零售与消费：体验要落在真实交易里

零售商OTTO与Google共同建设购物助手，并获得Google前线部署工程团队支持。¹ 从早期试验、技术变化到公开测试，这个项目提出了一个具体问题：会对话的界面，怎样帮助顾客完成一次适合自己的购买？

对话是否流畅只是起点。平均订单金额、购买人数、总销售额和最终利润是不同的东西；评价一项购物体验，还要追到选择、交易、履约和服务。

时间线上，不止一个“上线”

先把容易混在一起的几个节点排开。

三月和五月的材料没有解释具体版本与开放人群的关系，不能挑一个日期，替全部功能盖上统一的正式上线印章。Google的客户案例明确提到其前线部署工程团队支持，但整项产品仍是OTTO与合作方共同建设的成果。¹ 这里既不把供应商职衔抹去，也不把客户团队从故事中拿掉。

这条时间线的意义，在于让不同证据各归其位。二〇二三年的早期探索不能证明当时已有后来的语音产品；一次技术路线变化不能证明购物过程的问题都已解决；开放测试也不证明所有顾客已经采用。产品在往前走，证明它的材料也应随阶段改变。

从项目管理的角度看，团队有理由关注每一次里程碑。从顾客的角度看，日期本身并不重要。他真正面对的是：此刻提问能否得到帮助，推荐商品是否符合条件，点击之后的价格和服务是否与刚才的解释一致。

先让顾客说出自己还不知道的条件

传统搜索适合已经知道名称或型号的人。咨询式购物的潜在价值，更多出现在顾客知道自己的处境，却不知道应该把它翻译成哪些商品条件的时候。多一段对话，可能帮助需求变得清楚；也可能只是增加了一道必须耐心完成的问答。

用一个明确的教学情境看两者的区别。顾客准备为小客厅买一张可展开的沙发床，希望平时坐着舒服，偶尔供家人留宿。这不是OTTO公开记录中的真实会话。若助手只按“沙发床”找出一串热销商品，它做的仍接近搜索；若先问展开后可用空间、主要使用方式和预算，再说明推荐的取舍，才开始承担咨询工作。

追问却不应无限增加。顾客没有必要先完成一份家具调查问卷，才获得任何帮助。助手可以先提出少量候选，解释还有哪个条件会改变选择，让顾客按需要补充。每一次提问都应有用途：回答之后，推荐是否会不同？如果不会，问题可能只是让机器显得像在认真服务。

同样，语音不天然比文字更适合所有人。在安静的家中细谈，和在通勤途中快速比较价格，要求不同。有人愿意描述生活场景，有人只想确认一个尺寸；有人希望听解释，有人需要在屏幕上同时比较几个数字。把语音作为唯一入口，可能让原本顺畅的购物更费力。

因此，不能单凭互动次数判断哪种入口更好。更多互动可能代表顾客愿意分享条件，也可能代表系统没理解、不断纠正；较少互动可能是顺利得到答案，也可能是迅速放弃。需要将对话与任务结果连接，数字才开始解释体验。

这种连接不要求把每位顾客的生活细节永久保存。可以在合适权限和用途下，观察用户在哪一步离开、哪些问题反复出现、推荐以后是否继续查看商品。需要学习的是系统如何帮助选择，不能把“更丰富的上下文”自动等同于“越多私人信息越好”。

推荐的语气，不能超过商品资料

顾客愿意表达之后，商家面临另一项责任：把这些表达落到可靠的商品信息上。

OTTO在2026年8月24日的文章中强调，商品资料需要结构清晰、前后一致，才能被AI正确理解和使用。³ 这听上去像后台工作，实际上决定前台建议有没有依据。若资料只有“宽敞舒适”“轻松展开”这样的描述，助手并不知道一张沙发床是否放得进某个房间。

