AI购物实测：支付未打通，代理仍缺“最后一公里”
AI 摘要卡
AI购物实测：支付未打通，代理仍缺“最后一公里”
Bernstein实测5款AI工具发现，尽管基础模型擅长推荐、零售原生工具精于库存，但均无法实现无监督端到端购买，支付集成是真正代理式购物的关键瓶颈。
- 测试5款AI工具，无一能实现完全无监督购买
- 支付环节是当前AI购物体验的最大断点
- 基础大模型擅长需求理解与比价，但缺乏实时库存与交易能力
- 零售原生AI（Alexa/Sparky）数据精准但受限于自家生态
- Walmart Sparky通过食谱数据库驱动购物篮构建
- ChatGPT与Gemini在跨平台价格发现上表现最优
- WMT维持Outperform评级，目标价145美元
研报解读
概览
这篇研报通过实际测试五款主流AI工具（ChatGPT、Gemini、Claude、Amazon Alexa、Walmart Sparky），评估当前“代理式购物”（Agentic Shopping）的真实成熟度。核心结论是：尽管AI在产品发现和推荐方面进步显著，但由于支付环节尚未嵌入，目前没有任何工具能独立完成从搜索到下单的全流程，人类干预仍必不可少。研报同时维持对Walmart的Outperform评级，认为其在AI时代的零售生态整合能力最具优势。
核心观点
AI购物工具呈现明显的“能力分化”格局。基础大模型（ChatGPT、Gemini、Claude）在理解复杂需求、跨平台比价和生成购物清单方面表现出色，例如Gemini是唯一识别出Bloomingdale's会员促销的模型，ChatGPT能找到Costco的最低价耳机。然而，它们缺乏对零售商实时库存、定价和履约系统的直接访问权限，导致SKU识别不准、价格滞后，且完全无法处理加购和支付，本质上仍是“研究助手”而非“交易代理”。 相比之下，零售原生AI（Amazon Alexa、Walmart Sparky）拥有实时数据优势，能提供精确的SKU级推荐和库存状态。Alexa可为货架期商品加购，但无法处理Fresh/Whole Foods生鲜；Sparky则创新性地以食谱为入口，将15顿餐计划中的14顿成功匹配至自有食谱库并一键加购，但其逻辑更偏向内容推荐引擎，而非真正的家庭采购规划器。两者共同短板是支付未集成，用户仍需跳转外部页面完成交易。 在价格发现能力上，基础模型反而优于零售原生工具。测试显示，ChatGPT和Gemini能准确抓取促销信息和多渠道低价，而Alexa对Longchamp包的报价出现偏差（$175 vs 实际$180），Claude甚至匹配错误SKU。这反映出零售封闭生态在开放性比价上的天然局限，也说明未来真正的代理式商务需要打通“通用智能”与“交易基础设施”之间的鸿沟。
分析框架
研报采用“任务驱动型实测法”，设计三个递进场景来压力测试AI代理能力：单品即时购买（牛奶）、多约束周度购物篮构建（四口之家+坚果过敏）、 discretionary商品全网比价（Longchamp包+Sony耳机）。评估维度覆盖电商全漏斗：品类识别、SKU匹配、定价准确性、总成本估算、加购能力、支付执行。这种方法跳出了单纯的技术参数对比，直接从消费者真实购物动线出发，暴露各工具在“意图-交易”转化链路中的具体断点，使结论更具商业实操参考价值。
方法论与常识提炼
AI购物生态中“通用模型层”与“零售执行层”的能力错配
研报揭示了AI购物产业链的结构性矛盾：上游基础模型强于意图理解和信息聚合，但缺乏下游交易接口；下游零售商拥有履约和支付闭环，但数据封闭、泛化能力弱。这种上下游能力割裂是当前代理式商务无法闭环的根本原因，投资需关注能 bridging 这一断点的整合者。
零售原生AI的数据壁垒与生态锁定效应
