【零售龍頭GenAI實戰：Walmart】Walmart全面擁抱GenAI，從內部工程到跨國供應鏈管理都優化

身為全球零售龍頭企業，Walmart導入GenAI有其包袱。Walmart主任資料科學家Michael Pfaffenberger說，他們必須維持高服務水準，同時面臨數據及開發規模龐大、成本控制不易，以及數據治理政策嚴格等挑戰。

不過，他們仍決心擁抱GenAI，早在2023年，就公布一系列以生成式AI為關鍵技術的零售科技發展計畫。內容包括用GenAI強化商品搜尋功能、摘要商品資訊及顧客評價、強化AR購物功能、發展互動式語音電商等。

2024年，Walmart CEO Doug McMillon在CES開場演說中宣布自家「適應式零售（Adaptive Retail）」戰略。目標是利用AI/ML及生成式AI技術分析顧客喜好，生成對應零售體驗，呈現於顧客各自偏好的場域。

疫情以來被奉為新典範的OMO零售模式中，零售業者綜合經營多種線上線下通路及訂單履行方式，包括傳統電商及語音電商、沉浸式電商、遊戲電商、實體門市等通路，以及宅配、無人機物流、線上下單線下取貨（BOPIS，Buy online pickup in store）等履行模式。

Walmart則將適應式零售視為OMO零售的下一步，要用科技來進一步強化OMO零售各面向，使零售體驗更個人化、商務模式更加多元彈性。

這意味著，Walmart的適應式零售大計中，他們必須全面升級自身能力與服務。要強化技術力，來處理超大量商品及會員資料，進而用科技提升顧客的個人化零售體驗。他們還需要加強供應鏈管理及訂單履行能力，來更快、更彈性的經營不同通路及訂單履行模式。

不只如此，從內勤到商務第一線人員，都需要增進效率，甚至學習新能力，才能提供適應式零售的種種服務。

Walmart用來全面自我升級的做法，正是廣泛且深入導入生成式AI。他們在自家AI開發平臺中打造GenAI應用實驗沙盒，讓技術人員自由探索應用。

他們還為非技術人員打造「GenAI遊樂場」，提供No-code開發工具，讓來自不同職能的員工都能自行實驗，如何用生成式AI來開發工具，解決自身業務需求。他們舉辦研討會，促使技術人員與非技術人員面對面交流知識、提供使用者回饋。GenAI工具後臺，也會蒐集使用情況及使用者意見，作為發展後續應用參考。

2025年的如今，Walmart不只早已實現2023年計畫的GenAI應用，還在自家AI開發平臺上打造調度多個LLM的機制，於不同應用場景中發揮模型各自特長。甚至，下重本用自家數十年零售數據自行訓練出「Wallaby」系列LLM，以在發展GenAI應用時，能用來生成更符合Walmart特性的內容。

Walmart的GenAI應用領域包括：顧客體驗、供應鏈管理、生產力提升，以及加速數據處理和IT開發。其中，與適應式零售最直接相關的，是顧客體驗應用領域。

GenAI應用領域1：顧客體驗

Walmart最先公布的GenAI顧客體驗應用，是零售業界常見但關鍵的應用方法，搜尋體驗強化。他們結合預測型AI及生成式AI技術，打造出「Ghotok」智慧商品分類與搜尋工具。

Ghotok會先用預測型AI來推測，商品在搜尋情境下可能隸屬的分類和用途。接著，用LLM進一步比對出最具關聯性的少數商品。

利用這個方法，Walmart電商能更好支援主題式商品搜尋，以及複雜條件的商品搜尋。傳統搜尋機制通常依據商品與搜尋關鍵字的相似度，不過用生成式AI強化搜尋能力後，系統能呈現出字面關聯性較低，但符合消費者潛在購買意願的商品。

Doug McMillon說，這不僅提升顧客搜尋體驗，更提升顧客消費意願，進而增加電商獲利能力。

他們還利用生成式AI摘要商品功能及顧客評價，呈現在商品頁面、GenAI聊天介面機器人、搜尋介面等不同接觸點。其中，聊天機器人Sparky更可以用自然語言進行商品問答、搜尋和比較，甚至主動根據顧客情況來追問問題，提供超級個人化的購物建議。例如，詢問客廳採光和主要觀看目的，根據顧客回答來推薦電視規格。

