摘要：本文聚焦人工智能在购物中心场景中的应用研究，提出AI 能否完全替代人工服务、推荐逻辑是否存在偏见、如何平衡效率与体验等研究问题。接着介绍AI 赋能购物中心的核心能力，以及智能导购、精准营销等典型场景。然后从技术层面、组织层面、环境层面三方面分析应用边界。最后讨论 AI 给购物中心场景带来的创新价值。关键词：人工智能；购物中心；应用边界；智能导购与客户服务；未来趋势

第一章 引言

1.1 研究背景

人工智能技术于商业领域的应用正持续拓展且不断深入，在购物中心这类的实体商业场景之中更是彰显出了颇为可观的潜力。据 Fortune Business Insights 所做的相关研究表明，全球人工智能（AI）零售市场的规模预估会从 2024 年的 93.6 亿美元逐步增长至 2032 年的 850.7 亿美元，而在这一预测时间段内，其复合年增长率能够达到31.8%。

来源：Fortune Business Insights

A 技术于购物中心的应用正逐步从单一功能朝着系统化解决方案的方向发展，这里面涵盖了智能导购、客户服务以及精准营销等诸多方面。即便如此，随着技术快速地不断迭代，其应用边界也出现了模糊不清的情况，尤其是在人机协作、算法公平性以及数据隐私等方面还存在着一定的争议。当下，购物中心一般都会面临客流量有所下降、运营成本不断上升这样的挑战。因此，引入 AI 技术就被看作是提升运营效率、优化用户体验的一项重要举措。

1.2 研究问题

1 2.1 AI 是否可以完全替代人工服务

就技术层面而言，现有的 AI 系统在处理那些非结构化的复杂问题的时候，明显存在着一定的局限，要以灵活的反馈去应对顾客的个性化需求或者突发的状况，是颇为困难的事情。在像咨询导购这类标准化服务的场景当中，AI 的表现倒是比较突出，不过当涉及到深度的沟通以及情感方面的沟通之时，人类服务者所具有的不可替代性就凸显出来了。数据隐私以及安全方面的问题，同样也成为了 AI 替代人类服务的阻碍性因素。因此，未来的发展方向应当着重放在AI 与人工服务协同作业的模式之上。

1.2.2 AI 推荐逻辑是否存在偏见

在购物场景之中，AI 推荐系统算法存在的偏见，对用户体验以及商业决策有着明显的影响。推荐算法所依靠的训练数据大多是从用户历史行为记录得来的，这种由数据驱动的特性很容易让系统倾向于推送和用户以往选择较为相似的商品组合，如此一来便产生了“信息茧房”效应，新产品获得曝光的机会也会因此而受到限制。并且，商业利益方面的导向还有可能进一步强化这种偏见的程度，那些利润较高的商品常常会被优先推荐。要想确保系统具有公正性以及包容性，建立起透明且公平的推荐机制、引入多维评价体系以及实施定期的算法审计等措施，是十分重要的。

智能导购在不同类型场景中的表现，例如在复杂任务和高技能需求场景中，人类导购可能更具优势；而在简单、标准化的任务中，AI 导购则更具效率。而随着AI 的发展，当消费者对AI 拟人化接受程度较高时，可能会影响目标设置对导购选择的偏好差异。

2 1 AI 技术赋能购物中心的核心能力

2 1.1 自然语言处理能力

第二章 技术层面：AI 能力与应用边界

1.2.3 智能导购在不同场景中的适用性

自然语言处理（Natural Language Processing，简称 NLP）是人工智能的关键技术，在购物中心智能导购和客户服务中扮演重要角色。NLP 技术在购物场景中主要应用于智能客服系统，使用预训练模型，可以准确理解顾客查询意图，提供个性化推荐和服务建议，目前亦有部分购物中心对此进行了尝试，基本可以替代原先的智能客服系统。此外，NLP 支持多轮对话管理，能处理复杂购物咨询。尽管如此，NLP 在实际应用中仍需应对口语理解偏差和多语言支持限制等问题，这些问题需要通过数据训练和模型优化来解决[2]

2 1.2 动态知识图谱能力

动态知识图谱是智能导购和客户服务的核心技术。系统需要实时整合用户行为、商品属性和交易数据等，构建三元组知识网络。同时设计增量更新，处理实时数据流，保证知识图谱时效性。结合算法进行知识推理，并引入注意力机制优化推荐结果。多维度知识图谱实现商品、用户、场景深度关联，提升推荐系统用户点击和转化。

