瑞士資料擷取新創 Scandit 委託 Sapio Research，於2026年9月調查美國、德國、英國、法國、義大利、加拿大與波蘭共2,200名門市人員，結果顯示零售業的AI部署速度已明顯跑在實體店資料品質之前。受訪者表示，系統庫存紀錄與貨架實況一致的時間僅 46%，完全信任店內庫存資料者更只有 8%；準確率要超過70%之後，員工信任度才會明顯上升。
資料落差迫使第一線人員自行修補紀錄：49%會直接更正資料、44%會提出庫存調整，但採取行動者中有 42%繞過正式系統，68%使用紙條、群組通訊、手機照片等非正式工具，形成企業後台看不見的「影子商店」。
受訪者估計，若能取得可信資料，每週可回收 逾4.4小時，接近每年六個工作週。以時薪18美元計算，1萬名門市人員的零售商每年可能因此承擔逾 4,100萬美元成本；若外推至美國整體零售業，規模最高可達 220億美元。調查亦顯示，每週處理本應由科技回答的顧客問題耗時4.1小時，並平均每週親自查核商品是否備貨5.85次。
這項事件的核心並非AI技術本身不足，而是零售業長期採用的「總部決策、門市執行」資料架構，正在數位轉型後出現治理斷裂。門市人員面對的是真實貨架、臨時補貨、促銷活動與顧客詢問，總部系統保存的卻是經過人工輸入、延遲同步與既定流程處理的紀錄。當系統顯示有貨，現場可能已售罄；當後台缺少後置庫存，第一線便只能以紙條、私人照片或口耳相傳維持營運。
「影子商店」因此不是員工抗拒科技，而是員工對失準系統的理性繞道。這種非正式紀錄讓現場得以運作，卻也使AI、儀表板與自動補貨系統建立在不完整、甚至相互矛盾的資料之上，形成「用不可靠資料訓練更依賴資料的系統」的惡性循環。值得注意的是，零售業過去的營運典範著重集中管控，AI卻要求即時且高精度的現場回饋，資料權責必須由單向傳遞轉向即時校準。
技術導入方式也構成關鍵差異。參加試用計畫者使用各類門市工具的比例達 74%，高於事前僅被徵詢意見者的61%；試用者中有50%高度信任庫存資料，完全未諮詢者僅25%。這顯示員工參與不是形式主義，而是決定科技能否被採用的基礎變數。Scandit本身以視覺AI提供條碼、文字與物件辨識工具，既是解決方案的提供者，也是研究發布者，因此其商業利益與議題設定仍需由其他業者與消費者資料交叉檢驗。
這類調查與早期零售電腦化初期有相似之處：當POS與企業資源規劃系統問世，業界曾預期資料會自然改善；實務上，流程標準化與現場紀律才是決定成效的關鍵。AI帶來的新風險是，演算法會把既有錯誤快速放大到補貨、定價與行銷層級，使「看不見的庫存錯誤」轉化為可見的營收損失。
01 起因觸發：2,200名跨國門市人員揭露系統庫存與貨架實況僅有46%一致
02 一階傳導：零售商須重估補貨、盤點、促銷與AI需求預測的資料基礎
03 二階擴散：電腦視覺、條碼掃描與POS、ERP即時整合需求上升
04 三階傳導：門市人員工作內容由資料修補轉向例外管理與顧客服務
05 宏觀終局：零售資料治理能力成為競爭門檻，中小零售商面臨進一步集中壓力
領域延伸情報推薦 相關延伸研讀
依主題領域自動關聯之高參考價值外電情報
