<p>零售商们不再仅仅是试验 AI 聊天机器人——他们正在赋予算法真正的自主权。根据 Salesforce 的《连接购物者报告》，约 43% 的零售商已经在试点自主或代理 AI，另有 53% 正在评估用例。自动化正在从幕后分析转向前线决策。</p>
<p>然而，行业正在学习一个艰难的真相：广泛的通用 AI 模型对零售的理解不足，无法可靠地支持决策。</p>
<p>大型语言模型（LLMs）旨在成为通才。它们摄取大量公共文本并产生同样广泛的响应。这种灵活性令人印象深刻，但零售和消费品环境在很大程度上依赖于数值模型、优化引擎以及严格结构化的产品和定价数据。当 LLM 尝试在这个领域运作时，它所使用的语言是错误的。</p>
<p>小型语言模型（SLMs）以非常不同的目标填补这一空白：精确性。SLMs 不是试图了解所有事物，而是设计为深入了解一个特定的事物。它们可以在零售商的目录数据、产品层级、商店政策、包装细节和忠诚度洞察上进行训练。由于它们从经过验证的内部来源学习，而不是公共文本，因此提供的答案基于操作真实情况，并且不易出现幻觉。</p>
<h3><strong>领域特定模型在实践中的运作方式</strong></h3>
<p>领域特定的 SLMs 在文本、规则和产品知识交汇的领域中蓬勃发展——这些是零售中依赖于准确性、一致性和上下文而非创造力的部分。</p>
<p>在营销中，SLMs 可以生成精确的目录描述，创建活动变体，并通过基于产品的准确叙述支持 B2B 销售团队——所有这些都基于经过验证的项目数据。</p>
<p>电子商务团队可以使用 SLMs 从包装图像或 PDF 中提取属性，丰富产品页面，通过 SKU 级别的理解增强推荐，并根据真实的产品关系触发微妙的购物者 “提示”。</p>
<p>SLMs 在客户支持中也发挥着作用，因为它们可以解读保修手册，自动化退货工作流程，并以一致的操作语言总结供应商或客户反馈。</p>
<p>由于这些模型是基于零售商的内部数据进行训练的，因此它们的响应准确且一致。当 SLMs 在边缘运行时，例如在商店内或手持设备上，可靠性变得更加重要，因为即时、可信的答案可以简化员工任务并减少购物者的摩擦。</p>
<h3><strong>构建您自己的零售特定模型</strong></h3>
<p>在 SLMs 的构建或购买辩论中，答案非常明确：利用您自己的数据总是比用他人的数据微调模型更好。构建一个准确反映您业务运作的模型将带来巨大的回报，因为您知道可以信任模型的输出。这将导致更好的决策和转化为投资回报的效率。</p>
<p>以下是构建适合您的模型的逐步方法。</p>
<p><strong>1. 审核您的专有数据。</strong> 目录、属性、忠诚度数据、供应商文件、平面图、支持日志——这些是 SLM 所需的原材料。</p>
<p><strong>2. 确定一个功能特定的用例。</strong> 从准确性能立即创造价值的地方开始，例如内容创建、属性提取、客户支持自动化或推荐质量。</p>
<p><strong>3. 使用您的数据进行训练和验证。</strong> 现成的零售数据集不会产生可靠的结果。模型必须学习您的分类法、您的产品语言和您的规则。</p>
<p><strong>4. 进行受控实验。</strong> 使用明确的基准指标进行测试：准确性提升、节省时间、减少错误或提升客户体验。</p>
<p><strong>5. 有意扩展。</strong> 仅在模型在狭窄且高影响场景中证明自己后再进行扩展。过早扩展的零售商往往花费更多时间纠正错误而不是获取价值。</p>
<p>那些能够看到真正进展的零售商不会押注于最大的 AI 模型。他们会押注于最相关的模型——一个基于他们自己的数据、他们自己的规则和他们自己的操作现实进行训练的模型。我们已经被训练成认为更大意味着更好，但较小的模型并不是限制。当它们被训练成以您所需的方式思考时，它们就是竞争优势。</p>
<hr/>
<p><em>Arun Kumar 是 Altimetrik 的全球产品与行业实践负责人，跨越零售、供应链、制造和技术领域工作。他负责产品和平台产品的愿景、设计和交付。</em></p>

<p>零售商越来越多地采用小型专业人工智能模型（SLMs），而不是大型语言模型（LLMs），以增强零售决策。约 43% 的零售商正在试点自主人工智能，SLMs 能够从专有数据中提供精准的、特定上下文的洞察。这些模型在营销、电子商务和客户支持等领域表现出色，确保了准确性和一致性。使用内部数据构建零售特定模型可以带来更好的决策和投资回报率。重点正在从大型模型转向那些针对特定运营需求量身定制的模型，从而在零售行业中提供竞争优势</p>

<p>Retailers aren’t just experimenting with AI chatbots anymore — they’re giving algorithms real agency. About 43% of retailers are already piloting autonomous, or agentic, AI, and another 53% are evaluating use cases, according to Salesforce’s Connected Shoppers Report. Automation is moving from behind-the-scenes analytics to frontline decision-making.</p>
<div class="lb-trans"><p>零售商们不再仅仅是试验 AI 聊天机器人——他们正在赋予算法真正的自主权。根据 Salesforce 的《连接购物者报告》，约 43% 的零售商已经在试点自主或代理 AI，另有 53% 正在评估用例。自动化正在从幕后分析转向前线决策。</p>
</div><p>Yet the industry is learning a hard truth: Broad, general‑purpose AI models don’t understand retail well enough to reliably support decisions.</p>
<div class="lb-trans"><p>然而，行业正在学习一个艰难的真相：广泛的通用 AI 模型对零售的理解不足，无法可靠地支持决策。</p>
</div><p>Large language models (LLMs) are built to be generalists. They ingest broad swaths of public text and produce equally broad responses. That flexibility is impressive, but retail and CPG environments rely heavily on numerical models, optimization engines, and tightly structured product and pricing data. When an LLM tries to operate in that world, it’s speaking the wrong language.</p>
