在今天于杭州召开的“第九届零售数字化年会暨数智生态论坛”主论坛上，中国百货商业协会对协会与银联商务新近共同完成的《2026零售企业AI应用调查报告》进行了系统解读，现将全文刊出，供行业参考。

1.调查背景2

2.AI应用现状3

2.1.应用普及程度3

2.2.当前投入水平3

2.3.主要应用场景4

2.4.落地应用方式5

2.5.核心数据来源6

3.应用效果及障碍7

3.1.应用效果评价7

3.2.未达预期原因9

3.3.应用主要障碍10

4.未来应用场景11

4.1.企业业务痛点11

4.2.未来应用场景12

5.AI能力建设13

5.1.选型考察标准13

5.2.应用评价周期15

5.3.建设行动规划15

5.4.建设方式偏好16

6.投入及采购要求17

6.1.投入预算17

6.2.投入评估18

6.3.付费模式19

7.核心结论和AI推进建议19

7.1.调研核心结论19

7.2.AI推进建议

1.调查背景

近年来，AI加速渗透零售行业，数字化、智能化转型成为企业应对增长压力、优化运营效率的核心抓手。为厘清当前零售行业AI落地现状、核心痛点与未来方向，中国百货商业协会与银联商务支付股份有限公司联合开展本次调研，受访企业覆盖百货、购物中心、超市、奥特莱斯等业态，企业经营覆盖线下、线上、社群等多渠道，近50位零售企业的CIO或数字化相关负责人参与本次调查。

2.2.当前投入水平

企业开展AI应用的资金投入，呈现出应用普及、小额试探为主、少数企业深入的特征。

调查显示，零售企业AI投入以轻量化试水为主流。企业投入在50万以下的占比合计近六成，其中，10万元以下投入企业占比19%，10万-49万元投入占38%，二者合计57%，是企业投入的主流区间。说明大部分零售企业对AI应用秉持保守试水心态，偏向低成本、低风险投入模式，以小投入体验智能化价值，规避大规模投入的经营风险。但也有19%的企业投入在200-500万元区间，少数企业已经开始深入应用。

2.3.主要应用场景

调查显示，已开展AI应用的企业中，落地场景偏好侧重轻量化场景，深度业务场景的渗透较低，零售企业倾向低成本、落地见效快的AI应用场景。

内容生产与基础服务类AI场景成为应用主流，普及度较高。调查显示，营销文案、图片、短视频生成应用占比73%，位居所有场景首位，反映企业高度重视线上营销内容迭代，依托AI降低内容创作成本、提升效率。其次，办公知识库/员工助手、智能客服/导购问答的占比都超过六成（分别达65%、62%），半数企业落地经营数据问答与自动报表功能，说明现阶段零售企业AI应用集中于办公提效、客户服务、基础数据处理等轻量化领域，应用轻量、见效快成为当下企业智能化升级的首选。

个性化营销、会员画像、库存优化、舆情分析等场景占比集中在35%-42%，部分企业已从基础提效转向用户精细化运营与门店基础管理优化。而销量预测、选品、动态定价、损耗防控等经营场景的渗透率偏低，这类场景贴近零售核心经营决策，但因对数据积累、技术算力、行业经验要求高，落地应用还处在初步阶段。

2.4.落地应用方式

AI落地的方式与选型，整体呈现轻量化工具先行、多元模式并行、自研与合作成为中坚力量的特征。

轻量化、低门槛的应用方式普及率最高，成为企业入门首选。其中，直接使用通用AI工具的企业占比达65%，多数企业优先依托通用AI工具快速落地应用，无需高额投入和技术储备，可快速适配基础需求。

企业自主研发与外部联合开发成为重要选择，占比分别为58%、50%，过半企业选择深耕AI能力，反映一部分企业并不满足于通用工具，正在结合自身业态、门店运营、用户管理等需求，打造适配自身业务的AI体系。与此同时，依托原有IT供应商扩容AI功能、采购成熟SaaS软件的占比均为31%，成为折中方式，兼顾成本与专业性，但不是当下主流选择。集团统一建设落地占比为19%，少部分企业AI落地已经上升到战略高度。

2.5.核心数据来源

AI时代，数据是核心要素。调查显示，已开展AI应用的企业，AI训练与应用数据来源集中于用户交易、会员运营及线上行为数据，同时也显示出数据割裂、质量不足、场景数据利用率低等行业痛点。

