每人一个货架的时代已经来了

Loblaw用生成式AI实时组装个性化购物页面，并把购买入口嵌入Google AI Mode与ChatGPT。中国企业如何理解这场零售基础设施变革？

Thanks to generative and agentic AI, we've entered the era of truly individualised retail.

这句话出自Loblaw首席数字官Lauren Steinberg。它不是一句技术乐观主义的空话，而是一个正在发生的零售事实：当用户打开PC Express的瞬间，页面在滚动之前就已经为这个人重新组装了一遍。不是推荐位调整，不是人群包投放，而是整块货架的实时生成。

中国零售业过去十年谈"人货场"，核心动作是把用户分群、把货品打标、把场域优化。但Loblaw走了一条更激进的路：放弃"分组"，直接面向"一个人"。这家Fortune Global 500排名第347位的公司，母公司是乔治威斯顿，真正操盘AI营销的是旗下加拿大最大食品零售商Loblaw。它做的事，值得每一个正在纠结"AI到底怎么用"的中国零售老板和高管认真看一遍。

一、p13n引擎：不是推荐系统，是货架生成器

Loblaw Digital搭建了一个名为p13n的个性化平台。认证用户访问PC Express时，系统先用大语言模型基于交易数据和行为数据组装个人画像，包括家庭规模、饮食偏好、购买频次等维度。画像不是一个静态标签组合，而是持续更新的动态理解。

随后，Agent生成主题，抽象引擎把主题链接到产品概念，向量检索匹配具体SKU，推荐引擎完成重排。整条链路跑完后，页面才呈现给用户。

最关键的细节是：生成式AI内容引擎会实时撰写标题和正文文案，生成图像，确定CTA按钮的文案和位置，然后直接部署上线。这意味着用户看到的不是一套预先设计好的模板，而是一个为他临时组装出来的页面。

这个逻辑和传统个性化有本质区别。传统推荐系统回答的问题是"这个人可能喜欢哪件商品"，答案是一个商品列表。p13n回答的问题是"这个人此刻需要一个什么样的购物页面"，答案是一个完整的界面。前者优化点击率，后者重构消费场景。

打个比方：传统推荐系统是书店里换了几本摆在门口的畅销书，Loblaw的做法是给每个进店的人重新装修一遍书店。这背后的能力差异，不是算法精度，而是内容生产方式的彻底改变。

Steinberg透露，add-to-carts等指标出现提升。原始报道没有给出精确百分比，但从Loblaw持续加码的动作来看，这套系统跑通了从实验到业务回报的闭环。否则一家以食品杂货为核心、利润空间有限的零售商，不会把AI投入扩展到供应链和门店层面。

二、Agentic Shopping：购买入口正在迁移

2026年2月，Loblaw宣布与Google合作。消费者可以通过Google AI Mode搜索，直接在Gemini App里购买食品、美妆和服饰。这是比个性化页面更深远的一步：购买入口开始脱离Loblaw自己的App和网站，进入AI助手的对话流。

Steinberg把agentic shopping称为"客户购物方式的自然演进"。她还提到，Loblaw已经将PC Express接入OpenAI ChatGPT，用于餐单头脑风暴和购货。用户在和ChatGPT讨论今晚吃什么的时候，食材采购就已经在对话中完成了。

这个动作的战略意义，值得中国零售企业反复琢磨。过去二十年，零售商的核心资产之一是自有渠道。App下载量、注册用户数、私域流量池，都是写在财报和分析师报告里的核心指标。但Loblaw主动把交易入口开放给Google和OpenAI，等于承认一个事实：用户的时间正在向AI助手迁移，零售品牌必须出现在用户的对话里，而不是等待用户打开App。

这不是流量分发逻辑，而是意图捕获逻辑。用户对ChatGPT说"我想做一顿低脂晚餐"，这个时刻的购买意图，比在购物App首页看到一张促销banner的意图强烈得多。谁能在意图形成的瞬间完成商品匹配和交易闭环，谁就赢了下一轮零售竞争。

