AI颠覆指数:零售与电商篇
了解零售与电商品牌在AI变革浪潮中所处的位置,以及增长领先者如何调整营销策略以赢得先机。
身处“被突破象限”的零售业
自满的鸿沟
各行业的高级营销负责人都已预见到这股浪潮的到来。在BCG x Moloco于2025年10月针对15个垂直行业283位高管开展的调查中,67%的受访者预计AI将对其消费者旅程带来高度颠覆性影响。而零售业领导者的看法却不同:只有36%的人对此表示担忧。
这一差距远不止于整体情绪层面。
在被具体问及代理式商务(agentic commerce)时:
23%
的零售业领导者表示严重担忧
15个百分点,低于各行业平均水平(38%)
在被问及AI接管核心服务时:
5%
的零售业领导者认为存在高风险
20个百分点,低于各行业平均水平(25%)
关于本研究
本报告综合了2025年6月至10月期间与波士顿咨询集团(BCG)合作开展的多种研究方法所得出的洞察。
定量调查
来自17个垂直行业、5个地区的283位营销负责人(副总裁/C级高管),所代表企业的营收规模从5000万美元到100亿美元以上不等。
专家深度访谈
来自各关键垂直行业领先企业的15位高级高管(副总裁/C级高管)。
绩效分析
基于3000多款应用、超过2000亿次下载的应用表现数据,分析留存率、参与模式与获客渠道(Moloco/Sensor Tower/Semrush)。
零售业不仅仅是对AI颠覆保持冷静,它是本次研究中最为淡定的行业。
BCG x Moloco消费者AI颠覆指数却讲述了一个不同的故事。该指数从两个维度对各垂直行业进行评分:AI能在多大程度上绕开(去中介化)客户关系,以及当前这种关系的牢固程度。零售业与旅游、新闻业一同被归入“被突破”象限。如今,购物者可以直接向智能体咨询推荐、比较选项并完成购买,而无需访问零售商的网站。
关于本研究
本报告综合了2025年6月至10月期间与波士顿咨询集团(BCG)合作开展的多种研究方法所得出的洞察。
定量调查
来自17个垂直行业、5个地区的283位营销负责人(副总裁/C级高管),所代表企业的营收规模从5000万美元到100亿美元以上不等。
专家深度访谈
来自各关键垂直行业领先企业的15位高级高管(副总裁/C级高管)。
绩效分析
基于3000多款应用、超过2000亿次下载的应用表现数据,分析留存率、参与模式与获客渠道(Moloco/Sensor Tower/Semrush)。
零售业拥有切实的资产:履约网络、忠诚度计划、第一方数据。但这些资产并不会改变风险暴露评分。要么是零售业领导者看到了该指数未能捕捉到的因素,要么颠覆将在紧迫感形成之前就已到来。
“发现”环节尚可自保,“服务”环节暴露无遗
如果“发现”是主要的风险暴露环节,这种自信也许说得通。但数据显示情况恰恰相反。
该指数将AI颠覆拆分为两个维度:“发现颠覆”衡量AI如何重塑客户找到你的方式,“服务颠覆”则衡量AI能否取代你实际提供的服务。零售业的得分呈现出一种令人不安的反转。
按颠覆风险划分的零售流量来源
低
中
高
关于本研究
本报告综合了2025年6月至10月期间与波士顿咨询集团(BCG)合作开展的多种研究方法所得出的洞察。
定量调查
来自17个垂直行业、5个地区的283位营销负责人(副总裁/C级高管),所代表企业的营收规模从5000万美元到100亿美元以上不等。
专家深度访谈
来自各关键垂直行业领先企业的15位高级高管(副总裁/C级高管)。
绩效分析
基于3000多款应用、超过2000亿次下载的应用表现数据,分析留存率、参与模式与获客渠道(Moloco/Sensor Tower/Semrush)。
零售业近一半的流量(48%)来自直接访问,即购物者未经过其他触点、直接进入网站。另有23%的流量来自受AI颠覆高风险影响的渠道,包括SEO、展示广告和付费搜索。这一比例明显低于更依赖付费搜索的行业,如新闻业(风险占比39%)和健康与健身行业(风险占比40%)。旅游业则处于不同的位置:其高风险流量占比同样较低(26%),但由于直接流量占比更低(40%),可用来吸收损失的缓冲空间更薄弱。
对零售商而言,服务颠覆则是另一番景象:
