智能体AI购物体验正在成为主流,企业现在需要考虑AI平台访问数据如何影响人类购物体验。
Vitamin Shoppe公司执行副总裁兼首席运营官Andrew Laudato表示,这将推动网站设计新方法的诞生。
在本月初的全国零售联合会大型展览会上,Laudato说道:"对于人类用户,你需要精心策划产品组合和内容,只提供他们需要的东西让他们完成交易。而另一方面,AI需要按地点实时提供非常清洁的履约和库存数据。"
零售商将希望确保数据清晰准确,为智能体做好准备。然而说起来容易做起来难——相关数据可能来自任意数量的来源,这取决于AI寻找的信息类型。
虽然整个过程复杂,但为AI未来准备数据的第一步是让数据变得清洁和可访问,Laudato表示。
"抱歉,你已经听过100次了,但你必须把数据搞对,"Laudato说。"数据必须丰富,必须清洁,必须放在可以被消费的地方。"
Laudato认为,信息还需要涵盖交易的每个潜在要素。智能体不仅需要知道哪些产品有库存,还需要了解可能适用于订单的特殊优惠以及可用的支付系统。
Laudato表示,识别数据的过程只是起点。企业需要考虑呈现数据的格式以及允许或阻止哪些机器人访问其网站。
Aptos公司战略和产品副总裁Nikki Baird表示,无论零售商是准备设计自己的AI平台还是准备与第三方合作,都有大量基于数据的工作要做。
从历史价格到物理位置的详细信息对任何AI应用都是关键,无论是帮助客户下在线订单还是确保门店运营顺利进行。
Baird在全国零售联合会展览会期间接受CX Dive采访时说:"你需要引入库存,需要了解库存在哪里。你需要理解促销价格变化,以及促销何时到期、常规价格何时重新生效。"
Baird表示,大多数公司都在使用多个相关数据源,每个数据源最适合特定查询。如果AI需要当前定价信息,销售终端数据很好用,而历史数据最好使用销售审计信息。
当客户自己的数据与其查询相关时,CRM系统可能掌握答案。
Baird说:"你必须在任何给定时间点为使用的数据源附加正确的上下文。说我只有一个真实版本,所有数据都会在这里是不现实的。"
Baird表示,零售商需要理解其数据点如何组合在一起的细微差别。无论AI是代表客户购物还是帮助员工回答问题,技术都需要访问与当前任务相关的信息。
前方的工作量可能看起来艰巨,但即使是最大的参与者也刚刚开始AI部署。
Laudato引用了11月的Harris Poll调查,发现40%的购物者在节日礼品购买过程中使用AI工具。然而,虽然该技术在产品发现和信息收集方面很受欢迎,但很少有人让智能体代替他们完成购买。
Visa北美产品高级总监Jack Hilger表示,这表明消费者刚刚开始对该技术感到舒适。
Hilger在会议期间说:"没有人错过AI列车。我认为在让消费者对智能体感到舒适以及让生态系统准备好支持智能体方面,我们还有很长的路要走。"
Q&A
Q1:智能体AI为什么需要清洁准确的数据?
A:智能体AI需要实时访问清洁的履约和库存数据来提供准确的购物体验。数据必须涵盖交易的每个要素,包括产品库存、特殊优惠、支付系统等信息,确保AI能够做出正确决策。
Q2:零售商如何为智能体AI准备数据?
A:零售商需要确保数据丰富、清洁且易于访问。还要整合多个数据源,包括销售终端数据用于当前定价、销售审计信息用于历史数据、CRM系统用于客户数据,并为不同数据源附加正确的上下文。
Q3:目前消费者对智能体AI购物的接受度如何?
A:调查显示40%购物者在节日购买中使用AI工具,但主要用于产品发现和信息收集。很少人让智能体直接完成购买,表明消费者刚开始对该技术感到舒适,市场还有很大发展空间。
好文章,需要你的鼓励
英国国家医疗服务(NHS)正将无人机纳入常规医疗物流体系。自今年2月起,无人机每天在雷恩斯公园和圣乔治医院之间运送血液等诊断样本,飞行仅需3分钟,比公路运输快约85%,且碳排放减少高达98%。目前已有逾2000名患者受益。NHS计划将该服务扩展至圣赫利尔、克罗伊登等多家医院,最终惠及约180万名患者。该网络由英国医疗初创公司Apian与谷歌旗下Wing合作运营。
AgentLens是Explyt公司联合俄罗斯学术机构开发的AI编程助手评测基准,通过分析完整人机交互轨迹而非仅看最终结果,从五个维度评估代码智能体的真实表现。
边缘AI计算厂商Aetina宣布,将在其DeviceEdge AIE-KT风冷系列和新款AIE-PT无风扇平台上支持英伟达全新Jetson T3000和T2000模块。T3000基于Blackwell GPU,最高提供865 FP4 TFLOPS算力,功耗70W;T2000则提供400 FP4 TFLOPS,面向视觉AI代理和自主移动机器人等场景。两款模块预计2027年第一季度上市,支持Nemotron、Cosmos 3等英伟达AI软件生态。
韩国梨花女子大学提出Splash框架,通过识别AI模型中的"休眠参数"并只在其中训练触觉能力,让小型多模态AI在学会感知材质触感的同时,完整保留原有视觉语言推理能力。