<div class="lb-trans"><p>大型语言模型（LLMs）旨在成为通才。它们摄取大量公共文本并产生同样广泛的响应。这种灵活性令人印象深刻，但零售和消费品环境在很大程度上依赖于数值模型、优化引擎以及严格结构化的产品和定价数据。当 LLM 尝试在这个领域运作时，它所使用的语言是错误的。</p>
</div><p>Small language models (SLMs) step into that gap with a very different goal: precision. Instead of trying to know a little about everything, SLMs are designed to know a lot about one specific thing. They can be trained on a retailer’s catalog data, product hierarchies, store policies, packaging details and loyalty insights. Because they learn from verified internal sources rather than public text, they deliver answers grounded in operational truth and are less susceptible to hallucinations.</p>
<div class="lb-trans"><p>小型语言模型（SLMs）以非常不同的目标填补这一空白：精确性。SLMs 不是试图了解所有事物，而是设计为深入了解一个特定的事物。它们可以在零售商的目录数据、产品层级、商店政策、包装细节和忠诚度洞察上进行训练。由于它们从经过验证的内部来源学习，而不是公共文本，因此提供的答案基于操作真实情况，并且不易出现幻觉。</p>
</div><h3><strong>How Domain-Specific Models Work in Practice</strong></h3>
<div class="lb-trans"><h3><strong>领域特定模型在实践中的运作方式</strong></h3>
</div><p>Domain-specific SLMs thrive in areas where text, rules and product knowledge collide — the parts of retail that depend on accuracy, consistency and context rather than creativity.</p>
<div class="lb-trans"><p>领域特定的 SLMs 在文本、规则和产品知识交汇的领域中蓬勃发展——这些是零售中依赖于准确性、一致性和上下文而非创造力的部分。</p>
</div><p>In marketing, SLMs can generate precise catalog descriptions, create campaign variants and support B2B sales teams with product‑accurate storytelling — all grounded in verified item data.</p>
<div class="lb-trans"><p>在营销中，SLMs 可以生成精确的目录描述，创建活动变体，并通过基于产品的准确叙述支持 B2B 销售团队——所有这些都基于经过验证的项目数据。</p>
</div><p>Ecommerce teams can use SLMs to extract attributes from packaging images or PDFs, enrich product pages, strengthen recommendations with SKU‑level understanding and trigger subtle shopper “nudges” based on real product relationships.</p>
<div class="lb-trans"><p>电子商务团队可以使用 SLMs 从包装图像或 PDF 中提取属性，丰富产品页面，通过 SKU 级别的理解增强推荐，并根据真实的产品关系触发微妙的购物者 “提示”。</p>
</div><p>SLMs also have a role in customer support, because they can interpret warranty manuals, automate returns workflows and summarize supplier or customer feedback in consistent operational language.</p>
<div class="lb-trans"><p>SLMs 在客户支持中也发挥着作用，因为它们可以解读保修手册，自动化退货工作流程，并以一致的操作语言总结供应商或客户反馈。</p>
</div><p>Because these models are trained on a retailer’s internal data, they respond with accuracy and consistency. That reliability becomes even more valuable when SLMs run on the edge, inside stores or on handhelds, where instant, trusted answers can streamline associate tasks and reduce friction for shoppers.</p>
<div class="lb-trans"><p>由于这些模型是基于零售商的内部数据进行训练的，因此它们的响应准确且一致。当 SLMs 在边缘运行时，例如在商店内或手持设备上，可靠性变得更加重要，因为即时、可信的答案可以简化员工任务并减少购物者的摩擦。</p>
</div><h3><strong>Building Your Own Retail-Specific Model</strong></h3>
<div class="lb-trans"><h3><strong>构建您自己的零售特定模型</strong></h3>
