的前提。基础不稳会导致AI结果不一致、难审计且无法扩展。此外，欧洲AI法规的实施增加了合规复杂度，许多企业低估了系统在库存适应、可追溯性及可解释性方面的改造工作量。
常见误区是将监管仅视为法律问题，实则它是系统与流程设计问题。尤其在涉及消费者权益、透明度及反歧视的场景中，合规直接关系到声誉风险。建议在模型设计阶段即纳入合规要求，明确用例边界、风险等级及责任人，以提升落地速度并加强管控。
迈向更高准备度
培训将在AI转型中发挥决定性作用。高管需明确人机协作边界，而习惯于经验决策的商业团队则需通过再技能培训，学会利用数据和信息支撑思维方式。
未来将出现AI总监、AI产品负责人及连接业务与技术的商业伙伴等新角色。技术人才依然关键，但提升全员AI素养及组织适应能力更为重要。
帕斯托尔总结道：“不要为了采用而采用AI。”建议从实际问题出发，先夯实数据基础，精选少数高价值用例进行扩展与衡量。真正的数字成熟度，往往体现在懂得适时说“不”。