零售與消費品

零售 AI 如今會做出具有法律效力的消費者導向決策：您如何定價、您的商品刊登聲稱什麼、您推薦什麼、您如何預測生鮮庫存，以及您的商品目錄對 AI 購物代理是否可讀。Veriprajna 的做法是打造能夠經受 FTC 與各州檢察長（AG）審查、同時贏得消費者信任的客製化零售系統，將合規性與來源可追溯性內建於架構層級，而非在執法行動發生後才臨時加裝。

您的定價演算法距離一場 6,000 萬美元的麻煩，只差一位州檢察長

Instacart 於 2025 年 12 月向 FTC 支付了 6,000 萬美元 起因是其 AI 驅動的定價使部分使用者的雜貨成本最高上漲了 23%。該和解案終止了該平台上所有的 AI 商品價格測試，並禁止零售商透過 Instacart 使用 Eversight 技術進行價格實驗。

兩個月後， 紐約州的《演算法定價揭露法》 生效，要求任何使用個人資料進行個別化定價的零售商張貼告示：「本價格係由演算法使用您的個人資料所設定。」到 2026 年 2 月為止，另有 35 個州議會已提出各自的演算法定價法案。聯邦層級的提案包括 《制止 AI 價格哄抬法》 以及 《公平單一價格法》。

這並非紙上談兵的合規演練。如果您在數千種 SKU 與多個地區實施動態定價，您需要能在稽核下展現非歧視行為的定價 AI。這需要三項內建（而非外加）的要素：

• 將公平性約束納入最佳化邏輯內部，而非事後才添加。
• 能夠 以淺白語言向州檢察長調查人員解釋的定價決策。
• 地理分析，證明演算法不會在與受保護族群相關的郵遞區號系統性地收取更高費用。

我們的做法是在架構層級即建立具備這些約束的定價系統，詳見 我們關於消費者導向 AI 中演算法問責的研究，因為在執法行動已經展開之後，才將合規性改裝到黑箱定價引擎上，並非可行的策略。

AI 生成的產品聲明正在製造嚴格責任風險

電子商務商品刊登中的 AI 幻覺使企業損失 2024 年達 674 億美元。其失效模式具體且後果嚴重：

• 虛構產品並不具備的相機規格。
• 聲稱與從未經過測試的配件相容。
• 將不同產品層級的功能合併進單一描述中。
• 生成任何實驗室都從未驗證過的效能評級（「防水」、「抗衝擊」）。

在一起記錄在案的案例中，被幻覺捏造的產品規格造成了 退貨量激增 25%。但責任並不僅限於退貨與拒付款。若商品刊登聲稱了產品並不符合的規格，即會構成 《侵權法第三次重述》下的嚴格產品責任 以及 FTC 第 5 條下的欺騙行為風險。當您的 AI 在一項僅測試至 150 磅的產品上寫下「額定承重 200 磅」時，那不是文案錯誤——而是可被作為證據呈堂的安全聲明。

我們設計的產品內容系統會讓每一項生成的聲明在進入商品刊登前，先與製造商的實際規格資料進行驗證（參見 我們 AI 內容生成的實際示範）。此架構將您的內容生成流程連接至已驗證的產品資料庫、測試報告與合規認證。無法追溯至來源文件的聲明不會發布。這與藥品標示及財務揭露所採用的原則相同：每一項主張都必須具備來源可追溯性。

53% 的顧客表示個人化對他們毫無作用

AI 驅動個人化的承諾是更高的轉換率與更深的忠誠度。但數據訴說著另一個故事：

• 53% 的消費者表示 AI 驅動的個人化對其購物體驗毫無影響。
• 僅有 8% 表示它顯著提升了他們的體驗。
• 73% 偏好人類洞察而非以 AI 為基礎的推薦。
• 僅有 7% 表示完全信任 AI 個人化推薦。

問題不在於概念本身，而在於實作。多數推薦引擎在具備密集購買紀錄的暢銷品上運作良好，卻在真正利潤所在的長尾商品上失靈。 Bloomreach 與 Algolia 都提供強大的搜尋與商品陳列平台，但擁有 50,000 種以上 SKU、且 80% 目錄購買資料稀疏的零售商一致回報，推薦在前 2,000 項商品以外便會劣化。協同過濾需要訊號密度；缺乏訊號密度時，它便退回以熱門程度為基礎的預設方案，對購物者而言顯得千篇一律。

