实体零售：技术的下一座堡垒
原文链接： Brick-and-Mortar Retail: The Next Bastion for Technology
作者： Shirlawn Capital
免责声明： 本翻译好的文章仅限于我自己阅读，不是转载和发布。
电子商务一直是取得伟大技术成果的天然温床——尤其是在 SaaS 时代。数字工作流在本质上数据丰富。更多的数据意味着有更多的解决方案来优化特定的结果。但是，在这个新的技术时代，我们不应忽视在实体零售业中推动更高效、更令人愉悦的结果的机会。
实体店销售仍然占美国零售交易总额的大约 84%。在 2024 年，美国人在实体店消费了 5.9 万亿美元——这一数字在 2025 年增长了 3.5%，预计在 2026 年将进一步增长 4%。美国有超过 100 万家实体零售店，雇佣了超过 1600 万人。无论以何种标准衡量，这都是美国经济中最大的部门之一。
为实体零售构建技术一直很困难，因为它本质上是一个以人为本的离线过程。因此，风险投资生态系统在过去十年中的大部分时间里都在资助那些优化 16% 在线零售业务的公司，而在很大程度上忽视了 84% 的面对面零售业务。但这种不平衡将在未来几年开始转变。
独立零售的差距
实体零售业的技术差距对较小的独立零售商的影响尤为严重。沃尔玛、塔吉特和好市多拥有复杂的数据基础设施、定制的库存系统和工程师团队。他们的供应链优化、库存决策、货架摆放等比普通零售商有效得多。
但是，美国有超过 100 万家实体零售店，绝大多数是小企业——49% 的小雇主企业员工少于 5 人。
这些经营者在拼凑的、互不相连的工具上运营他们的业务。普通的独立零售商在管理采购、商品销售、人员配备、簿记、营销和合规性时，基本上没有集成的技术栈。他们的“记录系统”通常是 Quickbooks、基本 POS 机和机构记忆的结合。
不想听起来像在老调重弹——但这正是一个市场的精确写照，在这个市场中，AI 从以前看起来无法获得风投的混乱中创造了可获得风投的结果。AI 使以前只有大型零售商在经济上才划算的工具民主化。
为什么传统零售技术存在不足
Gartner 预计，到 2026 年，全球零售技术支出将达到 3880 亿美元，其中与 AI 相关的投资每年增长近 25%。这些支出的大部分集中在市场顶端。企业级零售商向 Oracle 或 SAP 购买。中端市场连锁店使用 Block 或 Shopify POS 等平台。但即使是像 Block 这种对 SMB（中小型企业）友好的终端，也将其主要精力集中在高端市场。涓滴到真正独立零售商身上的，只是一台被剥离了高级功能的 POS 终端和一份支付处理协议。
针对 SMB 的传统零售技术的根本问题，与我在 AI and the Next Generation of Systems of Record 中描述的问题相同：这些系统组织数据，但它们不执行工作。传统的 POS 捕获交易数据。它记录卖了什么、什么时候卖的、卖了多少钱。但它不执行重新订购、对老化库存进行降价、针对本地竞争进行动态定价，或评估表现不佳的供应商。它也不起草采购订单、核对发票或生成销售税申报表。所有这些工作——经营商店的实际运营工作——仍然落在已经捉襟见肘的店主或小团队身上。
这很重要，因为独立零售商受到劳动力的严重制约。零售工人的工资稳步上涨，截至 2025 年 12 月，私营行业的薪酬同比增长 3.4%。美国全国零售联合会（NRF）预计 2025 年的季节性零售招聘人数为 26.5 万至 36.5 万人——这是 15 年来的最低数字。对于一家五人店来说，店主在后台任务上花费的每一个小时，都是没有花在销售大厅、客户身上或采购产品上的时间。在劳动力受限的系统中，这是高价值时间的流失。
AI 的影响