2. .3 推荐系统与个性化营销能力

推荐系统与个性化营销能力指基于用户行为、物品特征等，预测用户偏好，并主动推送个性化内容，以及执行定制化营销策略的能力，旨在提升客户满意度与商业转化。AI 通过在数据层进行多源数据融合与治理将数据结构化，然后在算法层进行多模型协同与动态优化，最后在应用层进行场景化推荐与实时反馈，从而帮助购物中心获得不断迭代的推荐与营销能力。不过在具体落地过程中，如何突破现有触达方式，高效触达目标用户，是主要的瓶颈。

2. 典型应用场景

2. .1 智能导购主动推

主动推荐系统是智能导购的关键，利用用户行为数据构建个性化推荐模型，基于用户历史行为预测需求是目前主要的构建方式。由此，通过用户画像量化特征，使用深度学习模型匹配用户与商品特征，生成推荐列表。最后，系统通过智能终端推送内容，并结合位置技术触发推荐。为优化推荐，可以采用 A/B 测试并评估最后结果。应用场景主要基于日常的客户问询、品牌推荐等客服沟通层面。相对于人工反馈而言，AI 智能导购的相应速度可从原先的 60 秒 / 人提升至 5 秒 / 人。

2.2. 跨渠道协同

跨渠道协同是智能导购系统的关键功能，整合线上线下数据，构建统一用户画像和服务体系。例如，用户在线上浏览商场的商户和活动后，系统会基于用户线下到场的节点，推送相关优惠信息。此外，系统提供跨渠道个性化推荐服务，通过强化学习优化推荐策略，确保一致的购物体验。但技术应用需注意数据安全和隐私保护，确保合规使用用户数据。

2.2. 长尾理论 + 精准营销

动态知识库是智能导购系统的核心，整合多源数据以支持精准营销。系统构建以商品、用户、场景为节点的知识图谱，实时采集数据源更新用户画像和消费偏好，结合模型实现个性化推荐，这种个性化推荐可以基于每个用户独立生成，包含长尾用户。利用人工智能分析消费者的购物行为和偏好，能够为消费者提供定制化的购物建议和促销信息，从而提高消费者的满意度和忠诚度[3]。从而构建一套匹配长尾用户和目标商户的促销推荐体系，帮助购物中心提升其长尾用户的运营效率和转化效率。

第三章 组织层面：转型与内部适配

3.1 员工技能升级

3.1. 人机协作能力的转变

人工智能系统被广泛部署开来，这使得导购以及客服人员的日常职责出现了实实在在的变化。在智能导购系统予以协助的情形下，员工已不再只是单纯依靠个人经验去提供相应的服务了，而是要去理解该系统具体的运行逻辑，并且依据用户所给出的反馈来对推荐内容做出调整。对话系统是能够对标准化的问题加以处理的，不过要是遇到语义较为模糊或者是带有情绪化表达的情况，那么人工的干预以及补充判断依旧是必不可少的。员工在使用相关系统的过程当中，务必要熟悉终端界面的具体操作，要能够掌握对推荐内容进行解释的能力，还得具备基本的数字素养方面的能力。就智能客服、积分小票识别等功能而言，系统的处理效率有了明显的提升，然而当出现识别失败的状况或者是客户的需求偏离了系统预先所设定的流程的时候，人工的快速介入依然是极为关键、不可或缺的。

3.1.2 培训机制的构建与落实

围绕人工智能系统展开的培训已然成为组织建设当中不可或缺的重要部分。当新系统正式上线之后，员工们就需要针对操作流程、故障应对以及数据解释等诸多方面去接受相应的基础训练。培训所涉及的内容应当包含人机协作过程里的一些关键技能，比如要学会结合客户所处的具体语境来判断系统推荐结果是否适配，还要懂得怎样把用户反馈及时地传回到系统优化模块当中。至于培训形式呢，可以将线上平台和线下实操这两种方式结合起来运用，并且依据不同岗位来分层设置相应的学习路径。在实际的运营环节当中，已经有一部分员工能够在一定程度上协助完成系统推荐结果的纠偏工作、知识库的补充事宜以及客户画像的修订任务，这也充分体现出了员工从基础操作朝着协同优化方向实现了能力上的跃迁。

