生成文案、整理報表、摘要會議紀錄，AI 已經進入零售團隊的日常。NVIDIA 2026 年調查顯示，47% 的零售與消費品企業已開始使用或評估 Agentic AI；但 McKinsey 同期調查發現，71% 的零售商品與品類管理人員認為現有 AI 工具對業務影響有限。落差不在模型能力，而在 AI 完成一個步驟後，資料、判斷與系統操作仍要靠人一段一段接力。本文從這個落差出發，觀察品牌要讓 AI 真正進入工作流程，需要先接起哪四項基礎。
生成文案、整理報表、摘要會議紀錄，AI 已經進入零售團隊的日常工作現場。但許多團隊也逐漸發現另一個問題：一個步驟變快了，整項工作不一定跟著變快。
當任務需要取得資料、套用品牌規則、跨系統操作設定，再交由不同角色確認時，即使其中幾個步驟已經交給 AI，人員仍要負責把資料、判斷與系統操作一段一段接起來。企業開始導入 AI，真正的營運影響卻還沒有同步發生。
零售業 AI 導入現況：為什麼用了成效卻還沒跟上？
因為多數品牌的 AI 還停留在加速單點任務，尚未真正進入整條工作流程。這個落差不是個別品牌的問題，而是產業的普遍現象。
根據 NVIDIA 2026 年零售與消費品產業調查，47% 受訪者已開始使用或正在評估 Agentic AI；其中 20% 已實際使用 AI Agent，另有 21% 預計在未來一年導入。
但 McKinsey 針對全球 114 位零售商品與品類管理人員的調查發現，71% 受訪者認為現有 AI 工具對業務的影響有限或尚未產生影響；61% 則認為組織對規模化應用 AI 尚未準備好，或只做好少量準備。
資料來源：NVIDIA、McKinsey；91APP 零售趨勢製圖
這個落差點出一個重要的轉變：企業下一階段需要解決的，已經不只是「有沒有 AI」，而是「AI 能不能真正進入工作流程」。
換句話說，問題已不是模型能力，而是 AI 完成一個步驟後，結果仍要由人員搬到下一個系統、補上品牌規則，再交給另一個角色確認。工具變多了，整項工作卻沒有因此變得更順。
AI 工具都上了，效率到底卡在哪裡？
效率卡在步驟與步驟之間的人工接力——資料搬移、條件輸入、系統切換與跨角色確認，這些工作 AI 都還沒有接手。以喚醒半年未回購會員為例，產出訊息只是流程中的一步。團隊要先確認活動目標與限制，取得會員與訂單資料，圈選符合條件的會員，再依消費紀錄與商品偏好分組。接著規劃各客群的溝通策略，準備活動與訊息，交由主管確認後執行；活動執行後，還要追蹤互動與回購表現，分析不同客群的反應，再調整分群條件、訊息內容與溝通時機，作為下一輪調整的依據。這類會員溝通如何從內容生成走向互動決策，我們在另一篇談 AI 如何改寫零售 CRM 的文章中有完整討論。
AI 即使把其中某一個環節從一小時縮短成幾分鐘，只要每個環節之間仍需要人工匯出資料、重新輸入條件、切換系統與確認結果，整項工作的效率仍然受到限制。
營運週報、檔期活動、廣告優化等工作，其實也面臨相同問題。從彙整電商與門市數據、比較目標與實際表現，到找出異常、整理洞察與提出後續建議，團隊還要持續追蹤改善行動是否落實。每一步都可能牽涉不同資料來源、分析方式、系統與負責人。
McKinsey 的調查顯示，零售商品與品類管理人員仍有 40% 的時間花在資料彙整、重複性報表，以及跨系統核對資料等低價值工作。真正佔用團隊時間的，往往不是某一個步驟做得不夠快，而是資料、判斷、執行與後續追蹤之間，仍需要反覆整理、搬移與確認。
所以，真正需要被重新設計的，不只是某一個 AI 功能，而是整條工作流程——這和我們在2026 零售新階段：從 OMO 到重新分工中觀察到的方向一致：當工具改變，組織的分工方式也需要跟著重新設計。
McKinsey 對 Agentic AI 行銷工作流程的研究指出，當 AI 應用停留在彼此分散的工具與試行計畫，產出數量可能增加，卻未必帶來整體效益。要讓一項工作真正往前走，AI 不只要產出內容，也要能在明確範圍內取得所需資料、理解任務條件，並接續處理後面的步驟。
這不代表把所有工作交給 AI 自動完成。策略判斷、品牌風險、預算、對外執行等重要節點，仍需要人員掌握。差別在於，人員不必再負責每一次資料搬移與系統接力，而能把時間留給判斷與決策。
導入 AI Agent 前，治理與權限該怎麼劃清？