继续教学情境。商品页面给出收拢宽度，却没有展开长度；另一个型号提供了包装尺寸，但未说明实际使用尺寸。把这些数值排成整齐的比较表，并不会自动使它们可比。助手应该先辨认每个数字代表什么，再说明缺少哪项信息。资料缺失时，合理动作可能是请顾客查看说明或联系人工，而不是从相似型号猜出一个答案。

零售商内部谁负责补齐这些信息，也会改变项目设计。品类人员知道购买时应当比较什么，商家或供应商提供产品资料，平台团队处理字段和更新，客服最先听见误解造成的投诉。FDE可以把缺口变成清楚的工程与内容任务，却不能替代产品信息的责任人。

这也是“连接商品库”和“能够咨询”之间的一段距离。拿到大量商品名称和图片，并不等于拿到适合判断的条件。一个按顾客问题组织的咨询系统，需要知道哪些特点可以直接比较，哪些依赖使用场景，哪些说法只是营销描述。不同品类所需的知识不会完全相同。

解释推荐理由时，尤其要克制。因为尺寸符合而推荐，与因为价格较低而推荐，可以明确说出来；“最适合你”则包含了更大的判断。顾客尚未提供的条件、资料没有说明的特性，都不应被自信的语气填满。适度保留不确定性，能让顾客知道最后还需要确认什么。

商品还会变化。缺货、促销结束、卖家调整配送范围，都可能让刚才合理的候选失去可购买性。界面可以继续记得顾客的需求，但到了选择具体交易时，要以当前有效的信息为准。这样做或许打断了一次流畅对话，却避免用过时承诺把顾客带到结账失败。

一次推荐之后，有三位不同的接手者

购买并不是对话的自然延伸，而是一次涉及商品、金额和服务的明确选择。

在教学情境里，顾客说“第二个看起来不错”，可能只是表达偏好；“帮我看看能不能下周送到”是在询问服务；“就买这款”才更接近交易意图，即使如此，颜色、数量、具体卖家和最终费用也需要清楚呈现。对话可以缩短寻找信息的路，不能省略顾客理解交易条件的机会。

零售流程里可以区分三个接手者。推荐系统帮助形成候选，交易系统记录实际购买，履约和服务团队兑现承诺。它们可能出现在同一个应用中，但并不因此拥有相同的数据、权限和责任。第16章已经解释怎样让工具动作可靠；本章关心的是每一步向顾客作出了什么承诺。

若购物助手说“适合小空间”，到商品页后却找不到具体尺寸，顾客无法验证建议；若页面显示另一个卖家的价格，刚才的便宜比较也可能不再成立；若售后人员看不到此前建议，顾客就得重新解释为什么买了不合适的东西。体验在这些连接处断裂，通常比一句不够自然的回答更伤信任。

让连接清楚，不等于把所有对话原样传给所有部门。与当前交易有关的商品、选项和已确认条件，可以按目的保留；无关的个人描述不必随订单传播。客服需要的也许是“顾客按展开长度筛选，页面当时缺少此字段”，而不是一整段家庭生活介绍。

从商家角度看，这种记录有双重价值。它帮助处理个案，也帮助回到前端修正商品资料和推荐规则。如果同一种误解反复导致退货，继续把每次退货视为孤立售后，就错过了改善推荐的机会。购买后的信息应当回到建设团队，但只能在它确实说明问题的范围内使用。

当助手开始代为行动

另一家零售商的产品说明，让下一道边界变得具体。在2026年9月25日读取的Amazon官方介绍中，Alexa for Shopping的定时动作可以按条件通知用户或把商品加入购物车，随后由用户检查并结账；另列的Buy for Me则可对符合条件的商品代为完成购买。⁴ 这是零售产品能力对照，材料没有证明它属于FDE交付项目。

提醒、准备购物车和代为付款的授权边界不同，运行机制已在第16章讨论。零售还多一个不能省略的对象：卖家。同名商品由不同商家出售，可能有不同配送、退货与服务条件。顾客同意某一件商品，不应被当作同意任意卖家的一笔交易。