调查显示，会员/CRM/CDP数据、线上APP及小程序行为数据、POS交易数据是当前的主要数据源，占比为58%–62%，这类数据主要反映消费者消费习惯、购买行为与会员画像，能够快速支撑精准营销、用户分层、消费预测等应用场景，也是现阶段零售企业智能化落地的核心数据底座。其次，ERP/采购系统数据、客服工单数据使用占比也不低（50%和46%），可以有效支撑门店运营、商品管理与售后优化。

供应链、门店场景类数据利用率偏低，库存/WMS/物流数据占比31%，门店客流/视频设备数据仅占23%，广告营销平台数据占比15%，线下场景数据未能充分赋能AI应用。

总体看，当前零售AI应用主要依赖前台交易与会员数据，供应链、门店场景、线下运营数据挖掘不足，且存在数据治理薄弱的问题。

3.应用效果及障碍

3.1.应用效果评价

当前企业AI应用的效果，基础提效价值方面得到相对认可，但商业转化、系统融合、员工普及度仍存在明显短板。

在工作提效方面，AI应用获得较高正面评价。提升工作效率维度高分（4-5分）合计达61%，是认可度最高的指标，说明AI在办公提效、流程减负等场景落地效果不错。降本、客户体验、决策准确性三项指标的中等评分（3分）为46%，表明AI有一定优化运营成本、服务体验与经营决策的效果，但尚未达到突破性水平。结果稳定性与可解释性的3分占比达58%，体现多数企业认为AI输出效果基本可用，但稳定性、可追溯性一般。

调查也显示出AI的明显瓶颈，对销售转化及销售额提升的作用偏弱，提升销售额与转化率平均评分为2.65，低分（1-3分）合计达88%，高分（4-5分）占比仅12%，说明当前AI难以直接有效带动营收增长。系统融合的问题也较为突出，“与现有系统和流程的融合程度”的平均评分为2.85，低分评价（1-3分）占比85%，反映AI工具与企业原有业务系统、流程适配度较低，存在数据割裂、落地脱节问题。此外，员工使用意愿与频率评分也不高，人机适配、推广落地存在阻力。

总体来看，现阶段零售AI的核心价值体现在降本提效的层面，在增收赋能、系统融合、稳定输出和员工普及方面仍有较大提升空间。

同时，AI应用普遍存在评估体系不完善、量化指标缺失、效果归因不明确的问题。调查显示，仅有15%的受访企业搭建了明确指标体系，可持续跟踪AI项目ROI，具备相应评估能力。超八成企业尚未形成完善评估体系，其中42%的企业仅有部分评估指标，无法完成完整效果归因，难以区分业绩增长、效率提升来源于AI赋能还是市场环境、运营调整等其他因素。35%的受访企业完全依靠使用反馈和主观判断进行评价，评估结果缺乏数据支撑，缺乏客观性。另有8%的受访企业完全未搭建任何评估机制。

3.2.未达预期原因

数据底座不足是制约AI效果的首要瓶颈。

调查显示，数据或系统基础薄弱是AI应用不搭预期的最大问题，占比为62%，结合行业特性来看，多数零售企业存在数据分散、线上线下数据割裂、数据质量参差不齐、老旧系统兼容性差等问题，导致AI模型缺乏高质量数据支撑，无法适配门店运营、用户营销、供应链管理等核心场景。

46%的受访企业表示存在模型效果不稳定的问题，AI输出结果存在结果偏差、可解释性弱，不能很好适配零售日常经营需求。同时42%的受访企业表示面临员工缺乏培训与使用动力的问题，一线人员操作能力不足、接受度低，使得AI工具落地流于形式。此外，38%的企业没有明确业务目标，AI应用处于盲目试水阶段，35%的受访企业表示缺乏持续运营迭代，致使初期试点后难以持续优化效果的情况。除此之外，预算及项目周期不足、流程不顺畅等问题小幅制约AI落地效果，不是主要因素。

综合来看，零售企业AI效果不达预期并非单一问题，而是数据基础、业务规划、人员落地、持续迭代的综合性问题。未来零售行业AI提质增效，需优先补齐数据与系统短板，明确业务适配目标，强化员工培训与长效运营迭代，才能真正发挥AI的价值和作用。

