AI 购物助手转化率高达 4 倍——直到它编造出一个规格

那场演示堪称完美。一位购物者让我们的 AI 购物助手比较两款用于视频剪辑的笔记本电脑，它的回答就像一位真正用过这两款机器、耐心十足的销售员——内存、色彩准确度、散热表现，样样俱到。房间里的每个人都点头称是。然后，在一场低调的试点上线几周后，我翻看一份对话记录日志，看到同一个助手告诉一位客户，某款笔记本出厂配备 32GB 内存。而它实际出厂只有 16GB。

系统里没有任何环节对此发出警报。那句话语法正确、语气笃定、听上去乐于助人。它同时也错得很彻底——如果那位客户是买来做渲染，结果机器扛不住，这个错误就会直接以退货、一星差评，以及一句以"他们的 AI 告诉我"开头的投诉回到我们这里。就是在那个下午，我才真正理解了电商 AI真正的问题所在：危险不在于一个听起来很蠢的模型，而在于一个听起来正确、实则错误的模型——因为整个技术栈里，从来没有任何环节拿它的答案去核对真相。

这道鸿沟——横在"读起来很顺的答案"和"确实为真的答案"之间——正是我的团队如今赖以谋生、致力于弥合的东西。在我解释具体做法之前，先让我告诉你，为什么一个更聪明的模型从来都救不了我们。

那场对我撒谎的演示

我进入零售 AI 领域时，抱着大多数工程负责人都有的信念：幻觉是一个模型质量问题，而模型质量正一路向右上方攀升，所以只要你再等两个季度、换上下一个检查点，问题就会自行解决。

这些数字似乎支撑着这种乐观——直到它们不再支撑为止。谷歌最好的模型在大约0.7%的通用知识类回答上会产生幻觉。大多数模型的幻觉率在 1–3% 之间。但平均而言，整个通用知识领域的幻觉率是9.2%，而且一项行业分析发现，82% 的 AI 故障属于幻觉或错误信息，而非崩溃或超时。所以即便用的是一个好模型，大约每一百条信誓旦旦的产品说法里，就有一条是凭空捏造的——而你每天要发出成千上万条这样的说法。

1% 的幻觉率听起来像是个优等成绩。可若按每周一百万条产品回答来算——这正是一个中等规模商品目录的体量——那就意味着有一万句信心满满却错误的话，署着你品牌的名字。

而"模型质量"这套说辞完全忽略了这一点：错误的答案和正确的答案出自同一台机器，同样流畅、同样的语气、同样的自信。模型根本不知道自己在撒谎。没有任何内部信号能把"16GB，已与商品目录核对无误"和"32GB，从某个论坛帖子里模式匹配得来"区分开。如果你想要那个信号，就必须在模型之外把它建起来。等待一个更聪明的检查点并不会给你这个信号；它只会让错误的答案更加能言善辩。

为什么更好的护栏没能解决问题？

于是我们试着用最显而易见的方式去搭建这个信号，而我想坦诚地说：正是我极力主张走这条显而易见的路。

我的第一直觉是基于提示词的安全策略，再加上关键词过滤。在系统指令里告诉它：只陈述你能确认的规格，绝不提供医疗或安全建议，拒绝一切危险请求。再加一个能拦截明显有害词汇的过滤器。这套方案便宜、快速，在测试中看起来滴水不漏。我主张把它上线。我们就上线了。

它一直稳如泰山，直到检索层给它喂进了某些看起来很权威的东西。这类系统大多的工作方式是检索增强生成——助手会抓取相关文档（你的商品目录，有时还有开放的网络），再据此写出答案。没人会提醒你的陷阱在于：当检索层拉进新鲜内容时，模型会把这些内容当作比它自身安全指令更权威的东西。亚马逊的 Rufus 就是一个公开的前车之鉴：它告诉购物者超级碗在错误的城市举办，原因是检索翻出了相互矛盾的网络来源，而模型的训练又压过了商品目录。更糟的是，它通过普通的产品查询，一步步教用户制作燃烧瓶——没有越狱，没有巧妙的提示词，只是模型决定相信检索到的网络内容，而不是它自己的护栏。

这彻底击碎了我的心智模型。我所支持的那道护栏根本不是一堵墙；它只是一条建议，系统一读到与之相抵触的东西，就会欣然无视它。关键词过滤能抓住那些粗糙直白的情形，却径直放过了语义上等价的变体。我上线的是一把锁，可只要有人从门缝底下塞进一张更自信的纸条，它就会打开。

基于提示词的安全策略，不过是贴在保险库上的一张便利贴。它一直有效，直到模型读到另一张听起来更权威的便利贴。

零售 AI 崩坏的三种方式——以及无人记录的第四种

一旦我不再把这当成一个模型问题，这些失败便自行归拢成了少数几种结构性的形态，而每一场重大的公开灾难，都不过是其中某一种在规模上的放大。

最常见的一种形态是幻觉式产品信息——就是那个"32GB 实为 16GB"的问题。它之所以发生，是因为系统生成了一个貌似合理的规格，而在购物者看到它之前，没有任何环节把这个规格与一条真值记录进行比对。代价并不抽象：只有46% 的购物者说他们完全信任 AI 的推荐，而且89% 的人会核实助手告诉他们的内容，然后才下单购买。每一个捏造出来的细节都在印证怀疑者的疑虑，把他们推回到手动搜索，或者推向竞争对手那里。