在沙发床教学情境里，助手若因佣金或促销优先展示一个卖家，就应让经营团队能够解释这一排序依据，不能把商业偏好包装成“最适合”。缺货后自动换成另一卖家，价格即使相同，送装服务也可能改变；需要重新呈现受影响条件，不能只保留旧商品名。

因此，推荐后的回路应连到售后原因。若顾客反复因为展开尺寸不符而退货，团队先核对字段缺失、使用时的资料版本与推荐依据，再决定改商品资料、改比较规则或暂停该品类。不能只把退货率下降交给客服，也不能为了保住转化数字隐藏“不建议购买”。

购物助手与服务助手，面对两类事实

OTTO在三月公告里区分了两项产品。购物助手以Google技术支持商品咨询，服务助手则由内部开发，接入已有服务系统，处理订单、配送、退货和发票等请求，复杂问题交给员工。² 这一区分比“公司上线了AI客服”更能说明实际工作。

商品咨询主要面对可供比较的商品资料；查询一张具体订单，则要确认来访者能否查看它。说明通常有哪些服务，与改变一个人的订单状态，也有不同责任。即使将来合并在同一个对话入口里，这些边界依然存在。

从顾客一侧看，他希望公司认识同一笔购买，避免重复解释。从运营一侧看，需要让适当的团队接收适当的问题。它们并不矛盾：统一入口可以减少寻找渠道的负担，内部仍可以让不同能力处理各自有权限的工作。入口统一和责任统一，不应被当成同一项技术决定。

服务效率也不能仅看“没有转人工的比例”。一个助手让顾客多次重复、最终放弃，看起来减少了人工工单，却没有解决问题。反过来，及时识别复杂情况并把必要信息交给人工，虽然增加了接手人数，却可能缩短整体等待并减少重复联系。

因此，售后助手与购物助手需要不同的观察终点。前者要看问题是否妥善解决、有没有再次联系、转人工是否带齐材料；后者要看是否帮助顾客找到合适候选、完成知情选择，并在之后保留购买。把两者统一成“会话量增长”，会把更好的服务和更多未解决的问题混在一起。

还可以把问题向前追一步。假设一家教学商店反复收到“退款到哪里了”的咨询，团队既可以训练助手更快答复，也可以查清退款状态为何迟迟不显示。若问题来自状态更新和到账解释不清，修好它们以后，顾客可能根本不需要发起会话。此时咨询量下降，恰好可能是服务改善。

FDE若只围绕“怎样让助手处理更多请求”工作，就会遗漏这条更短的路。项目应该允许改变解题方式：让业务负责人比较修复原流程与增加自动答复的成本，观察重复联系和未解决事项是否一同减少。软件最有价值的成果，有时是让一种原本需要软件应付的麻烦消失。

购物体验怎样连接经营结果

评价购物助手时，平均订单金额高可能有不同解释：顾客可能得到了更充分的咨询，也可能是愿意使用某个入口的人本来就在考虑价格更高的商品。

可以从不同的购物任务理解后一种可能。买一件熟悉的小物品，顾客可能直接搜索并下单；购买大件家具，顾客更愿意花时间谈空间与用途。即使助手没有改变任何人的预算，两种入口的平均订单金额也可能不同。比较不同入口时，需要检查购物任务是否相似。

要判断某个入口是否创造新增价值，需要知道谁被比较、买的是什么，以及在怎样的条件下完成。

还要区分分母。平均订单金额通常围绕已经形成的订单讨论；转化率需要明确是以访问、会话、用户还是符合条件的购物任务为分母。若只看下单者，放弃购买的人就消失了。一个平均订单金额更高的入口，可能卖出了更多，也可能只是只剩少数大额订单。

为帮助理解，用一组明确的教学数字。两组各有一百次可比购物机会，甲入口产生十笔、每笔一百元，合计一千元；乙入口产生五笔、每笔一百五十元，合计七百五十元。乙的平均订单金额更高，总金额却更低。这不是OTTO数据，也不预测它的结果，只说明几种指标不可互换。