3.3.应用主要障碍

在推进AI应用时遇到的主要障碍中，业务场景模糊是行业最大共性难题。

调查显示，85%的企业表示缺少清晰、可量化的AI业务场景，是企业开展AI应用的最大障碍。说明多数企业AI转型缺乏明确目标，无法依托AI解决明确的经营痛点，也是AI价值难以落地的根本原因。其次，成本收益不确定也是阻碍企业深入应用的重要原因，占比为65%。数据短板形也对AI应用形成制约，62%受访企业表示存在数据分散、质量不足问题，底层数据支撑缺失，使得AI模型应用效果大打折扣。同时，超半数企业存在AI相关的人才缺口，技术与业务融合能力不足，进一步阻碍AI落地落地。

系统适配、人员管理等为次要障碍，38%的企业面临AI工具与现有系统集成难度大的问题，老旧系统适配性差造成技术落地壁垒。而管理层认知不足、员工使用意愿低、模型输出不稳定、数据合规风险等问题占比不高，属于当前普遍性但非核心障碍。此外，对供应商能力判断难占比仅为3%，说明当前零售企业对技术服务商的服务能力未持怀疑态度。

零售行业AI应用的核心困境并非单纯算法、大模型等底层技术短板，而是数据、业务场景、人才、组织协同构成的完整体系化建设缺失，复合型技术业务人才缺口是体系短板的重要组成部分。未来企业推进AI升级，需锚定业务场景，完善数据治理，优化投入产出，补齐人才短板，同时打通系统壁垒、完善落地运营体系，释放智能化转型价值。

4.未来应用场景

4.1.企业业务痛点

调查显示，受访企业痛点集中在营销获客、会员运营、商品经营等前端业务，而门店运营、数据管理、风控等中后端的痛点相对缓和。

获客与会员运营是企业最迫切的痛点。其中“获客成本高、营销触达不精准”以4.0分位居所有痛点之首，是零售企业迫切想要解决的问题。紧随其后的会员活跃与复购不足（3.9分）、商品选品依赖经验（3.7分），显现企业存量用户运营能力不足，商品经营缺乏数据支撑，依赖人工经验，容易出现决策偏差，不能适配市场消费需求变化。

员工培训低效、跨部门流程繁琐、促销效果难以复盘等问题为中度痛点，评分均在3.3分以上，是行业普遍存在的运营短板。而销量预测滞后、库存失衡、门店标准落地难、损耗欺诈识别弱、数据报表低效等痛点评分处于3.1-3.2分区间，属于常规性运营难题。客服咨询响应慢、重复工作多评分最低（2.94分），说明基础客服问题并非当前行业核心困扰。

总体看，当前零售企业的核心经营压力聚焦在前端增长环节，精准营销、会员盘活、智能选品等需求最为迫切。这也为零售AI应用指明了方向，应优先聚焦营销精准赋能、会员精细化运营、商品数据化决策，针对性解决行业高痛感痛点，其次优化流程、库存、预测等运营问题，实现降本增效与增收提质双向突破。

4.2.未来应用场景

未来1-3年，零售企业AI发展的需求，聚焦客户服务、会员运营、营销赋能等前端增收场景，同时兼顾办公提效与商品精细化运营，而供应链、数字人等深层、新兴场景需求相对薄弱。

调查显示，客户与营销精细化场景成为企业布局重点。智能客服与AI导购以71%的占比位居首位，会员画像与客户分群达68%，营销内容生成及投放优化达59%，是行业核心的升级需求。印证零售企业AI重点是解决会员运营、客服及导购能力等核心痛点，依托AI实现精准触达、服务升级与营销提效，提升前端营收增长能力。此外，企业知识库、智能数据报告占比均为56%，体现企业持续需要AI赋能办公与经营决策提效。

商品运营与智能经营场景成为次核心需求。智能选品与商品组合优化占比53%，个性化推荐、需求预测与智能补货均超40%，反映企业意识到商品精细化运营的重要性，希望通过AI能力替代传统经验决策，解决选品能力不足、补货滞后、库存失衡等经营难题。门店运营优化、消费趋势洞察、促销策略优化等场景需求适中，是企业智能化升级的补充方向。