核心是在流程設計階段就界定四件事：AI 可以取得哪些資料、承接哪些任務、在哪些節點需要人員確認、哪些行動必須由人員授權。Deloitte 2026 年企業 AI 調查顯示，接近四分之三的企業計畫在兩年內部署 Agentic AI，但只有 21% 已建立成熟的 Agent 治理模式。這表示治理不能等到 AI 上線前才補上，而要在工作流程設計時，就把資料範圍、角色權限與確認節點一起納入。
權限與確認點設定得越清楚，品牌越能放心讓 AI 承接更多步驟；反過來說，如果只追求讓 AI 做得更多，卻沒有界定行動範圍，任務越複雜，管理風險也會越高。
當 AI 開始圈選名單、準備活動或推進任務，治理與邊界管理就變得更重要：AI 可以取得哪些資料、承接哪些任務、在哪些節點需要確認，以及哪些行動必須由人員授權。
零售 AI 工作流程怎麼設計，AI 才能真正參與營運？
要讓 AI 從「回答問題」走向「協助完成工作」，品牌需要讓 AI 取得完成任務所需的資料，理解品牌的經營知識與規則，進入既有工作流程，並在品牌設定的權限與確認機制下推進工作。四項要素是 AI 參與營運的共同基礎：
- Data：取得會員、商品、交易與活動等資料
- Know-how：理解品牌經營知識、規則與組織規範
- Workflow：串接分析、規劃、設定與後續工作
- Trust：明確規範 AI 執行權限與工作範圍
這四項不是各自獨立的功能，而是同一項工作能否接續完成的共同基礎。少了資料，AI 無法掌握真實營運狀況；少了經營知識，建議容易流於通用；沒有流程串接，分析結果仍要靠人搬移；沒有權限與確認機制，品牌也難以放心擴大 AI 的任務範圍。
AI 能做多少，不只取決於模型能力，也取決於品牌能多清楚地界定它可以做什麼。當消費端已經開始走向 Agentic Commerce 的新消費時代，品牌端的工作流程能不能同樣被接起來，會是下一階段拉開差距的地方。91APP 也是基於這四項基礎，將零售與餐飲產業的經營知識、品牌自有數據與工作流程結合為 AgentOne，讓 AI 在企業授權下逐步參與日常營運。
常見問題
Agentic AI（AI Agent）和一般生成式 AI 工具有什麼不同？
生成式 AI 工具聚焦在單一步驟的產出，例如生成文案、整理報表、摘要會議紀錄；Agentic AI 則能在明確授權範圍內取得資料、理解任務條件，並接續處理工作流程中的多個步驟。根據 NVIDIA 2026 年零售與消費品產業調查，47% 受訪者已開始使用或正在評估 Agentic AI。兩者的差別不在模型能力，而在能否真正進入工作流程。
為什麼導入了 AI 工具，整體工作效率卻沒有明顯提升？
常見原因是 AI 只加速了單一步驟，而資料搬移、條件輸入、系統切換與跨角色確認仍靠人工接力。McKinsey 調查顯示，零售商品與品類管理人員仍有 40% 的時間花在資料彙整與跨系統核對等低價值工作。要看到整體效益，需要重新設計整條工作流程，而不只是替換單一工具。
品牌如何判斷自己是否已準備好導入 AI Agent？
可以從三個條件檢視：資料是否已經集中且可取用（會員、訂單、商品資料不散落在無法串接的系統）；經營規則是否能被明確描述（分群條件、檔期規範、品牌用語）；以及是否有明確的確認節點與負責人。三者都不具備時，建議先從資料整理與流程盤點開始，而不是直接導入工具。
導入 AI Agent 需要更換既有系統嗎？
不一定。關鍵在於 AI 能否在授權下取得既有系統中的資料、並把結果接回流程，而不是把系統全部換掉。實務上更常見的做法是先選定一條完整的工作流程試行，確認資料取得、規則套用與確認機制都能運作，再逐步擴大範圍。
AI Agent 的治理與權限該怎麼設計？
核心是在流程設計階段就界定四件事：AI 可以取得哪些資料、承接哪些任務、在哪些節點需要人員確認，以及哪些行動必須由人員授權。Deloitte 2026 年調查顯示，接近四分之三的企業計畫在兩年內部署 Agentic AI，但只有 21% 已建立成熟的治理模式——治理設計越清楚，品牌越能放心讓 AI 承接更多步驟。
哪些工作適合先交給 AI Agent 試行？
適合的起點通常是流程明確、規則可描述、結果可衡量的重複性工作，例如會員喚醒、營運週報彙整、檔期活動準備。這類工作的資料來源與確認節點清楚，容易建立導入前基準，也方便比較導入後在時間與品質上的實際變化，再決定是否擴大到更複雜的任務。