AI 重构了服务成本方程式，使得向年收入达到六位数的商店提供企业级功能在经济上变得可行。以下是这在实践中的样子：
- 需求预测和库存优化。 传统的需求规划工具需要干净的历史数据、专门的分析师和大量的配置。AI 可以低成本地过滤数据、分析数据并提出动态建议。在像特色杂货店这样 SMB 管理易腐库存的领域，这可能是 8% 损耗和 3% 损耗之间的差异。在 120 万美元的营业额上，那就是恢复了 6 万美元的利润。在这个例子中，零售商愿意为这样的解决方案每年支付低五位数的费用——这证明了在“销售工作，而不是软件”时代，平均合同价值（ACV）的扩张如何开辟了可构建的新市场。
- 自动簿记和合规性。 AI 智能体可以将每日销售额与银行存款进行核对、对费用进行分类、按司法管辖区生成销售税申报表并标记异常情况——独立零售商要么手动完成这些任务，要么每月付钱请会计师处理，要么干脆忽略不计。我们已经看到像 Rillet 和 Campfire 这样的公司在其他垂直领域做这件事；同样的模式也适用于零售业。
- 商品销售和定价智能。 计算机视觉和实时分析使零售商能够了解店内行为——客流模式、展示区的停留时间、产品类别的转化率——这些以前只有配备了仪器的仓储式大型连锁店才能获得。
- 供应商管理和采购。 独立零售商通常通过电子邮件、电话和纸质目录管理 50-200 个供应商关系。AI 智能体可以浏览供应商门户网站、比较批发价格、跟踪交货性能并生成采购订单。这正是传统的机器人流程自动化（RPA）永远无法可靠处理，但 AI browser agents 专为其构建的那种复杂的、基于 Web 的工作流。
在每一种情况下，AI 都极大地压缩了运营实体店的管理开销。它消除了阻碍小型运营商在真正重要的维度上——产品策展、客户关系和店内体验——进行竞争的行政劳动。
为什么（以及如何）是现在？
首先关于原因——数据基础设施终于到位了。像 Square 和 Toast 这样基于云的 POS 系统已经使独立零售商的数字交易捕获常态化。十年前，许多小商店仍然只有收银机。今天，绝大多数都会生成结构化的交易数据，AI 系统可以在第一天就摄取并从中学习。
此外，AI 推理的成本急剧下降，使得通过高频 AI 工作负载服务较小的客户在经济上变得可行。运行需求预测模型、通过 OCR 处理发票图像以及针对供应商门户网站执行智能体工作流——在 2023 年的推理成本下，所有这些都昂贵得令人望而却步。而在 2026 年的推理成本下，即使对于每月支付 500 美元的客户来说，它们也是可行的。这是一个值得普遍关注的趋势——较低的推理成本将扩大能够得到有效服务的人群的范围；零售业就是这种动态的一个很好的例子。
零售业规模庞大、结构分散、劳动密集且技术服务不足——这正是一个 AI 通过将以前对风投不可见的事物变得可获得风投，从而创造超额回报的完美画像。
对于创始人来说，切入点很重要。全栈平台不是一天建成的。剧本是为特定的零售子垂直领域挑选痛苦最高、频率最高的工作流——特色食品的库存、多州运营商的合规性、独立五金店的采购——并且执行得比店主手动做的更好。其他工作流将会随之而来。
从历史上看，零售 SMB 软件的缺点是 ACV 太低而流失率太高。AI 改变了这两个变量。当你的产品做的是工作而不是组织工作时，转换成本在结构上会更高——你不是在替换一个数据输入工具，你是在替换一个功能。工作比软件更有价值——即使对于 SMB，AI 的 ACV 也能攀升到五位数。由于美国有大约 50 万家员工少于 5 人的零售商，这代表着一个数十亿美元的收入机会，甚至在你还不需要向企业级客户销售之前。
这仍然是一个值得争取的奖项。
编辑：本文的早期版本错误地比较了 2024 年的零售量和 2026 年的零售量。该统计数据现已更新，以准确反映零售业的增长。
