报告概述
本报告基于2025年8月至9月对零售和消费品行业数百名高管的调研，系统分析了AI在该行业的部署现状与未来趋势。报告覆盖AI成熟度、业务影响、投资趋势、开源模型战略价值、代理式AI兴起、供应链弹性、实施挑战（如人才和数据）等核心议题。通过对比2024年数据，揭示了AI从实验转向规模部署的转折点，并提供了各业务线（电子商务、实体店、后台、供应链）的具体用例和投资方向。报告旨在帮助从业者理解如何优化AI部署以获得竞争优势。
报告的核心结论
AI部署从试点转向广泛落地，活跃使用率显著提升
58%的受访企业表示正在积极部署AI，较2024年的42%大幅增长16个百分点。同时，仅评估中的企业占比从47%降至33%，表明行业已跨越探索阶段，进入规模化应用期。大型企业（69%）的采用率高于小型企业（48%），但整体AI使用率已达91%。
AI同时驱动收入增长与成本降低，是可见的利润贡献者
89%的受访者表示AI帮助增加年度收入，其中57%实现5%以上增长；95%的受访者表示AI降低了年度成本，58%降幅超过5%。运营效率（52%）、客户体验（41%）和员工生产力（54%）是三大成果领域，验证了AI的双重价值主张。
开源模型成为AI堆栈的战略核心，灵活性需求上升
79%的受访者认为将开源模型和工具集成到AI堆栈中至少中等重要，其中48%认为非常重要。企业转向开源以利用专有数据定制模型、保持部署灵活性，并借助社区创新加速开发，避免被专有技术锁定。
代理式AI快速兴起，近半数企业已在使用或评估
47%的受访企业正在使用或评估AI智能体，20%已积极部署。代理式AI主要用于内部工作流自动化（59%）、知识管理与获取（59%）、辅助客户支持（48%）和个性化营销（48%），其自主推理能力能加速决策并提升客户体验。
AI显著提升供应链弹性，91%的企业实现成本降低
91%的受访者表示AI帮助降低了年度供应链成本（2024年为80%），其中51%聚焦运营效率与吞吐量，45%用于满足客户期望。物理AI（如数字孪生、机器人）虽处于早期（17%采用率），但被视为供应链转型的下一个前沿。
报告回答的关键问题
零售行业AI投资趋势如何？
投资势头强劲，90%的受访者预期2026年AI投资将增长，其中58%预计增幅超过10%。92%的高管计划增加AI预算，投资重点包括优化AI工作流与生产（36%）、发现新用例（33%）和培训员工（32%）。这一趋势由已验证的利润影响驱动，AI已从探索性支出转为战略性投资。
代理式AI在零售中有哪些具体应用？
代理式AI在零售中的应用已覆盖内外多个场景：内部工作流自动化（59%）、知识管理与获取（59%）、辅助客户支持（48%）、员工助理（48%）以及个性化营销和广告（48%）。此外，购物助理（41%）和目录扩充（42%）等客户导向应用也在增长。其核心价值在于自主处理多轮对话、实时监控数据流并根据业务规则采取行动。
AI如何帮助降低供应链成本？
91%的受访者表示AI帮助降低了年度供应链成本，主要通过优化运营效率和吞吐量（51%）、提升客户期望满足度（45%）以及增强可追溯性和透明度（38%）。具体技术包括需求预测（64%）、路线优化（36%）、内部物流仿真（33%）和机器人拾放（23%）。AI驱动的预测性维护和流程优化进一步减少了资本支出。
零售企业面临哪些主要的AI实施挑战？
今年最大的挑战是AI人才短缺（46%，较去年的31%大幅上升），其次是数据相关障碍（训练数据充足性降至13%，隐私问题降至18%）。此外，推理优化成为关键：41%关注成本效益与总拥有成本，35%重视延迟和准确性，32%考虑模型性能。企业需要平衡人才招聘、数据治理与推理效率才能规模化落地。
报告中的代表性数据
AI积极部署率
2025年（对比2024年42%），表示公司正在积极使用AI的受访者比例，同比增长16个百分点，反映从试点到规模化部署的转变。
AI对收入的正向影响率
2025年，受访者中表示AI帮助增加年度收入的比例，其中57%实现5%或更高增长。
AI降低供应链成本率
2025年（对比2024年80%），受访者中表示AI帮助降低年度供应链成本的比例，同比增长11个百分点，其中超半数下降超过5%。
以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。
完整报告包含什么
- 完整市场数据与趋势图表：包含AI成熟度曲线、投资增长分布、成本降低幅度等关键指标的逐年对比图表，直观展示行业变化。
- 业务影响与投资趋势深度分析：按企业规模、职能领域拆解AI的营收与成本影响，提供战略目标与达成成果的详细对比。
- 开源AI战略专题：深入讨论开源模型与工具在定制化、灵活性和社区创新方面的价值，并提供采用率按企业规模的分层数据。
- 代理式AI全景：涵盖AI智能体在五大商业目标、五大实施场景中的部署情况，包括使用率、计划部署率及与其他AI技术的对比。
- 供应链AI用例详解：从需求预测、路径优化到物理AI（数字孪生、机器人），展示各环节解决方案的采用率与效果。
- 实施挑战与推理优化：剖析人才短缺、数据成熟度等障碍，并从成本、延迟、性能等维度给出推理优化策略与注意事项。
- 行业细分与用例库：按零售与消费品细分领域（服装、电商、食品等）列出AI在电子商务、实体店、后台、供应链的具体用例及采用率。
- 未来展望与行动建议：基于调研结果，预测未来12个月的关键趋势（如代理式AI操作化、开源集成深化），并提供竞争定位指引。
- 调研方法说明：详细说明调查时间（2025年8-9月）、受访者构成（高管、经理、从业者）及细分行业覆盖范围。
本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。