把这两组各100次机会一直跟到退货结束，再算一笔教学账。甲的10单中退1单，保留收入900元；乙的5单中退2单，保留收入450元。假定保留交易的商品毛利率均为30%，价格已扣优惠；退货商品全部可再次销售，不另计减值。每笔发出的订单履约成本8元，每次退货处理10元；该批客服成本甲20元、乙30元，乙另有25元AI费用。没有把这些费用藏进商品毛利后再扣一次。

这不是公司净利润，算例数字也不是OTTO数据。乙的客单价依旧更高，净贡献却低140元。在这组教学假设下，经营负责人可以先暂停扩大乙入口的品类范围，检查推荐后退货的原因；技术团队需要知道，下一步要修的是尺寸与卖家条件，还是不值得继续增加对话。

这个决定也可能随着条件变化而改变。假定另一组敏感性分析中，甲仍按前表计算为160元，乙每100次机会获得8单、只退1单，其他单价及客服和AI费用不变：保留收入1050元，毛利315元，扣64元履约、10元退货、30元客服和25元AI后，净贡献186元，超过甲的160元。若乙只获得7单且退1单，其他条件仍不变，净贡献149元，仍未超过。扩大决定由这些明确条件改变，而不是由“大家更愿意聊天”改变。

购物机会到净贡献的交易包保留15笔合成订单的去向、成本口径和两种敏感性。可以据此复算，也可以质疑30%毛利或固定客服费用的假设。真实业务有不同品类、成本档位和退货周期，取得真实记录后应替换假设，不能拿示范答案充当试验结果。

若条件允许，可以让可比较的用户按预先设定的方式接触不同入口，观察同一时期、同类任务的购买与后续情况；也可以先按品类和新老用户分析，清楚说明仍未排除的差别。这样的研究设计需要实际实施，本书没有替OTTO补出一项未公开的试验。

此外，集团整体的增长不能替单一助手作证。Otto Group在2026年5月的经营叙述里，同时讨论商品扩展、市场平台国际化和服务。⁵ 这些变化可能共同影响购买。要评价FDE的贡献，还需更进一步区分模型能力成熟、客户自身工程、商品运营与现场协作，不能把全部结果归给一个岗位。

Walmart：把购物入口与公司治理放在一起看

2025年6月6日，Walmart宣布顾客可从当周开始，通过其应用中的“Ask Sparky”按钮使用购物助手，查找商品、汇总评论并比较选项。同一公告把自动补购、预订服务与更广的多模态能力写作后续方向。⁶ 这是一条零售商自有产品路线，没有材料证明该项目使用FDE组织，亦不能用当年的计划推定今天每项功能已经开放。

其项目选择有一个具体特点：入口放在原有购物应用中，解释连接既有商品与顾客任务。外部聊天工具也能生成派对方案，但如果推荐后还要重新核对商品、卖家和配送，它没有完成相同的购物工作。零售商拥有交易入口，可以减少这段跳转；能否真正减少放弃、错误选择和售后问题，则仍需沿实际交易观察。

Walmart在FY2026的数字信任披露中，把AI、隐私与信息安全监督交给董事会审计委员会，并说明维护获准内部AI工具清单、进行合规检查及评估对个人有较高影响的AI系统；隐私控制则要求贯穿产品和业务流程。⁷ 这是公司制度披露，不是Sparky每次推荐的审计记录，也不能据它保证某次购买必然正确。

把这套制度与购物任务接起来，现场工程师就有了几项明确的交付问题。外部商品评论可以帮助解释体验，但不能带来修改顾客账户的权利；内部批准的工具清单，也不意味着清单中每个工具都可获得所有交易资料。项目需要在具体动作上说明允许读什么、改什么，由哪个业务方确认，并让异常能够进入现有支持流程。