Amazon和Walmart的AI助手之所以在SKU准确性和加购能力上领先，核心护城河并非算法本身，而是对实时库存、用户账户、支付凭证等私有数据的独占访问权。这种基于生态系统的结构性优势，是纯AI公司短期内难以通过公开数据爬取复制的。
标的映射与对比
研报将主题/逻辑映射到具体标的时的结构化摘要（优势、劣势、对比与风险）。
- Walmart (WMT)AI购物时代最佳整合者：Sparky已实现食谱到购物车的准闭环，且拥有实时库存与定价数据
- 优势
- 零售原生数据壁垒、食谱驱动购物篮设计、第三方市场补充长尾商品
- 劣势
- 支付仍未集成、过敏过滤仅为上下文提示非硬拦截、无法跨平台比价
- 对比
- 相比Amazon Alexa，Sparky在生鲜以外的购物篮构建更完整；相比基础模型，具备真实交易能力
- 风险
- 美国消费环境疲软、电商与广告新业务失败风险、 grocery领域监管审查加剧
- Amazon (AMZN)AI购物重要参与者但存在明显短板：Alexa在货架期商品上体验流畅，但生鲜缺失削弱整体价值
- 优势
- SKU级推荐精准、部分商品支持直接加购、界面展示清晰
- 劣势
- Fresh/Whole Foods未接入、支付未集成、无法理解复合 meal 需求（如pizza隐含配料）
- 对比
- 在单品购买上优于基础模型，但在复杂购物篮构建上弱于Sparky和ChatGPT
- Target (TGT)AI购物潜力标的但当前评级中性：未在本次实测中作为AI工具被评估，但作为零售商受益于行业趋势
- 优势
- 服装与家居品类重启可能带动增长、电商盈利改善空间
- 劣势
- 生产力措施效果不确定、Q1势头能否持续存疑、Roundel广告增速放缓
- 对比
- 估值倍数（14.5x P/E）显著低于WMT（39.0x），反映市场对其转型信心不足
- 风险
- EBIT利润率短期承压、可选消费需求反弹不及预期
关键数据
- Walmart目标价$145基于39.0x前瞻P/E，对应Q5-Q8 EPS预期$3.71
- Target目标价$124基于14.5x前瞻P/E，对应Q5-Q8 EPS预期$8.54
- Sparky食谱匹配率14/15在周度购物篮测试中，成功将15顿餐计划中的14顿匹配至自有食谱库
- Alexa生鲜支持状态不支持目前无法为Amazon Fresh和Whole Foods商品加购或结算
影响与含义
对零售行业而言，AI代理的竞争焦点正从“谁更聪明”转向“谁能闭环”。Walmart凭借Sparky与自有供应链的深度整合，在“可交易性”上建立先发优势，这支撑了其Outperform评级。对科技公司而言，仅靠模型能力无法变现购物场景，必须通过协议（如ChatGPT的ACP）或合作（如Claude接入Uber Eats）嵌入交易层。对整个AI应用生态，支付集成是下一个必争之地——谁先实现“说一句就买到”，谁就掌握代理式商务的定义权。
风险
- 美国或国际消费市场意外疲软，导致同店销售下滑和费用杠杆恶化
- Walmart电商、广告等新业务拓展失败，威胁长期收入和利润率目标
- Walmart因在美国杂货市场的领先地位面临更严格监管审查
- Target生产力提升措施未达预期，EBIT利润率短期受损
- Target Q1强劲势头消退，整体转型前景受质疑
- Target辅助收入（尤其是Roundel广告）增长放缓
后续跟踪
- AI购物工具是否实现支付环节的原生集成
- ChatGPT Agentic Commerce Protocol (ACP) 的零售商接入进展
- Amazon Alexa何时支持Fresh/Whole Foods商品的完整购物流程
- Walmart Sparky是否将过敏等信息升级为硬性过滤条件
- 基础模型与零售生态系统之间的数据互通协议发展