接着是我刚刚描述过的安全绕过——检索压过护栏。在电商场景里，这比泛泛的内容审核要尖锐得多，因为"这款补剂会和我的抗凝血药相互作用吗？"不是一个内容问题，而是一个产品责任问题。一个信心满满却答错的助手，制造出的法律风险敞口，会让任何转化率的提升都相形见绌。

我把第三种形态称为交易无能：AI 能描述你的退货政策，却无法处理一笔退货；它能谈论一个自己根本查不到的订单。Rufus 能解释亚马逊的退货流程，却执行不了一次退货。Klarna 也学到了同样的教训，只是账单要大得多。他们替换掉了大约700 名客服，改用 AI，让它跑遍了230 万次对话，起初还声称它顶住了压力——然后，恰恰是在那些最要紧的情形上，服务质量下滑了（多步骤的问题解决、情绪化的争议、任何需要真正改动账户的事项），CEO 公开承认了这一挫败，到 2026 年，他们又开始重新招聘人工。后悔的不止他们一家：55% 的公司曾因 AI 而裁员，如今都说他们做错了。

然后是那种根本不会出现在任何错误日志里的失败。康奈尔理工测试了 Rufus 在各种英语方言上的表现，发现它对非裔美国人英语、奇卡诺英语和印度英语给出的答案系统性地更差。一位购物者问"this jacket machine washable?"——这是一个完全标准、省略了系动词的非裔美国人英语句式——得到的却是答非所问，或是指向了毫不相关的产品。你的仪表盘永远也捕捉不到这一点，因为系统并没有报错；它只是悄无声息地把一个更差的商店呈现给了你一大片顾客。如今我维护着一张评测网格，把助手在这些方言下的回答与标准英语并排打分，正是因为除此之外没有任何东西能让这道差距浮出水面。

那么，你要如何让答案变得为真？

护栏失效之后，那个转折点说起来简单得几乎令人尴尬，做起来却着实困难：别指望模型本身值得信赖——而是在模型与客户之间放置一个验证层，让它在每个答案发出之前，都拿它去与真值核对。

具体来说，这意味着一个产品知识图谱，把经过验证的规格、价格、库存和政策作为权威记录保存下来；再加一个中间件层，拦截模型的答案，从中抽取可核查的说法，并逐一与该图谱进行确认。这并非什么边缘想法——沃尔玛就构建了自己的Retail Graph，一个产品知识图谱，正是为了让它的 AI 拥有一个可据以作答的真值，而不是只能凭空生成一个猜测。真正困难的部分不在于查询本身；而在于实体消歧——同一个 SKU 会在你的商品目录中、在不同语言区域里以不同的表面形式出现，因此这一层首先必须弄清楚，模型的某个说法实际指向的究竟是哪一条记录，然后才能对它进行核查。一旦搞错，你就会拿错误的产品去验证，那比根本不验证还要糟糕。但一旦做对了：如果模型说 32GB，而图谱显示 16，这个说法就永远到不了购物者面前。如果模型无法把某个说法落到一个经过验证的来源上，助手就会选择少说，而不是多编。检索压过一切的问题就此消解，因为对于商品目录早已知晓的事实，开放网络不再拥有一票之权。

那个毫不光鲜的前提条件是数据。Gartner 预测，到 2026 年，各组织将放弃 60% 的 AI 项目——因为这些项目缺乏"就绪可用于 AI"的数据支撑，而大多数零售数据并未就绪。我打开过的那些产品信息管理系统，通常显示30–40% 的属性完整度——针对的是长尾 SKU。你无法拿一个每五个字段就缺两个的商品目录去为助手提供事实依据；它会靠猜测来填补这些空缺，而这恰恰是你想根除的行为。所以，工作中相当大的一块，是把那些数据结构化、以供机器读取——而这一切，都要早在任何一个答案接受验证之前就完成。这正是我们所构建的那一层——横亘在大语言模型与你的店面之间的验证、事实落地与合规管道——你可以在这里看到完整的架构：veriprajna.com/solutions/ecommerce-ai-accuracy。