相对而言，供应链深度优化、风险损耗识别、虚拟数字人等场景需求偏低，可能是企业远期布局方向。

整体来看，未来零售AI转型将坚持刚需优先、循序渐进原则，优先落地见效快、贴合营收与服务的前端场景，逐步向商品、门店、供应链深层运营渗透。

5.AI能力建设

5.1.选型考察标准

零售企业考察AI应用时，核心方向是务实，业务价值优先、安全实效并重。

解决实际业务问题是零售企业选型的第一准则，该项评分高达4.6分，是所有维度中认可度最高的指标。其次，具备权限控制和数据安全，以及效果可量化评分4.3分；输出准确、稳定且可解释，以及供应商持续运营和迭代能力4.2分，体现零售企业高度重视AI投入回报，追求透明、稳定、安全的智能化效果，规避无法溯源、数据风险、效果波动等问题。

易用性与持续迭代能力为次核心诉求。供应商持续迭代能力、低学习成本的开箱即用功能评分均超4.2分，反映零售一线人员偏好轻量化、易落地、可持续更新的AI工具，适配零售行业运营需求。系统打通能力、自主调整功能、短实施周期评分处于3.7-3.9分，属于基础刚需，企业重视AI与现有业务系统的兼容性，保障落地顺畅。相对而言，定制化、私有化部署需求评分3.4分，优先级偏低，企业现阶段优先选择轻量化、标准化AI方案，仅在核心业务场景有少量定制需求。

具体到AI产品和服务功能，零售企业需求以系统嵌入、岗位赋能为核心，以智能体与数据决策为升级方向，主打轻量化、融合化落地。

调查显示，嵌入现有业务系统的功能模块以85%的占比位居首位，成为企业最核心的需求，企业更倾向于将AI融入现有核心系统，无需重构架构即可快速赋能业务，改造门槛低、落地效率高，更好适配零售企业稳中求进的转型需求。

面向岗位的AI助手工作台需求紧随其后，占比76%，体现企业希望AI能力向全员赋能，希望依托专属岗位助手，适配运营、导购、采购、行政等不同岗位的工作需求，提升效率。同时，62%企业青睐可自主调用工具完成任务的AI智能体、50%偏好智能经营分析驾驶舱，说明企业期待AI从被动工具转向主动自动化作业、数据智能决策。

相比之下，场景定制开发、独立零售AI平台需求占比分别为41%、38%，标准化SaaS工具仅21%，可见通用标准化产品难以满足深度经营需求，而重资产独立平台建设意愿偏低。

5.2.应用评价周期

零售企业对智能化改造效果的要求，呈现短期见效诉求强烈、偏好快速落地、长周期容忍度极低的特征。

数据显示，超六成企业对AI项目抱有极强的短期见效预期，35%的企业希望3个月内看到初步业务效果，26%的企业期望在3至6个月内落地见效，希望六个月内快速见效需求合计达61%，反映企业对通用产品产品、嵌入式轻量化AI工具的应用逻辑。相比之下，企业对中长期落地的接受度显著降低，仅15%的企业能够接受6至12个月见效，愿意接受1年以上长周期落地的企业仅占6%。可能与近年经济下行，零售企业现金流压力大有关，对长周期项目容忍度下降。

5.3.建设行动规划

零售企业未来12个月的AI升级行动规划，呈现以试点验证为主、规模化落地偏少、体系建设滞后、仍有部分企业观望的发展态势。

场景概念验证（POC）是企业接下来的主流行动，占比38%，多数零售企业仍以谨慎试水为核心策略，优先通过单点场景测试验证AI适配性与落地效果，规避盲目投入带来的风险。21%的企业计划扩大现有试点范围，表明部分已完成初步验证的企业，开始稳步推进AI场景复用与范围拓展，实现从小范围试点向多场景落地过渡。

值得注意的是，行业规模化、体系化升级意愿偏弱，仅3%企业计划12个月内全面采购上线；15%计划搭建企业级AI平台与数据治理体系，可见绝大多数企业仍停留在浅层单点场景试水阶段，对全面落地AI仍保持谨慎态度，对投入回报、场景适配、系统融合仍存顾虑。此外，15%的企业暂无明确行动计划，9%的企业表示仅开展调研与培训，暂无实际行动计划。

5.4.建设方式偏好

对于AI能力，偏好的建设方式，整体呈现成品优先、适度定制、生态共创的特征。

“成熟产品为主、允许适度定制”以68%占比成为行业最主流选择，反映零售企业AI建设的主要偏好是优先依托通用成熟的产品、保障稳定性，同时通过轻量化定制适配自身业务，平衡效率与业务适配性。