这些是本书提出的检查，公开材料没有披露Sparky完整的执行权限。以买沙发床为例，助手可以解释尺寸，尚不能因为顾客说“这款不错”就替他决定卖家、服务与支付。在治理层确定总体政策之后，接口和界面还要保留这一步知情选择；否则，制度很完整，产品仍可能越过顾客的意思。

两家公司因此提供了不同的观察位置。OTTO材料展示共同工程与购物任务，适合追问效果怎样测；Walmart材料给出自有购物入口和企业治理，适合追问能执行的范围怎样落实。两份材料不能拼成彼此的效果证据。

零售竞争力可能来自把发现、选择、支付和履约接得更紧，而不是回答比别人更像人。如果助手减少了顾客需要重复确认的工作，又保留价格、卖家与授权条件，这项整合便有可检验的价值。若只使顾客更快走入一笔不合适的交易，转化增加仍可能消耗信任。本次原始材料没有提供可归因于Sparky的净收益，本章据此保留机制判断，不给它附上一项无出处的成绩。

看不见的零售知识，要有人持续维护

当助手开始服务顾客，后台多了一种劳动：决定什么内容值得被可靠地解释。

某个品类为什么经常被退回，顾客常把哪两个尺寸看错，什么配件需要另购，哪些服务只覆盖部分地区——这些问题不是模型参数表能够回答的。它们来自商品、订单和服务中的具体经验，需要由有责任的人确认，再转成可用资料和合适的工作方式。

OTTO在2026年7月30日介绍的AI Ninjas计划，从另一个角度呈现了内部能力建设：学徒和双元制学生——同时在学校学习、在企业实践的学生——学习工具，也学习流程分析与衡量效果，并与业务部门共同开发应用。⁸ 这是集团内部培养计划，材料没有证明它由购物项目的FDE带来。它提醒我们，客户自身也在建设连接业务与技术的能力。

对FDE合作而言，这是一项重要条件。若只有外部工程师能够理解哪些反馈值得改，系统离开项目期以后就容易停滞；若客户拥有能描述问题、整理验证材料并判断结果的人，合作更容易围绕具体缺口展开。零售业务变化频繁，持续更新通常比一次完美展示更重要。

与此同时，也不能要求每位品类人员变成工程师。可以让业务人员提交真实困惑及正确判断的依据，技术人员维护处理流程，产品负责人安排改动范围。分工清楚以后，反馈不会只剩一句“推荐不准”，也不必把专业知识全部压成工程团队才能修改的代码。

后台还有一个容易与顾客利益发生冲突的选择：推荐应当优先满足什么。相关性、价格、库存、商家经营目标和促销安排，可能指向不同商品。系统不能靠自然语气掩盖这些取舍。对顾客有影响的推荐依据应当能够说明，经营团队也需要为规则负责。

这不是要求商家放弃销售目标，而是把销售目标放在可持续的服务关系中考虑。如果最容易提高短期订单金额的推荐，总让顾客事后后悔，短期成绩可能是在消耗长期信任。反过来，帮助顾客明确“不需要更贵的型号”，当次金额未必更高，却可能完成一次更好的咨询。

从一个零售商，能够带走什么

OTTO的材料提供了一个观察窗口：有早期试验、客户与供应商的角色记录和分阶段开放。它主要是参与方的陈述，不能据此推定长期经营收益，更不是全球所有零售品类的统一答案。

对其他零售商，有价值的起点是找出顾客在哪一步真的需要帮助。补货型购买可能更适合简洁搜索和快捷操作；复杂、低频、需要解释的商品，可能更需要对话。

实施时也可以从有限品类开始，让商品知识和服务责任有清楚的主人。先证明建议有根据、选择可核对、交易接得住，再观察购买后的结果。增加语言、品类和动作权限，都应带来相应的资料与验证工作，而不只是把入口向更多人打开。

更好的零售经营，要沿着选择、购买、履约和服务继续看：互动次数、订单金额与最终收益需要分别衡量。FDE真正接近的，是这条连续的工作，而顾客最终评价的，是自己是否买到了合适的东西。