明年底，Walmart更計畫用生成式AI，替每一名顧客自動產生專屬電商入口網頁，而非僅僅重新排列組合版面元素。為此，他們已經打造出內容分析平臺，在顧客造訪線上通路時，先用預測型AI分析顧客行為，再用生成式AI產出對應內容。

不只傳統圖文電商介面，Walmart還將生成式AI用於其他非典型電商體驗。其中一例是語音購物。利用多語言、多模態LLM，他們打造出支援用語音對話來購物的功能，可以搭配過往顧客購物紀錄來提供個人化服務。

例如，只需要講「請把洗髮精加入購物清單」，系統就可以自動把顧客過往愛買品牌的洗髮精加入購物車。當購物情境發展到更適合其他媒介的情況，系統也可以將整趟購物流程轉移到電商App等其他介面。

多語言模型通常規模龐大，Walmart為了確保語音購物等體驗足夠即時，利用知識蒸餾法（Knowledge Distillation）來為模型瘦身，以達到毫秒級反應速度。

另一個非典型電商體驗則是AR購物。4、5年來，Walmart不斷收購和自建AR技術，還打造AR開發平臺「Retina」，打造家具和服飾的模擬試用、試穿戴等體驗。

近年他們更將生成式AI技術導入Retina，用來生成數千種3D素材。目前Retina已經支援10種以上的AR購物體驗，未來Walmart計畫搭配RPA、預測型AI與GenAI，打造出可以即時根據消費者預算、偏好主題等需求協助決策的購物助手。他們也用Retina開發出API，供外部開發者用來打造自己的沉浸式電商服務。

GenAI應用類型2：供應鏈管理

利用AI強化物流是大型零售商行之有年的做法，Walmart也不例外，他們早已打造AI地理空間平臺，利用 AI 分析商品、供應鏈、訂單履行能力、顧客特性等數據，來優化物流資源調度。生成式AI問世後，他們快速導入，進一步強化全球供應鏈管理的不同環節。

例如，強化物流需求預測，使AI能主動管理倉儲與運輸管理系統；即時監控智慧攝影機與物流效能，使AI掌控並調度倉儲自動化運作；即時偵測庫存失衡，快速調度商品到最需要的門市；追蹤門市、物流中心與線上通路庫存，確保資訊高度同步。其中，光是提升庫存資料同步率，就已經避免5,500美元成本損失。

不只用於提升物流環節效率，Walmart還利用生成式及代理式AI技術打造AI助理，分別給第三方市集商家及門市員工使用。門市員工用的AI代理可以分析SCM相關問題並提供建議，使非專業物流人員也能參與供應鏈管理。

第三方商家助手Wally背後技術則更加複雜。不同於一般LLM，可以用大量易取得的綜合語料來訓練，Wally必須使用大量Walmart內部商品和營運資料訓練。為了使模型能用最新資料支援供應商需求，Walmart還打造出一系列語意理解機制和資料處理演算法，使Wally快速理解Walmart不斷更新的內部資料，與複雜的供應商商業需求，進而找出所需資料，來回答問題。

Wally介面類似於ChatGPT，商家可以用自然語言與其對話。功能包括分析複雜資料、推測商品銷售表現的背後原因、回答營運面問題、聯絡客服、進行複雜數學運算與預測。甚至，可以主動尋找商家異常狀況背後的原因，例如商品缺貨或庫存過剩。

Wally是專為第三方商家設計的生成式AI助理，使用Walmart內部營運與商品資料訓練，可用自然語言回答營運問題、分析銷售數據，並主動尋找異常狀況原因，協助商家優化供應鏈與商品管理。圖片來源／Walmart

Walmart更利用生成式AI來加速自有品牌及合作廠商的產品開發周期，此工具名為Trend-to-Product，目前應用於服飾設計，未來預計擴大到化妝品、熟食等商品類型。

Trend-to-Product工具利用生成式AI快速收集潮流資訊並生成設計樣板，將服飾新品開發周期從半年縮短至兩個月。此流程未來將擴展至化妝品與熟食等領域。圖片來源／Walmart

系統會先用AI爬蟲，協助設計師蒐集網路上不同潮流資訊，將數周的研究時間縮短到數分鐘。接著，快速生成大量樣板，支援設計師與服飾品牌溝通。決定設計後，再生成完整生產規格，與工廠溝通。有了這個工具，新成衣產品開發自設計到上架，費時從半年降至短短2個月。