3.2 管理流程重构

3.2.1 专业团队建设与职能融合

人工智能系统若要实现稳定运行，离不开技术、数据以及业务这几方面保持紧密的协作关系。在购物中心推进相关事宜的过程当中，逐步组建起了一个运营团队，其成员由数据分析师、算法工程师还有业务人员共同构成，主要负责对系统进行监测、完成模型优化以及将使用反馈加以整合等工作。该团队会常态化地接收来自前台员工给出的操作建议、用户所做出的评价以及异常记录等内容，并且依据这些来对算法策略做出相应调整或者对知识图谱的内容予以更新。如今，不同部门之间原本清晰的分工界限正逐渐被打破。就数据人员而言，他们不光要承担起技术支撑方面的工作，而且还得深入到业务流程当中去，与实际运营需求进行对接；而业务人员同样需要参与到部分规则的制定以及系统策略的测试工作里面，如此一来，便形成了一种相互理解且能够共同迭代的工作机制。

3.2.2 决策流程与绩效体系调整

智能系统被引入之后，管理流程便从以往的经验驱动逐步朝着数据驱动转变了。导购系统所输出的诸多内容，像是用户行为方面的数据、转化的预测结果以及热点路径的相关分析等等，都已经变成了运营决策极为重要的依据所在。依据系统所给出的反馈来对商品摆放的策略做出调整，开展具有针对性的营销活动，对人员排班加以优化，这些都渐渐成为了日常工作内容当中的一部分。考核机制同样也出现了改变。原本那种把人工作业效率当作核心的指标体系，现在已经开始把 AI 系统运行情况的量化评估也包含进去了，这里面就有推荐的点击率、用户响应所花费的时间、问题转人工的比率等等。这些数据一方面可用来对系统上线之后的效果予以评估，另一方面还能反过来应用到绩效考核以及组织流程的优化工作当中去。

3.3 技术人才与协同机制

3.3.1 内部人才储备现状

在实际的运行环节当中，技术人才数量不足这一问题呈现出颇为普遍的态势。绝大多数购物中心原本配备的 IT 人员，其主要工作职责通常集中在设备的运行维护以及系统的日常维护方面，在数据建模、自然语言处理以及推荐算法等诸多重要方面，他们所具备的能力是有所欠缺的。正是这样的人员结构状况，使得在系统进行部署的初期阶段，很大程度上要依靠外部的服务商来开展相关工作，而购物中心内部自身对于模型的更新操作、规则的调参处理等方面，所能够展现出来的响应能力是比较有限的。就目前现有的团队而言，当需要去应对那些相对复杂的业务场景的时候，常常会出现缺少充足技术支持的情况，如此一来，推荐策略便没办法迅速地与新活动、新人群或者特殊偏好等情况相适配，进而对用户体验的连贯性产生了不利的影响。

3.3.2 外部合作与中台构建

为了补上技术方面存在的短板，诸多购物中心纷纷和第三方 AI 服务机构达成了合作关系，依靠外部所具备的能力来完成模型的训练工作、系统的部署事宜以及运营方面的指导事项。在合作开展的过程当中，慢慢地凸显出了标准化服务和个性化场景二者之间适配方面的问题。服务商所提供的通用模型没办法很好地满足本地化的种种需求，业务反馈的传递链条比较长，更新响应的周期也不够灵活多变。有一部分购物中心已经着手去探索建立技术中台，将导购系统、营销系统以及客服系统之间的数据通道予以打通。借助中台来对数据接入、用户画像生成、规则计算以及内容推送等模块进行封装处理，让前台系统能够依据自身需求来进行调用，以此提升协同的效率以及系统的稳定性。中台的建设与此同时还推动了跨部门协同机制的构建。营销部门、客服部门、商户管理部门等围绕着同一个数据平台来开展相关的工作，从而减少重复收集数据以及数据出现割裂的现象。由系统所产生的行为数据会回流到策略团队那里，用来分析用户所走过的路径、判断算法是否出现偏移并且对推荐策略做出相应的调整，进而达成从技术到组织的全链条闭环状态。

