零售與金融都在擴大用AI，營運成果能否跟上投入

 

Walmart用210萬名員工測試AI培訓成效

Walmart(WMT)今年6月向全球210萬名員工發出AI問卷，收到超過170萬份回覆。辦公室員工中，77%期待AI改善工作；美國門市前線員工則有84%表示，有信心使用背後搭載AI的數位工具。這組數字反映，員工接觸工具與接受培訓後，態度可以出現明顯變化。

過去13個月，Walmart與Alphabet(GOOGL)旗下Google、OpenAI合作，提供免費AI課程與認證。參與OpenAI培訓的員工，自評使用AI的信心平均提升27%。對管理階層而言，培訓後信心提升27%，提供了擴大內部投資的依據。

這項調查仍有證據邊界。員工自評信心無法直接換算成生產力、成本節省或營收成長，企業還得持續追蹤實際營運成果。不過，170萬份回覆涵蓋門市、倉儲與辦公室等多元職務，規模已足以說明AI教育會影響員工接受度。

 

接觸經驗拉開Walmart員工與全美民眾的態度差距

今年8月Pew Research Center調查顯示，52%的美國成年人對AI抱持較多擔憂。Walmart員工的態度明顯樂觀，兩份調查的受訪族群與問題設計有所差異，數字無法直接一對一比較；接觸經驗、使用情境與公司提供的支援，仍可能解釋部分落差。

Walmart將轉型原則定義為「由人主導、科技加值」。這套框架提供員工一個清楚定位：AI負責處理重複工作與大量資料，人員保留判斷、監督及客戶互動。對擁有龐大基層人力的零售企業來說，導入方式會直接影響員工是否願意採用工具。

履約中心已利用AI與機器人處理搬運、盤點等高強度作業，部分人力轉向品質保證與例外處理。德州達拉斯創新實驗室導入自動化後，也增加監督、判斷及流程優化等角色。職務內容開始由勞力轉向判斷，這是Walmart目前呈現的工作重組方向。

收銀端則保留人員互動，因為多數客戶仍偏好有人服務。墨西哥一名門市店長還自行建立AI代理程式，也就是能依目標分析資料並提出建議的軟體，用來閱讀營運報表、安排生鮮補貨與促銷，最終帶動生鮮營收創高。這個案例的價值，在於前線主管已能自行組合工具，AI應用開始離開總部專案，進入單店決策。

 

Robinhood以資料密集型產品擴張交易收入

金融業走的是另一條路。Robinhood(HOOD)第三季每股盈餘為0.51美元，低於分析師預期的0.56美元；交易型收入則年增19%至8.67億美元。獲利低於預期與交易收入成長同時存在，財報訊息需要分開解讀。

產品組合的變化更具體。事件合約收入年增超過500%，選擇權收入年增31%至3.99億美元，股票交易收入也成長41%至1.21億美元。事件合約讓使用者針對特定事件結果建立部位，定價、撮合與風險管理高度依賴即時資料、演算法及風險模型。

Robinhood財務長Shiv Verma表示，加密貨幣現貨交易偏弱期間，事件合約成為使用者表達加密市場看法的新管道。事件合約收入年增逾500%，說明平台正在用新商品承接原有交易需求。這也讓金融職務更集中於產品設計、風險控制與系統監管。

財報數字仍無法單獨證明AI帶來多少收入。Robinhood揭露的是產品收入與交易行為，演算法及量化模型則是支撐這些商品的基礎設施。投資判讀上，我會把產品成長、使用者參與及風險管理分開追蹤，避免看到AI標籤就直接推導獲利品質。

 

零售與金融呈現兩種企業AI擴散路線

Walmart從員工培訓切入，把AI放進補貨、履約與門市管理。Robinhood原生於數位金融，利用資料與模型設計交易商品。前者要處理210萬名員工的技能轉換，後者要處理交易系統、法遵及產品風險，兩家公司的導入難題差異很大。

兩個案例仍呈現一項共同變化：AI工具的使用者範圍正在擴大。門市店長、倉儲主管與金融產品經理都開始直接操作相關系統。AI能力逐步成為通用職場技能，企業投資也從雲端算力延伸到教育、流程與組織設計。

這對企業軟體與AI供應鏈有一層重要含義。模型能力只是採用起點，後續還需要員工培訓、權限設計、工作流程整合及風險控管。能否把工具放進日常決策，會影響企業AI支出能否轉化成可量化的營運成果。

 

生產力紅利仍要通過營運數字與勞動風險檢驗

Pew調查中的就業、監控與偏見疑慮仍然存在。若培訓與責任界線模糊，AI可能增加基層員工的工作壓力，也可能讓管理階層把更多判斷責任下放。Walmart的免費課程與人員主導框架，目前只能確認有助提升信心，長期能否降低壓力仍需更多資料。

後續觀察可以回到幾項營運證據。Walmart要看履約效率、生鮮案例能否複製，以及新職務是否足以承接被自動化的工作；Robinhood則要看事件合約收入延續性、使用者參與和風險控制。這些指標若同步改善，企業AI才更接近可持續的生產力投資。

目前能確認的是，AI已從科技公司的研發部門擴散到零售與金融前線。獲利幅度、勞動分配及長期風險仍缺乏完整答案。投資上適合追蹤企業採用深度與實際營運成果，AI標籤本身提供的資訊仍然有限。