零售人工智能落地的真正瓶颈，或许并不在于算法模型本身，而在于那些鲜少被公众关注的实体基础设施。
尽管 AI 模型能够在毫秒级时间内完成价格优化、缺货预测、补货路线调整或客流模式识别，但其商业价值最终取决于这些决策能否转化为实体店的准确行动。无论是价格变动指令还是传感器数据，只有及时送达现场才具备实际意义。
目前，AI 的战略雄心与实际执行能力之间存在显著落差。德勤在 2026 年针对 200 名零售及消费品高管的调查显示，75% 的受访者将 AI 视为首要战略重点，然而仅有 16.5% 的人能够量化其带来的回报。这表明零售商普遍认可 AI 的价值，难点在于如何将孤立的功能整合为贯穿整个业务链条的一致性系统。
对于实体零售商而言，挑战超越了模型、数据和软件的范畴。AI 驱动的决策必须流经包含数千台设备、既有网络架构以及多年积累的安装技术的复杂商店环境。建筑结构本身可能干扰信号传输，随着连接终端数量的激增，无线基础设施在全店范围内稳定传输信息的重要性日益凸显。
这对首席信息官（CIO）和首席技术官（CTO）提出了新的警示：AI 发展的下一个限制因素可能被低估了——即底层商店基础设施是否具备在规模化场景下可靠执行的能力。
实体店并非云工作负载
实体零售引入了软件团队无法通过抽象层规避的物理条件。商店内存在墙壁、金属货架、冷藏设备、后仓、装卸区以及遗留系统，且受限于交易时间窗口。在建筑图纸上看似简单的基础设施变更，当复制到数百个门店时，往往变得昂贵且具有破坏性。
以库存管理为例，虽然预测模型可以优化补货决策，但门店层面的执行依赖于货架传感器、手持终端、拣选工具及准确的产品信息，这些数据需要在各设备间实时交换。
计算机视觉、数字标牌和环境监测进一步增加了终端数量和数据多样性，涵盖从常规设备更新、传感器读数到视觉内容和实时操作数据等多种负载。不同工作负载对网络的要求差异巨大：部分需要高带宽或低延迟，另一些则涉及大量电池供电设备在恶劣环境下定期发送数据。
若定价决策无法迅速触达每家门店，补货信号滞后，或者每引入一个新应用都需要叠加一层昂贵的基础设施，零售商将丧失技术本应创造的部分价值。
一种常见的应对方案是为每个新项目添加独立的网关、控制器或应用层。这在试点阶段或许可行，但随着设备增加，每个新终端都会衍生出独立的集成路径、安全策略、管理控制台及故障模式。在复杂的商店环境中，通过增加项目特定基础设施来弥补覆盖缺口，会改变部署的经济性，导致技术虽有效但运维难度剧增。
试点成功后的规模化困境
零售技术团队通常关注新应用是否符合商业案例，而 AI 带来了另一个问题：如果应用成功，基础设施将如何演变？
试点通常仅涉及单个门店和有限数量的终端。一旦规模化，经济模型随之改变：信号覆盖需遍及整栋建筑，更新必须在正常营业期间保持可靠，安全团队需要统一的方式安装和管理设备，运营团队也需在故障发生时明确责任归属。
因此，连接性应被视为一种架构选择，而非采购中隐含的技术规格。目标不是取代现有网络或为每个应用单独建网，而是将工作负载匹配至最适合其需求的无线层，同时保留现有的管理能力。
当前的设计在某些门店可能足够，但在大型业态或困难格式中，随着零售物联网端点的快速增长，可能需要额外的专用无线层。这一决策应经过深思熟虑，而非随项目逐个继承。
差异化工作负载与无线基础
面向未来的商店不太可能依赖单一网络承载所有任务，更可能采用组合式连接层，每层支持最适配的工作负载。零售商需重新审视企业 Wi-Fi 是否仍适合作为各类新型连接设备的通用传输层。
随着电子货架标签产业扩张及更多传感器和零售物联网应用的引入，适合的工作负载最好通过企业网络旁的专用无线层来服务。这并不意味着每个用例都需要孤立网络，而是构建一个可扩展、可复用的连接层，以支持随时间推移不断增长的庞大设备群。安全性是同一议题的一部分，每个终端都需从可信接入、凭证管理到退役流程保持一致的管理标准。
开放标准依然重要，它为未来的设备、应用和平台提供了一致的基础。但仅靠开放性不足以构成架构，关键在于决定哪些工作负载归属哪个连接层；标准的作用在于确保这些层级保持可管理和适应性。
最成功的零售 AI 计划将不仅以预测质量评判，随着互联产业的发展，企业能否将预测转化为实体店的可靠行动将成为核心考验。
在批准下一个 AI 试点前，零售商应追问：若成功，其地产需要何种支持？哪些工作量会增加？它们是否应以相同方式运行？如果成功意味着更多设备、更丰富数据、更频繁更新或更大范围部署，支撑这些负载的无线架构必须是 AI 战略的核心组成部分。
零售商投资 AI 工具和连接性并非为了技术本身，而是为了保护利润、改善供应并简化运营。AI 能力与可扩展性是截然不同的问题。理想的目标是建立一种架构，使新工作负载能利用最合适的无线层，无需每次重建。那些兼顾两者的零售商，将能更好地将雄心壮志转化为可靠、可重复的执行。
