文：張恭銘
預算翻倍、試點遍地，近四成企業成本節約不足一成，時尚業的AI帳單為何對不上？
時尚產業對AI的熱情從未如此高漲。麥肯錫《State of Fashion 2026》調查顯示，AI已成為時尚高管眼中最大的機會，超越產品差異化與永續發展。然而，同一份報告也揭示了一個令人不安的事實：高達九成的時尚AI項目，至今仍卡在試點階段，無法規模化。熱情與回報之間的鴻溝，正成為這個行業最現實的挑戰。
帳單對不上的真相
Bain & Company針對九百五十一家全球企業的調查給出了更精確的數字：即便AI預算持續攀升，近四成衡量AI相關成本節約的企業，實際節省不到一成，遠低於它們設定的目標。一項針對百億美元級企業的調查更顯示，雖然百分之八十八的企業已在某種形式上導入AI，僅有百分之六能將AI投資直接連結到EBITDA的增長。Merkle首席策略官Holden Bale稱之為「一個巨大的鴻溝」。
真正的瓶頸：數據，而非演算法
當企業急於追問「該用哪個模型」時，問題的根源卻在更底層。Bain的調查明確指出，數據的獲取與整合是AI投資回報的第一大障礙，排在預算之前。麥肯錫的分析同樣將矛頭指向組織層面：「規模化AI最重大的挑戰不是技術性的，而是組織性的。企業最大的錯誤，是投資於商業意義不大的用例。」
對照組是Zalando。這家歐洲最大時尚電商之所以能從AI中獲得實質回報，其技術長Graeme Smith給出的答案極其樸素：「我們有歐洲時尚與生活風格領域最好的數據。」為了提供尺寸推薦，Zalando對數千件服裝進行3D掃描，每週有約兩萬名顧客在應用程式中輸入身體尺寸，由此建構出龐大的數據池。這不是買一個AI工具就能複製的能力，而是多年累積的數據工程成果。
時尚業的數據欠帳
問題在於，數據工程恰恰是時尚產業最不擅長的領域。SAP的產品長Balaji Balasubramanian直言：「根據我在市場上看到的，以及與更多客戶的交流，不，他們還沒搞清楚。」Aptean的調查則揭示了更具體的困境：通用AI工具不理解時尚業最關鍵的要素——什麼是「季節取消日」，而這個日期對財務有真實的影響。設計師從草圖到商品上架需要八到十二個月，在這段時間裡，企業鎖定預算、綁定產能，押注一個顏色或印花，而通用系統只能計算數字，無法在款式矩陣中進行推理。
文化阻力與「試點地獄」
組織與文化層面的障礙同樣頑固。一項針對中國零售業的分析指出，百分之九十三的高管加大了AI投資，僅有百分之十二的員工認同變革願景，這種認知落差直接導致AI項目在組織內部失去推動力。前Lululemon高管Julie Averill的觀察更為直接：AI推進緩慢「不是因為模型太弱，而是因為企業不願意為混亂的整合工作付錢」——那些昂貴、緩慢的底層數據管線工程，恰恰是AI能否從試點走向規模化的分水嶺。
近半數企業被困在「試點地獄」中，其共同特徵是：沒有明確要改善的決策，也沒有人為行動負責。AI工具在演示中表現亮眼，一旦觸及真實的營運模式便悄然停滯。
Zalando的案例證明，AI的回報是真實存在的，但它從來不是一個「採購決策」，而是一個「數據決策」。當多數品牌的產品資訊仍散落在Excel表格、郵件往來與共享硬碟中時，再先進的模型也只能在噪音中尋找信號。AI不會修復破碎的數據基礎設施，它只會讓這些裂縫更加顯眼。時尚業AI投資的回報落差，本質上不是技術的失敗，而是數據就緒度的失敗。