第四章 环境层面：用户与生态系统联动

4.1 用户接受与体验边界

4.1.1 标准化服务中的适配优

人工智能在高频以及标准化的服务场景里面，展现出了颇为不错的适应性。用户于日常进行咨询之时，就像查询营业时间呀，了解商铺位置啦，或者知晓活动规则这些情况，往往都期望能够得到快速的响应以及准确的结果。系统借助预设的模板还有语义识别算法，是可以达成高效率的信息传递这一情况的。在购物中心当中，小票识别、积分审核等这类重复性的流程已经被 AI 系统所接管了，其处理量有着明显的提升，并且准确率在经过大规模的使用之后，也逐渐趋于稳定的状态了。这样的一种服务模式能够使得等待时间得以减少，进而提升用户的满意度。大部分的消费者对于这类功能都表现出了比较高的接受程度，特别是在那些使用频率比较高、问题结构相对清晰的任务当中，系统去替代人工就变成了一个可行的选项了。

4.1.2 情感沟通中的系统短板

当用户处于情绪有所波动或者有着较为复杂需求的情境之时，AI 系统在回应方面的能力明显存在着诸多局限之处。虽说自然语言处理技术如今已经拥有了一定程度的语义理解能力，然而在对情绪语调加以识别以及处理那些并非遵循逻辑的表达方面，依旧存在着明显的脱节情况。该系统往往会采用中性且规范的语言来给出答复，如此一来，便很难触及到用户内心真实的情感方面的诉求。在购物中心的客户服务当中，常常会出现诸如退换货方面的争议、针对投诉所做的解释以及特殊需求的定制之类的种种问题，而这些问题均涉及到沟通策略以及情绪调节等方面。倘若系统只是一味地依照既定的逻辑来输出相应的响应内容，那么极有可能使得用户的体验出现下降的情况。在上述这些场景当中，AI 其实更适宜作为一种辅助性的工具来加以运用，由人工在一些关键的节点上进行介入，进而形成一种混合型的交互方式，以此来促使整体的服务质量得以提升。

4.2 数据治理与用户信任构建

4.2.1 数据透明机制的应用探索

用户对系统建立起信任，这一情况和数据处理过程的透明化是紧密相关的，数据处理过程若能做到透明化，那对于用户信任系统是极为重要的。在一些购物中心所开展的部分智能服务当中，已经开始尝试去引入一种分层数据提示的机制了，其目的就是要引导用户去知晓个人信息到底是出于何种目的被收集起来的，以及这些信息后续又是以怎样的方式被使用的。通过在界面上展示出系统进行推荐所依据的相关内容，并且提供关于算法输出的具体说明，如此一来，便能够帮助用户更好地去理解系统所采用的推荐逻辑，进而在很大程度上有助于减少用户可能产生的误解以及抗拒方面的情绪。有一部分平台会充分利用可视化的设计手段，把用户的行为记录、数据所经过的路径以及推荐的整个过程都以图示的形式呈现出来，这样就能让用户非常直观地明白系统到底是如何推送那些商品或者活动相关信息的。另外，通过设置像“查看我的推荐依据”“我的数据使用记录”这样的一些选项，能够起到鼓励用户主动去掌控自身数据权限的作用。

4.2.2 安全机制与隐私合规管理

在用户数据的使用环节当中，信息安全一直以来都是外界所重点关注的方面。AI 系统务必要在确保能够实时做出响应的同时，对用户的身份以及行为等方面的信息加以保护，避免这些信息遭到滥用的情况出现。购物中心在开展数据处理相关流程的时候，引入了脱敏技术，针对像联系方式、交易记录这类敏感的字段来实施加密方面的处理举措，以此防范信息出现泄露的问题。与此同时，为了能够妥善应对当下日益变得严格起来的数据监管方面的各项要求，在进行系统建设的过程中，需要预先留出审计接口，从而保证在出现争议情况的时候，可以针对数据展开回溯方面的操作。一部分平台已经引入了区块链技术，通过该技术来对关键节点的数据处理相关行为予以记录，进而强化数据所具有的不可篡改的特性以及处理过程当中的可追踪特性，为隐私保护给予相应的技术层面的有力支撑。

4.3 商业生态协同机制

4.3.1 用户数据合作模式

AI 系统的运行并非仅仅依靠平台内部的数据，实际上还得把来自商户的行为方面的信息以及商品所具有的特征参数都整合起来。在购物中心着手构建智能导购与推荐体系之际，有一部分品牌商户是愿意将基础交易数据共享出来的，其目的在于让系统整体的推荐效果能够有所提升。借助于数据联合建模这种方式，系统便能够较为精准地对用户意图做出判断，进而为不同的商户去匹配与之相适合的人群。在某些合作案例当中，购物中心会利用用户在相应区域内的停留时长、浏览所走过的路径以及历史购买的相关记录等内容，来推断出潜在的购买动向，并且还会为商户给出基于具体场景的触达方面的建议。运用联邦学习等属于隐私计算的方法，平台能够在不直接去交换数据的前提条件下完成模型的训练工作，以此来保障商户的数据权益不受侵害。