关于本研究
本报告综合了2025年6月至10月期间与波士顿咨询集团(BCG)合作开展的多种研究方法所得出的洞察。
定量调查
来自17个垂直行业、5个地区的283位营销负责人(副总裁/C级高管),所代表企业的营收规模从5000万美元到100亿美元以上不等。
专家深度访谈
来自各关键垂直行业领先企业的15位高级高管(副总裁/C级高管)。
绩效分析
基于3000多款应用、超过2000亿次下载的应用表现数据,分析留存率、参与模式与获客渠道(Moloco/Sensor Tower/Semrush)。
AI已经能够复制零售业的核心工作流程,从产品比较、功能说明,到兼容性检查,乃至越来越多地涉及结账环节。监管壁垒所能提供的保护可能十分有限,因为完成这些任务所需的数据大多是可获取的。大语言模型(LLM)中的代理式商务模式正在直接威胁通用型电商平台,而只有拥有深厚忠诚度生态、第一方数据和履约能力的零售商才具备可防御性。
问题在于,应对措施与风险暴露程度并不匹配。只有32%的零售业领导者将在LLM上进行SEO优化列为优先事项,只有55%的人正在构建内部AI能力,这两项比例均低于跨行业平均水平。86%的人将第一方数据采集列为优先事项——这本是服务层防御的基础,但却未能将其与所要应对的威胁联系起来。构建这些能力的基础模块已经具备,但组装它们的紧迫感却尚未形成。
差距已然显现
来自Google和OpenAI的协议正在推动智能体与商家之间交易的标准化。让AI智能体发现库存、核实信息并完成购买的基础设施已经上线,如今有30%的消费者表示,他们愿意让AI代表自己进行购买。
体验层面的差距揭示了这一切将走向何方。一位购物者向智能体询问一款适合小户型公寓、且线材管理良好的站立式办公桌。智能体为其详细介绍承重能力、高度范围和组装难度,双方最终敲定一个推荐方案。然而,当购物者点击进入产品页面后,看到的却是一张静态的规格表、按时间排序的评论,以及一个角落里几乎无人使用的聊天窗口。他们刚才经历的对话充满智能,而落地后的体验却要求他们从头再来。
一位零售业首席营销官(CMO)这样描述这一转变:
"最初的点击[跳转至我们网站的点击]并没有发生,因为[消费者]已经[直接从AI概述中]获得了他们所需的信息……
我认为,颠覆程度最高的会是漏斗顶端……但说实话,这其实是全漏斗式的颠覆,因为即便是在漏斗底端……那段旅程同样正在被颠覆。"
真正的风险并不是购物者不再访问零售网站,而是他们抵达时决定已经做出,零售商则被降格为单纯的履约方。
他们尚未善用的资产
如果服务颠覆才是真正的风险所在,那么自然要问:零售商是否拥有某种结构性优势?答案是肯定的,但大多数人都没有加以利用。
ChatGPT服务于每一个垂直行业、每一位购物者、每一次查询。“广度”本身就是它的产品。这既是一种优势,也是一种局限:当你在所有品类上进行优化时,通用型模型的经济性并不支持在任何单一品类上深耕。
零售商所遵循的是一套不同的逻辑。你掌握着购买之后的真实情况:退货、客服工单、履约异常。你知道当两款特定产品被一起购买时,退货率会飙升——这是一种任何评论都不会提及的组合不兼容问题,因为你是从成千上万笔交易中看到了这一规律。你知道某款“通用型”智能家居中枢与Ring第二代门铃存在连接问题,因为你看到了客服工单。你知道哪款床垫真正适合有背痛问题的侧卧者,因为你追踪了哪些产品会被退回。
这正是该指数将零售业列为“具备可防御性”的驱动因素之一。第一方结果数据揭示了什么才是真正有效的,而不只是规格表上宣称应该有效的。
但“具备可防御性”并不等于“已经被防御”。一位首席营销官直言不讳地承认了这一差距:“我们目前甚至都没有客户数据平台。我们的客户数据分散在各种不同的系统里……没有它,我们其实无法真正使用基于AI的再互动工具。”
不同品类的“编码”方式各不相同。一家家居用品零售商将退货规律转化为“这两款产品不太搭配”的提示,在购物者将两者同时加入购物车之前就予以提醒。一家电子产品零售商将客服工单转化为“已知兼容性问题”,在购物者做出错误选择之前予以提示。一家家具网站将行为序列转化为引导式入口,把200个结果精简为4个。