GenAI應用類型3：提升前線及內勤生產力

從第一線門市員工，到企業內勤，Walmart都打造生成式AI工具來增加生產力。為確保工具實用、易用，Walmart會積極鼓勵員工用No-code工具自行實驗真正有用的GenAI應用方法，同時蒐集既有工具的使用情況。

Walmart內勤員工有支名為「Me@Campus」的超級App，內建多種生成式AI功能，包括自主學習、保險與福利資格查詢、薪資查詢、職涯發展、員工訓練及公司內導航等。另外，還有生成式AI聊天機器人「My Assistant」，用於知識管理及圖文生成。

Walmart為門市員工與內勤人員提供生成式AI助理，支援營運問答、即時翻譯、任務分派與排班，並可分析報廢趨勢給出處理建議，協助不同職能員工提升工作效率。圖片來源／Walmart

第一線門市員工也有支大型App，利用Walmart內部文件及個別門市數據訓練，提供日常門市營運問答、員工訓練輔助、庫存管理及查詢等功能。目前光是問答功能，每天就處理超過300萬筆查詢，使用者達90萬人。

門市員工App還具備高達44種語言的即時翻譯功能，支援語音及文字模式，供員工之間或與顧客溝通時使用。翻譯功能使用Walmart專屬知識作為訓練語料，能辨識Walmart自有品牌等詞彙，以確保翻譯語境正確。

連處理報廢商品，都可以用生成式AI來加速。門市內商品接近有效期限或有缺陷時，系統會自動通知門市員工並提供處理建議，例如降價、移動、退還供應商、捐贈等。AI還能分析門市商品報廢趨勢，並進一步給出處理建議。

門市主管也能從生成式AI功能受益。Walmart打造出AI任務分派與排班功能，透過分析人力與作業優先順序，將主管規畫班表所需時間，從90分鐘縮短至30分鐘。

GenAI應用類型4：加速數據處理及IT開發

Walmart首次揭露顯著量化效益的GenAI零售應用方法，就是用來處理商品目錄數據，發揮出100倍生產力。Walmart商品SKU數高達4億，商品目錄中有數十億個數據點，若只靠人工維護，作業會永遠追著商品資料更新情況跑，既費工又無法確保資料即時性。

如今，他們靠生成式AI驅動的商品屬性驗證機制，來高速判斷商品資料正確性，以更新、完善、校正商品資料。此機制利用屬性萃取模型及品質驗證模型2個LLM來分工，類似撰稿人與編輯的關係，兼顧生成效率與品質控管。

Walmart以兩個LLM分工處理商品目錄數據，屬性萃取模型負責擷取產品屬性，品質驗證模型則檢查正確性。此機制將資料維護效率提升百倍，並確保更新精準度。圖片來源／Walmart

首先，用屬性萃取模型來快速擷取各項產品屬性。屬性萃取模型特色是應用多任務Finetune及知識蒸餾等技術，確保模型輕量化同時，不易忘卻既有語言能力。

再來，用品質驗證模型判斷萃取結果的正確性。為確保更高判斷精準度，品質驗證模型則同時使用產品資訊、屬性值、人類標記等資料組來訓練，並同時使用圖片和文字資訊。

光是加速數據維護這單一作業的效率，就能為後續倉儲管理、訂單履行、搜尋功能、商品推薦、店員服務優化等業務，都帶來正面影響。

Walmart還用生成式AI及代理式AI，來協助工程師撰寫程式碼。他們內部開發出類似於Copilot的程式碼撰寫助手，可建議和自動完成程式碼。在美國總部一年試用期間，已省下高達400萬小時開發時間。

Walmart內部的開發者平臺，有通用型聊天機器人介面來處理各式需求，也能可以從平臺連結到Visual Pipeline等GenAI程式撰寫輔助工具、AI開發平臺Elements，以及其他開發平臺。圖片來源／Walmart

除了開發新功能，有時Walmart還需要在舊功能的程式碼中新增功能，例如為舊電商介面加入無障礙設計。

這種作業相當繁瑣，且容易出錯。需要由回頭檢查舊介面中應修改項目、鎖定舊程式碼對應處、加上新程式碼、再檢查有無意外影響。如今，此類作業已經能由AI代理負責。

最後，他們還打造出名為Pipeline Visualizer的工具，利用生成式AI檢查程式碼，指出錯誤段落以及建議修改方法。今年起，他們正式開放這一系列程式碼輔助工具給所有北美和印度工程團隊使用。