我們的做法是打造混合式推薦架構，將協同過濾與產品知識圖譜相結合（參見我們關於 混合式 AI 促進品牌資產與行銷的研究）。知識圖譜編碼了產品屬性、相容關係、使用情境對應與替代鏈，因此即便對於零購買紀錄的商品，系統也能做出有依據的推薦。

一位在搜尋特定木工夾具的顧客，並不需要先有 50 位其他買家購買過它。系統知道那個夾具適用於什麼、哪些專案類型會用到它，以及該技能等級的木工師傅通常需要哪些互補工具。

生鮮預測讓每一款通用型需求工具都失靈

使用 Blue Yonder、 Relex或 o9 Solutions 進行需求預測的零售商，在耐儲存品類上會看到強勁的成果。生鮮與易腐品則是另一個問題。生鮮農產品資料出了名地不可靠：人工盤點次數稀少且容易出錯，腐敗模式會因同一家門市內的微氣候而異，農產品之間的替代彈性也會隨季節、價格點與當地人口結構而變化。週四一篇報紙食譜主打奶油南瓜，就能帶動任何時間序列模型都無法預測的需求。

資料孤島問題讓一切雪上加霜。銷售資料存放在 POS，庫存資料在 WMS，供應商前置時間與品質資料則在採購系統中。天氣、當地活動與競爭者定價則位於多數預測平台無法原生擷取的外部來源。缺乏統一的即時資料介面，一項 3 天保鮮期 產品的補貨決策，便只能建立在 已過時 24 至 48 小時的訊號之上。

我們為易腐品類設計的預測系統會跨這些資料來源進行整合，並將通用工具視為雜訊的變數納入考量：

• 納入門市層級微氣候資料的腐敗模型。
• 當競爭的雜貨連鎖店對同一品類推出虧本促銷品時會進行調整的替代模型。
• 在奶油南瓜需求激增清空貨架之前就能捕捉到它的事件驅動需求訊號。

這是客製化建模工作，因為沒有任何平台供應商有經濟誘因去解決在真正重要的門市群集層級上的生鮮預測問題。

代理式商務正在改寫消費者找到您的方式

在 NRF 2026 上， Google、Shopify、Walmart、Target、Etsy 與 Wayfair 共同宣布了 通用商務協定（UCP），這是一項新標準，旨在讓 AI 購物代理帶領消費者從探索走向購買，而無需在各個應用程式與網站之間切換。Gap 成為首個讓顧客在 Google 的 Gemini 代理內完成購買的主要時尚品牌，Sephora 則在 ChatGPT 內推出了其應用程式。麥肯錫預測，到 2030 年，由代理式商務促成的美國 B2C 營收上看 1 兆美元 。

這並非未來趨勢，而是當前的基礎設施問題。當 AI 代理代表消費者購物時，它不會瀏覽您的首頁。它會讀取您結構化的產品中繼資料，將其與競爭者比較，並根據機器可解析的資料做出購買決策。若您的產品目錄不具備代理可讀性——在屬性層級上結構化、完整且準確——您的產品便不會出現在 AI 中介的購物中。在此轉型中勝出的零售商，以看待財務資料的同等嚴謹來看待目錄中繼資料：經過驗證、版本控管且可稽核。

我們承接的一項專案是打造代理就緒的商務基礎設施，並以 我們關於超越 LLM 包裝層的真相架構的研究為依據：

• 一個 產品知識圖譜 ，將您的目錄結構化以供機器消化。
• 定價與供貨 API ，讓 AI 代理能夠即時查詢。
• 治理規則 ，控制代理可代表您協商、折扣或搭售的範圍。

讓第三方 AI 代理不受限制地存取您的定價與庫存，是多數零售商尚未深思熟慮的品牌風險。

為何不選擇平台供應商或大型系統整合商

平台供應商與顧問公司各自解決了零售堆疊的一部分——但沒有一家會打造出如今消費者導向 AI 決策所要求的、客製化且在法律上站得住腳的系統。

零售 AI 的缺口不在於策略或平台，而在於使 AI 系統足夠值得信賴、足以做出具有法律效力之消費者導向決策的客製化技術工作。