<p>零售商們不再僅僅是試驗 AI 聊天機器人——他們正在賦予算法真正的自主權。根據 Salesforce 的《連接購物者報告》，約 43% 的零售商已經在試點自主或代理 AI，另有 53% 正在評估用例。自動化正在從幕後分析轉向前線決策。</p>
<p>然而，行業正在學習一個艱難的真相：廣泛的通用 AI 模型對零售的理解不足，無法可靠地支持決策。</p>
<p>大型語言模型（LLMs）旨在成為通才。它們攝取大量公共文本併產生同樣廣泛的響應。這種靈活性令人印象深刻，但零售和消費品環境在很大程度上依賴於數值模型、優化引擎以及嚴格結構化的產品和定價數據。當 LLM 嘗試在這個領域運作時，它所使用的語言是錯誤的。</p>
<p>小型語言模型（SLMs）以非常不同的目標填補這一空白：精確性。SLMs 不是試圖瞭解所有事物，而是設計為深入瞭解一個特定的事物。它們可以在零售商的目錄數據、產品層級、商店政策、包裝細節和忠誠度洞察上進行訓練。由於它們從經過驗證的內部來源學習，而不是公共文本，因此提供的答案基於操作真實情況，並且不易出現幻覺。</p>
<h3><strong>領域特定模型在實踐中的運作方式</strong></h3>
<p>領域特定的 SLMs 在文本、規則和產品知識交匯的領域中蓬勃發展——這些是零售中依賴於準確性、一致性和上下文而非創造力的部分。</p>
<p>在營銷中，SLMs 可以生成精確的目錄描述，創建活動變體，並通過基於產品的準確敍述支持 B2B 銷售團隊——所有這些都基於經過驗證的項目數據。</p>
<p>電子商務團隊可以使用 SLMs 從包裝圖像或 PDF 中提取屬性，豐富產品頁面，通過 SKU 級別的理解增強推薦，並根據真實的產品關係觸發微妙的購物者 “提示”。</p>
<p>SLMs 在客户支持中也發揮着作用，因為它們可以解讀保修手冊，自動化退貨工作流程，並以一致的操作語言總結供應商或客户反饋。</p>
<p>由於這些模型是基於零售商的內部數據進行訓練的，因此它們的響應準確且一致。當 SLMs 在邊緣運行時，例如在商店內或手持設備上，可靠性變得更加重要，因為即時、可信的答案可以簡化員工任務並減少購物者的摩擦。</p>
<h3><strong>構建您自己的零售特定模型</strong></h3>
<p>在 SLMs 的構建或購買辯論中，答案非常明確：利用您自己的數據總是比用他人的數據微調模型更好。構建一個準確反映您業務運作的模型將帶來巨大的回報，因為您知道可以信任模型的輸出。這將導致更好的決策和轉化為投資回報的效率。</p>
<p>以下是構建適合您的模型的逐步方法。</p>
<p><strong>1. 審核您的專有數據。</strong> 目錄、屬性、忠誠度數據、供應商文件、平面圖、支持日誌——這些是 SLM 所需的原材料。</p>
<p><strong>2. 確定一個功能特定的用例。</strong> 從準確性能立即創造價值的地方開始，例如內容創建、屬性提取、客户支持自動化或推薦質量。</p>
<p><strong>3. 使用您的數據進行訓練和驗證。</strong> 現成的零售數據集不會產生可靠的結果。模型必須學習您的分類法、您的產品語言和您的規則。</p>
<p><strong>4. 進行受控實驗。</strong> 使用明確的基準指標進行測試：準確性提升、節省時間、減少錯誤或提升客户體驗。</p>
<p><strong>5. 有意擴展。</strong> 僅在模型在狹窄且高影響場景中證明自己後再進行擴展。過早擴展的零售商往往花費更多時間糾正錯誤而不是獲取價值。</p>
<p>那些能夠看到真正進展的零售商不會押注於最大的 AI 模型。他們會押注於最相關的模型——一個基於他們自己的數據、他們自己的規則和他們自己的操作現實進行訓練的模型。我們已經被訓練成認為更大意味着更好，但較小的模型並不是限制。當它們被訓練成以您所需的方式思考時，它們就是競爭優勢。</p>
<hr/>
<p><em>Arun Kumar 是 Altimetrik 的全球產品與行業實踐負責人，跨越零售、供應鏈、製造和技術領域工作。他負責產品和平台產品的願景、設計和交付。</em></p>

<p>零售商越來越多地採用小型專業人工智能模型（SLMs），而不是大型語言模型（LLMs），以增強零售決策。約 43% 的零售商正在試點自主人工智能，SLMs 能夠從專有數據中提供精準的、特定上下文的洞察。這些模型在營銷、電子商務和客户支持等領域表現出色，確保了準確性和一致性。使用內部數據構建零售特定模型可以帶來更好的決策和投資回報率。重點正在從大型模型轉向那些針對特定運營需求量身定製的模型，從而在零售行業中提供競爭優勢</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>零售商們不再僅僅是試驗 AI 聊天機器人——他們正在賦予算法真正的自主權。根據 Salesforce 的《連接購物者報告》，約 43% 的零售商已經在試點自主或代理 AI，另有 53% 正在評估用例。自動化正在從幕後分析轉向前線決策。</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，行業正在學習一個艱難的真相：廣泛的通用 AI 模型對零售的理解不足，無法可靠地支持決策。</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>大型語言模型（LLMs）旨在成為通才。它們攝取大量公共文本併產生同樣廣泛的響應。這種靈活性令人印象深刻，但零售和消費品環境在很大程度上依賴於數值模型、優化引擎以及嚴格結構化的產品和定價數據。當 LLM 嘗試在這個領域運作時，它所使用的語言是錯誤的。</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>小型語言模型（SLMs）以非常不同的目標填補這一空白：精確性。SLMs 不是試圖瞭解所有事物，而是設計為深入瞭解一個特定的事物。它們可以在零售商的目錄數據、產品層級、商店政策、包裝細節和忠誠度洞察上進行訓練。由於它們從經過驗證的內部來源學習，而不是公共文本，因此提供的答案基於操作真實情況，並且不易出現幻覺。</p>