同时，超半数企业选择与供应商联合共创，体现零售企业希望通过与服务商深度合作共创符合自身企业特点的专属AI方案，提升落地效果与场景匹配度。50%的企业优先采购成熟产品快速上线。41%的企业选择集团总部统一建设，说明多数企业并未将其列入到战略高度进行投入。仅有32%的企业选择内部自主研发为主，反映自研模式因技术门槛高、投入大、周期长，并非行业主流选择。

6.投入及采购要求

6.1.投入预算

企业在未来一年单项目预算以小额为主试水为主。

调查显示，低额度预算是企业AI投入主流选择。10万–49万元预算区间占比26%，10万元以下预算占比9%，企业倾向于通过低成本试点落地AI应用。50万–199万元中额度预算占比18%，具备一定规模化投入意愿的企业占比偏低，500万元以上大额投入仅占3%，零售企业当前总体上暂无倾向大规模、体系化的智能化布局。

29%的企业表示需根据ROI单独评估，为所有选项中最高占比，零售企业AI投入务实理性化，不再盲目跟风，投入预算均以可量化的业务回报为前提。此外，无预算、不确定预算的企业合计占比达15%。

6.2.投入评估

企业采购的决策逻辑，偏向重实证、看效果、控风险、轻形式的特征。

采购评估最核心的两大依据为同行案例与支持试点验证，其中，同行业成功案例及可核验数据占比高达88%，支持小范围低成本试用占比85%，零售企业非常重视同行成熟的落地经验，避免盲目试错。同时偏向先试用验证评估效果，再采购，通过实际试用和验证产品适配性，规避落地无效的问题。

价值量化与实景验证是重要评估标准，清晰的ROI测算占比50%，产品演示与业务流程验证占比47%。此外，数据安全合规、现有系统集成方案占比均为38%，是企业考量的基础风险与适配要素，不是核心评估要求。实施计划、服务SLA和运维承诺、员工培训与使用推广方案的占比较低，分别为21%、18%，属于次要评估内容。

6.3.付费模式

调查显示，先试用，达标后采购成为行业最主流偏好，占比达59%。这与零售企业AI落地效果不确定、场景适配存疑的行业痛点契合，企业普遍希望通过试点验证产品价值，规避盲目采购带来的资源浪费，最大程度降低AI试错成本。同时，按账号、使用量付费占比56%，轻量化按量付费模式，不用大额固定投入，可根据岗位需求灵活扩容缩量。

基础费用加定制实施费、按业务效果付费成为重要选择，占比分别为47%和41%。企业有愿意为适配业务的定制服务付费，同时，希望将成本与经营增量绑定，实现付费与业务价值挂钩。此外，偏好定期订阅模式占比为38%，成为常态化轻量化采购方式。相比之下，一次性项目建设付费仅占24%，认可度最低，企业比较排斥一次性大额投入模式。

整体来看，零售企业倾向于“先验证、后付费，轻量化、按效计费”的采购模式。未来AI服务商需适配该需求，推出试用机制、按量订阅、效果分成、灵活定制的多元付费方案。

7.核心结论和AI推进建议

7.1.调研核心结论

一是行业AI应用已形成普及共识，但整体仍处于轻量化试点的初级阶段。

二是AI的降本增效价值已得到验证，但增收赋能与落地支撑体系存在明显短板。

三是前端增长痛点是行业核心诉求，未来AI应用将向营收增长场景持续倾斜。

四是企业选型与采购高度务实，“短平快、可验证、低风险”是核心决策逻辑。

7.2.AI推进建议

对零售企业的实践建议：

一是坚持场景优先、循序渐进的落地路径，避免盲目规模化投入。

二是前置数据治理与系统打通工作，筑牢AI应用底层支撑。

三是建立量化评估与长效运营机制，保障AI价值持续释放。

四是灵活选择建设模式，平衡业务适配性与投入成本。

对AI服务商的发展建议：

一是深耕零售行业场景，打造可量化价值的行业垂直解决方案。

二是适配企业轻量化落地需求，强化系统兼容与易用性设计，降低门槛。

三是构建“验证+付费”的灵活合作模式，降低企业决策难度。

四是强化落地运营服务，从产品交付转向价值陪伴。