4.3.1 数字平台治理能力建设

当系统功能不断拓展，延伸到了商户管理方面，还涉及营销服务以及运营决策等领域的时候，购物中心所扮演的角色正一点一点地由单纯的场地管理者开始朝着数据平台运营者发生转变。平台借助 AI 系统，能够为商户给出转化分析方面的内容、有关用户洞察的信息以及租金策略优化的相关建议，如此一来便形成了新的商业收入渠道。不过在这样的模式之下，像数据到底归属于谁、收益要怎样分配以及模型更新的节奏该如何把控等一系列问题慢慢地就凸显出来了，这无疑是在考验平台的治理能力。为了防止出现数据被滥用的情况，同时避免商户之间的矛盾进一步扩大，一部分平台专门设立了独立的 AI 治理规则，将数据使用的边界、成果的归属权以及反馈的周期都明确地规定下来。治理机制越是清晰明了，商户参与其中的意愿往往就越高，那么系统生态所具有的协同性也会跟着得以增强。

第五章 创新价值

5.1 智慧经营能力创新

AI 对于用户底层数据的整合能力，可以推动购物中心提升智慧经营能力，例如根据用户行为偏好、沟通意向来了解场内品牌的落位、招商建议，并提升消费分析能力和全渠道营销能力。同时，借助动态学习能力，不断迭代优化用户消费模型，对经营实现动态调整。

5.2 商户数据合作创新

在商场与品牌店合作场景下，通过纵向联邦学习（Vertical Federated Learning）整合用户位置数据与消费偏好数据，可以在保护隐私的前提下精准预测用户购物意向。例如：商场用户在美妆区域停留时间大于 15 分钟，并在品牌店的过往口红购买记录，则可以通过 AI 助手，实时给该用户推送美妆抵扣券，吸引其到店进行转化，从而提升商户经营业绩。

5.3 商业变现模式创新

购物中心通过分析用户数据，可以为商户提供消费者洞察，形成数据服务收入。同时，还可以促进按效果付费的营销模式，商户按转化效果支付费用，降低经营风险。AI 驱动的动态定价系统优化了租金和收益结构。但这些创新也带来数据确权、收益分配等挑战，需建立商业规则和治理机制。未来，购物中心可能从空间租赁模式向智能商业生态平台转型，整合线上线下资源，提供智能化、个性化服务。

第六章 结论

本研究分析了人工智能在购物中心智能导购和客户服务中的应用，揭示了 AI 技术在零售服务领域的现状和发展趋势。研究指出，核心技术如自然语言处理和计算机视觉提高了运营效率，并在智能导购和精准营销中显示出优势。但技术应用也面临数据孤岛、算法偏见和隐私问题等挑战，AI 在情感交互和复杂决策中不能完全取代人工服务。建议未来应构建动态知识图谱，推动多模态交互，建立 AI 伦理审查机制，增强数据透明度，以平衡技术应用和用户体验。随着 AgenticAI 和 O2O 场景的发展，购物中心将实现更智能化服务，但需在效率和人文关怀间找到平衡。

参考文献：

李凯 . 面向信息茧房的用户画像多样化推荐模型研究 [D]. 燕山大学 ， 2022.001027

[2] 王坤 ， 盛鸿宇 . 一种提高跨语言理解的 NLP 迁移学习 [J]. 西南大学学报 （ 自然科学版 ），2024，46（04）：153-163.

[3] 丁元泽. 大都市商业综合体创新转型的策略与实践研究[J]. 全球城市研究（ 中英文 ），2024，5（04）：128-148+154.

[4] 孟令宇. 从算法偏见到算法歧视：算法歧视的责任问题探究[J]. 东北大学学报（ 社会科学版 ），2022，24（01）：1-9.

[5] 钱甜甜 ， 张帆 . 基于分布式边缘计算的情绪识别系统 [J]. 计算机科学 ，2021， 48 （S1）： 638-643.

作者简介：张施洋（1988-11）男 江苏如东人 本科 中级经济师 研究方向：购物中心数字化技术及运营解决方案