</div><h3><strong>How Domain-Specific Models Work in Practice</strong></h3>
<div class="lb-trans"><h3><strong>領域特定模型在實踐中的運作方式</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>領域特定的 SLMs 在文本、規則和產品知識交匯的領域中蓬勃發展——這些是零售中依賴於準確性、一致性和上下文而非創造力的部分。</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>在營銷中，SLMs 可以生成精確的目錄描述，創建活動變體，並通過基於產品的準確敍述支持 B2B 銷售團隊——所有這些都基於經過驗證的項目數據。</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>電子商務團隊可以使用 SLMs 從包裝圖像或 PDF 中提取屬性，豐富產品頁面，通過 SKU 級別的理解增強推薦，並根據真實的產品關係觸發微妙的購物者 “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 在客户支持中也發揮着作用，因為它們可以解讀保修手冊，自動化退貨工作流程，並以一致的操作語言總結供應商或客户反饋。</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>由於這些模型是基於零售商的內部數據進行訓練的，因此它們的響應準確且一致。當 SLMs 在邊緣運行時，例如在商店內或手持設備上，可靠性變得更加重要，因為即時、可信的答案可以簡化員工任務並減少購物者的摩擦。</p>
</div><h3><strong>Building Your Own Retail-Specific Model</strong></h3>
<div class="lb-trans"><h3><strong>構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 的構建或購買辯論中，答案非常明確：利用您自己的數據總是比用他人的數據微調模型更好。構建一個準確反映您業務運作的模型將帶來巨大的回報，因為您知道可以信任模型的輸出。這將導致更好的決策和轉化為投資回報的效率。</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>以下是構建適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. 審核您的專有數據。</strong> 目錄、屬性、忠誠度數據、供應商文件、平面圖、支持日誌——這些是 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. 確定一個功能特定的用例。</strong> 從準確性能立即創造價值的地方開始，例如內容創建、屬性提取、客户支持自動化或推薦質量。</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. 使用您的數據進行訓練和驗證。</strong> 現成的零售數據集不會產生可靠的結果。模型必須學習您的分類法、您的產品語言和您的規則。</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. 進行受控實驗。</strong> 使用明確的基準指標進行測試：準確性提升、節省時間、減少錯誤或提升客户體驗。</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. 有意擴展。</strong> 僅在模型在狹窄且高影響場景中證明自己後再進行擴展。過早擴展的零售商往往花費更多時間糾正錯誤而不是獲取價值。</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>那些能夠看到真正進展的零售商不會押注於最大的 AI 模型。他們會押注於最相關的模型——一個基於他們自己的數據、他們自己的規則和他們自己的操作現實進行訓練的模型。我們已經被訓練成認為更大意味着更好，但較小的模型並不是限制。當它們被訓練成以您所需的方式思考時，它們就是競爭優勢。</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 的全球產品與行業實踐負責人，跨越零售、供應鏈、製造和技術領域工作。他負責產品和平台產品的願景、設計和交付。</em></p>
</div>

為什麼較小且更智能的 AI 模型正在為零售商提供競爭優勢