这些做法都不再只是提供库存,而是开始提供智能。购物者之所以会回来,是因为这个网站理解了他们真正需要的东西,而不只是他们输入的关键词。这正是零售业走出“被突破象限”的方式。
领先者如何持续放大优势
仅仅拥有数据是不够的。只有当站内与站外协同运作为一个统一系统时,优势才会持续放大。
站内是进攻
在站内,你掌控着体验,并持有他人无法获取的数据。目标是培养出足够牢固的使用习惯,让你最优质的客户完全跳过智能体。当帮助在摩擦发生的那一刻主动出现,而不是被动等待在聊天窗口里;当它消解不确定性,而不是增加操作步骤时,购物者会察觉到这一点。起初或许并非有意识地察觉,但在经历几次问题被提前预判的体验后,他们便会开始直接前来。
站外是防守
在站外,购物者在到达你的网站之前,考虑清单就已经形成。目标是保持可见性,同时避免被商品化。可以自由分享产品属性,这些不过是入场基本条件;而由结果得出的洞察则应有选择地分享——只给出结论,不透露底层数据。要保护好那套能持续生成这些洞察的系统。
这两条战线相互促进。智能体交互所呈现出的意图数据,是点击流数据永远无法捕捉到的:明确的预算、时间线、使用场景、品牌偏好。这些信号可以回流到站内个性化中,以能够让购物者下次有理由直接前来的方式改善体验。
同一套商品目录结构支撑着这两条战线,同一份结果数据也让两者都具备差异化优势。将其视为“一种能力、两种表现形式”的零售商,将比那些把工作分散在各自为政的团队中的竞争对手更快地放大优势。
零售业的客户关系数据表明,这一基础已经存在。获客能力较为稳固——约60%的零售应用安装来自自然流量,与跨行业平均水平大致相当,这也说明大部分流量已经是“赢得的”而非“买来的”。用户忠诚度维持在中等水平,头部零售应用从第7天到第30天的留存率约为三分之二,与跨行业平均水平相当,但落后于金融科技(FinTech)和媒体/流媒体等更强势的品类。
平台参与深度是提升空间最大的部分:该垂直行业中,应用内时长占比仅为63%,而跨行业平均水平接近68%,这正是媒体投放能够加速推动该策略的地方。如果AI如预期那样压缩付费搜索和程序化展示等发现渠道,那么将预算转向你能掌控关系的场景——尤其是移动应用——将有助于强化直接使用习惯,让站内优势更加持久。具备可防御性的原材料已经具备,问题在于:能否在窗口关闭之前,把它编码进体验之中。
学习窗口期
的零售营销负责人表示,他们正优先推进第一方数据采集
预计将出现高度颠覆
认为存在严重的服务被接管风险
关于本研究
本报告综合了2025年6月至10月期间与波士顿咨询集团(BCG)合作开展的多种研究方法所得出的洞察。
定量调查
来自17个垂直行业、5个地区的283位营销负责人(副总裁/C级高管),所代表企业的营收规模从5000万美元到100亿美元以上不等。
专家深度访谈
来自各关键垂直行业领先企业的15位高级高管(副总裁/C级高管)。
绩效分析
基于3000多款应用、超过2000亿次下载的应用表现数据,分析留存率、参与模式与获客渠道(Moloco/Sensor Tower/Semrush)。
有意愿却缺乏紧迫感,只会造成试点停滞、路线图延误、学习周期永远无法累积效果。
我们预计,经常进行实验的零售商将发现哪些商品目录属性能够预测转化、哪些干预措施能够赢得信任、哪些信号需要加以保护;而很少进行实验的零售商,则可能永远学不到这些经验。等到智能体推荐的流量占据相当一部分会话时,默认规则就已经被设定好了:智能体会推荐哪些零售商、信任哪些商品目录、依赖哪些数据。
这些默认规则,正在此刻形成。
2025年10月期间,BCG x Moloco消费者AI颠覆指数通过对五个地区238位高级营销负责人开展的定量与定性研究(需要说明的是,其中两个垂直行业仅参与了定性部分,未参与定量部分),并结合来自3200多款应用的应用表现数据,对17个面向消费者的垂直行业进行了评估。完整的Moloco就绪指南(Moloco Readiness Guide)中包含一项诊断工具,供希望评估自身商品目录结构、技术基础设施和组织协同能力的零售商使用。完整方法论详见‘AI颠覆指数:AI如何重塑消费者发现之旅’。