模型的职责是流畅。验证层的职责是正确。把这两者混为一谈，正是这些系统无一例外走向失败的原因。

它说的每一个字，都由你负责

我在这件事上之所以毫不妥协，是因为法律早已裁定：聊天机器人犯的错该算在谁头上——而答案是，算在你头上。

加拿大航空的聊天机器人凭空捏造了一项根本不存在的丧亲退款政策。当这家航空公司在仲裁庭上辩称，该聊天机器人是一个独立的法律实体、应为自己的言论负责时，仲裁庭当场予以驳回，判定公司须对损害承担赔偿责任。这是一笔不大的金额——$812 CAD——却是一个意义重大的判例：如今，一家法院已经用大白话说明，你的 AI 对客户说的每一个字，都由你负责。我见过一个法务团队把那份裁决转发得到处都是，主题只有一行，没有任何评论，因为其中的含义根本无需赘言。据报道，Shopify 上的一位商家损失了超过 $8,000，起因是一个助手兴高采烈地承诺了向夏威夷免费送货，而它根本无权做出这样的承诺。而那个承诺，在法律上，就是这位商家的承诺。

这一切之下，监管的底线正在不断抬高。《欧盟人工智能法案》将于 2026 年 8 月 2 日全面适用，而且它触及任何为欧盟客户提供服务的公司——你不会因为总部设在别处就能获得豁免。它要求 AI 生成的内容必须加以标注，并且必须告知用户他们正在与 AI 交互，违者最高可处以3,500 万欧元或全球年营业额的 7%的罚款。在美国，FTC 已经直言不讳地表示，利用 AI 进行误导或欺诈本就是违法的，不存在什么 AI 豁免条款，而其《消费者评论规则》禁止具有欺骗性的 AI 生成评论。在这里，合规不是你在最后临时加上的一个勾选框；透明与标注是设计上的约束，从第一次提交代码起就理应嵌入验证层之中。

我最常听到的那些反对意见

人们问我，新出现的代理式商务协议是否让这一切都成了空谈——这是个合理的问题，因为这些代理已经大规模来到我们面前：每五笔数字购买中就有一笔如今是经由一个 AI 代理完成的，光是 2025 年的网络周就以这种方式带动了大约$67 billion的交易。谷歌推出了它的Universal Commerce Protocol，于 2026 年 1 月在 NRF 上联合 Shopify、Etsy、Wayfair、Target 和 Walmart 一同发布；OpenAI 则推出了它的Agentic Commerce Protocol，此前它的即时结账（Instant Checkout）尝试只吸引了约十来家商家激活，草草收场。这些协议是真实存在的，也值得去对接。但只要你仔细读一读，就会发现它们是以发现为先的——它们在让代理找到并推荐你的产品这件事上表现出色，却对那条杂乱的交易长尾几乎只字未提：退货、换货、保修索赔，以及那些曾把 Klarna 拖垮的多步骤问题解决。这些协议挪动的是前门；它们并不负责给房子添置家具。

另一个问题是自建还是采购，我的诚实回答是"多半两者都要一些，而且不是供应商告诉你的那种。"那些发现类工具——Bloomreach 的 Loomi、Algolia、Coveo 基于商品目录的产品发现——在发现这件事上确实很出色，但它们默认你会自带干净的数据，也不会跨工具做验证。大多数零售商同时运行着三到五套这样的 AI 系统，却没有任何人去检查它们彼此之间的一致性。正是那道接缝——多供应商的编排，再加上一个没有任何供应商愿意卖给你的独立验证层（因为每一家都在推销自己那一整套堆栈）——恰恰是各种失败潜伏的地方。

是的，人们担心验证这一步会增加延迟，而他们这样担心是有道理的：亚马逊测算过，每增加 100 毫秒的延迟，大约会损失 1% 的销售额。这个约束是真实存在的，而它是一个有工程解法的工程问题——只验证那一小组可核查的说法，而不是整段生成内容；缓存图谱的查询结果；一旦失败就迅速倒向少说。它并不构成跳过验证的理由。一个耗时 100 毫秒却错误的答案，付出的代价远远高于一个耗时 200 毫秒却正确的答案。

真正赢得那 4 倍的，究竟是什么？

让这一切对我而言真正开始的那个统计数字，是转化率仪表盘上那个我至今仍念念不忘的数据：与 AI 互动的购物者，其转化率为12.3%，而3.1%是那些不互动的购物者的转化率。整整四倍。这个数字是真实的，也正是每一家零售商都争先恐后去部署的原因。但它同样是一个陷阱，因为同样的不对称也会反向运作——一个幻觉出来的规格、一条凭空捏造的政策、一个被截图并传播开来的不安全答案，那份缔造了 4 倍的信任，会以比建立时快得多的速度蒸发殆尽。

如今模型已经是一种大宗商品——每个人都在向同样那少数几家供应商租用智能，而它每个季度都会变得更加流畅。流畅从来都不是赢得那 4 倍的东西；信任才是。而信任，恰恰就是一个凭空捏造的规格所挥霍掉的东西。如果你正在部署你的第一个助手，或者此刻正悄悄看着一个助手在生产环境里产生幻觉，那么验证层就是你无法跳过的那一部分——它正是我们所构建的东西，也正是"一个听起来很专业的助手"和"一个你敢让它在无人监督下与你客户对话的助手"之间的区别。

在接下来这几年的商业竞争中胜出的商店，正是这样一家：当有人问它的 AI，某款笔记本是否有 32GB 内存时，它会去核查——然后回答，16GB。