</div><p>The old build-or-buy debate has a clear answer when it comes to SLMs: It’s always better to make use of your own data rather than fine-tune a model with someone else’s data. Building a model that reflects your business exactly as it operates has a big payoff, because you know you can trust the outputs of the model. It leads to better decision-making and efficiencies that translate into ROI.</p>
<div class="lb-trans"><p>在 SLMs 的构建或购买辩论中，答案非常明确：利用您自己的数据总是比用他人的数据微调模型更好。构建一个准确反映您业务运作的模型将带来巨大的回报，因为您知道可以信任模型的输出。这将导致更好的决策和转化为投资回报的效率。</p>
</div><p>Here is a step-by-step approach to building a model that will work for you.</p>
<div class="lb-trans"><p>以下是构建适合您的模型的逐步方法。</p>
</div><p><strong>1. Audit your proprietary data.</strong> Catalogs, attributes, loyalty data, supplier files, planograms, support logs — these are the raw materials an SLM needs.</p>
<div class="lb-trans"><p><strong>1. 审核您的专有数据。</strong> 目录、属性、忠诚度数据、供应商文件、平面图、支持日志——这些是 SLM 所需的原材料。</p>
</div><p><strong>2. Identify a function-specific use case.</strong> Start where accuracy creates immediate value, such as content creation, attribute extraction, customer‑support automation or recommendation quality.</p>
<div class="lb-trans"><p><strong>2. 确定一个功能特定的用例。</strong> 从准确性能立即创造价值的地方开始，例如内容创建、属性提取、客户支持自动化或推荐质量。</p>
</div><p><strong>3. Train and validate with your data.</strong> Off‑the‑shelf retail datasets won’t produce reliable results. The model must learn your taxonomy, your product language and your rules.</p>
<div class="lb-trans"><p><strong>3. 使用您的数据进行训练和验证。</strong> 现成的零售数据集不会产生可靠的结果。模型必须学习您的分类法、您的产品语言和您的规则。</p>
</div><p><strong>4. Run controlled experiments.</strong> Test with clear baseline metrics: accuracy improvements, time saved, error reduction or uplift in customer experience.</p>
<div class="lb-trans"><p><strong>4. 进行受控实验。</strong> 使用明确的基准指标进行测试：准确性提升、节省时间、减少错误或提升客户体验。</p>
</div><p><strong>5. Scale with intention.</strong> Expand only after the model proves itself in narrow, high‑impact scenarios. Retailers that scale prematurely often spend more time correcting errors than capturing value.</p>
<div class="lb-trans"><p><strong>5. 有意扩展。</strong> 仅在模型在狭窄且高影响场景中证明自己后再进行扩展。过早扩展的零售商往往花费更多时间纠正错误而不是获取价值。</p>
</div><p>The retailers that will see real progress won’t bet on the biggest AI model. They’ll bet on the most relevant one — a model trained on their own data, their own rules and their own operational realities. We’ve been trained to think that bigger means better, but smaller models aren’t a limitation. They’re a competitive advantage when they’re trained to think exactly the way you need.</p>
<div class="lb-trans"><p>那些能够看到真正进展的零售商不会押注于最大的 AI 模型。他们会押注于最相关的模型——一个基于他们自己的数据、他们自己的规则和他们自己的操作现实进行训练的模型。我们已经被训练成认为更大意味着更好，但较小的模型并不是限制。当它们被训练成以您所需的方式思考时，它们就是竞争优势。</p>
</div><hr/>
<div class="lb-trans"><hr/>
</div><p><em>Arun Kumar is Global Head of Product and Industry Practice at</em> <em>Altimetrik</em> <em>, working across the retail, supply chain, manufacturing and technology sectors. He is responsible for the vision, design, and delivery of product and platform offerings.</em></p>
<div class="lb-trans"><p><em>Arun Kumar 是 Altimetrik 的全球产品与行业实践负责人，跨越零售、供应链、制造和技术领域工作。他负责产品和平台产品的愿景、设计和交付。</em></p>
</div>

为什么较小且更智能的 AI 模型正在为零售商提供竞争优势