生成式AI進零售：當販賣機開始「認識你」

去年我在一場科技論壇上問台下的零售業者：「你們現在的販賣機，認識每一個走過去的客人嗎？」沒有人舉手。然後我問：「你們希望它認識嗎？」幾乎所有人都舉手。

這個落差，就是生成式AI即將填補的空間。

但在興奮之前，有一個更重要的問題需要先想清楚：「認識客人」的邊界在哪裡？什麼是有用的個人化，什麼是讓消費者感到不舒服的過度蒐集？這道線，在生成式AI進入零售場域的當下，比任何時候都更需要明確定義。

生成式AI如何實現零售個人化？

傳統的零售個人化依賴「規則引擎」：如果客人是女性、年齡25-35，推薦美容類；如果現在下午2點，推薦咖啡。這種方式的問題是規則是靜態的，人是動態的——同一個人今天想要咖啡，明天可能需要能量飲料，規則引擎抓不到這個變化。

生成式AI帶來的是「動態推論」能力：它不只是查表，而是根據多個維度的即時訊號生成個人化回應。對販賣機來說，可能整合的訊號包括：

時間與環境脈絡：早上7點在捷運站 vs. 下午3點在辦公大樓，同一個人的需求截然不同。
天氣資料：氣溫32度的午後，冷飲的個人化推薦應該遠比糖果積極。
歷史交易行為：如果會員記錄顯示此人過去六次購買都是無糖飲料，AI應該把含糖飲料的推薦排序降低。
即時庫存狀態：個人化推薦不能推薦快斷貨的商品，AI需要即時整合庫存資訊。
動態促銷訊息：針對不同的消費者族群，生成不同的促銷文案——這正是生成式AI的強項，它可以在0.1秒內生成十種不同版本的促銷文字，而不是顯示同一張靜態海報。

為什麼是販賣機，而不是超市或便利商店？

答案是：交易環境的清晰邊界。

在便利商店，消費者的行為是複雜且難以追蹤的——他們可能在店內停留十分鐘，看過數十個商品，最後買了三樣東西。影響這個決策的因素太多，數據噪音高，AI很難從中提取有效的個人化訊號。

販賣機的情境截然不同：消費者在機器前停留通常不超過90秒，動作明確（選擇、購買或離開），交易資料完整（何時、買了什麼、金額多少）。這是一個高度受控的實驗環境，非常適合測試個人化推薦演算法——你可以清楚地量測不同個人化策略對轉換率和客單價的影響。

從龍雲數位TransTEP平台的運營數據來看，針對會員帳號啟用個人化推薦後，交叉銷售（Cross-sell）轉換率平均提升22%，客單價提升15%。這些數字在便利商店的複雜環境中幾乎不可能被清楚量測，但在販賣機的封閉場景中，因果關係清晰可辨。

台灣《個人資料保護法》（PDPA）對零售場域的AI個人化有明確約束，以下是幾個關鍵判斷點：

生物特徵資料屬於特種個資：如果個人化方案涉及臉部辨識（即使只是年齡性別預測），屬於「生物特徵辨識資料」，受到PDPA第6條特別保護，需要明確的書面同意。這是紅線，不能越過。

行為資料需要告知義務：如果平台收集會員的消費歷史用於個人化推薦，需要在隱私政策中明確告知，並允許用戶選擇退出（Opt-out）。目前大多數會員制販賣機的隱私政策對此描述模糊，這是一個需要補強的合規風險。

數據最小化原則：PDPA要求「只蒐集達成目的所必要的資料」。如果個人化推薦只需要時間戳記、購買品項和溫度資料，那麼蒐集設備位置的精確GPS座標就超出必要範圍。數據最小化不只是法規要求，也是消費者信任的基礎。

匿名化 vs. 假名化：許多廠商誤以為「去除姓名」就是匿名化，但如果保留了設備ID和購買序列，這在法律上屬於「假名化」而非匿名化，仍在個資法保護範圍內。

生成式AI個人化最有爭議的應用，是動態定價——根據消費者的會員等級或消費歷史，顯示不同的價格。

我的觀點是：動態定價在台灣目前的市場環境下，弊大於利。理由有兩個：首先，台灣消費者對「同樣商品不同價格」的接受度低，一旦被察覺，品牌信任損失遠大於短期獲利；其次，動態定價的法律邊界在台灣尚未清晰，公平交易委員會對價格歧視行為的態度保守。

比動態定價更安全、也更有效的做法，是「動態促銷」——基於忠誠度等級提供不同的折扣優惠，這在消費者心理上是「獎勵」而非「差別待遇」，效果相近但風險遠低。

當販賣機開始「認識你」，消費者的第一反應不是驚喜，而是戒備。這個戒備是合理的——過去科技公司在個人化上的過度應用，留下了深刻的不信任印象。

零售個人化要贏得消費者，必須從「尊重」出發：告訴你我知道什麼，告訴你為什麼推薦這個，告訴你如何關閉個人化。這種透明度，才是生成式AI在零售場域長久立足的基礎。

李奇申，龍雲數位創辦人。延伸閱讀：Edge AI智慧販賣機邊緣運算革命