中国市场有类似的土壤。微信生态、钉钉、飞书、抖音豆包、百度文心、Kimi、智谱清言等产品都在快速渗透日常场景。但绝大多数中国零售企业仍然把AI助手当作客服工具或内容生成插件，没有认真思考"购买入口迁移"这个命题。如果用户明天的购物起点是AI助手，品牌今天在AI助手里的存在方式是什么？这需要回答的不是"要不要做GPTs"，而是"当搜索变成对话、当推荐变成执行，我的商品、内容和服务如何被AI调用、被AI理解、被AI推荐"。

三、从工具思维到流程再造：AI不是更快地做旧事

Loblaw的案例有一个容易被忽略的层面：它没有把AI当作营销工具来用，而是把AI变成了业务流程的底层能力。

p13n引擎改变的是页面生产方式。过去，一个零售页面从策划到上线，要经过运营提需求、设计出图、文案撰写、前端开发、测试发布。这个流程以周为单位。p13n把它压缩到用户滚动页面前的几百毫秒，而且是针对单个人的实时生成。

Google Cloud Vertex AI的应用则延伸到供应链和门店职能。这意味着Loblaw的AI投入不是营销部门的一个创新项目，而是公司级的数字化基础设施。Loblaw内部还有一个名为Garfielld的员工GenAI网关，虽然不对外，但说明AI能力已经渗透到组织内部的工作流。

中国企业的常见误区是把AI当作"效率工具"：用AI写文案快一点，用AI做图省一点，用AI做客服降一点成本。这些都有价值，但都是"更快地做旧事"。Loblaw展示的是"用AI结构性改变生产关系和交付方式"：页面不再是设计出来的，而是计算出来的；购买不再是"用户找货"，而是"AI在意图中完成交易"。

这个区别，正好对应中国市场上对AI营销的两种理解。一种是术的层面：把AI当成更好用的工具，优化现有流程中的某个环节。另一种是道的层面：承认AI改变了用户接触信息、形成意图、完成决策的底层逻辑，然后重新设计组织、流程和资源分配。前者让企业跑得更快，后者让企业跑在另一条赛道上。

四、中国零售企业可以立即做的四件事

乔治威斯顿和Loblaw的案例来自加拿大，但它的商业逻辑在中国市场完全成立。结合中国零售业的特点，有四个动作值得企业负责人认真评估。

第一，把"个性化"从推荐位升级为内容生成。中国电商平台的个性化已经非常成熟，但大部分品牌的个性化止步于商品排序和优惠券分发。Loblaw的启示是：文案、图像、CTA按钮这些"内容层"同样可以个性化，而且内容层的个性化会产生更强的行为驱动力。已经有基础的企业可以先从单品页、活动落地页的AI动态生成开始试。

第二，认真对待AI助手作为新购物入口的命题。与其等抖音、微信的AI助手功能完全成熟后再被动跟进，不如现在就测试：我的商品信息、内容素材、交易接口是否能够被主流AI助手顺畅地理解、调用和推荐。这件事短期可能没有GMV，但它决定了品牌在未来AI购物生态中的位置。

第三，把AI投入从营销部门上移到公司基础设施层面。Loblaw的CDO负责数字化战略，AI应用横跨营销、供应链、门店和员工工具。中国企业如果只让市场部去采购几个AI工具，很难产生系统性回报。需要有一个同时理解业务、数据和技术的高管角色，来统筹AI能力建设。

第四，重新定义营销团队的技能结构。当页面实时生成、内容千人千面、购买入口进入对话流，传统"做素材-投流-看数据"的岗位逻辑会被"设计提示词策略-管理AI质量-优化生成逻辑"的逻辑部分替代。这不是裁员，而是能力迁移。越早开始培养团队的人机协作能力，转型成本越低。

五、真正的门槛不是模型，是数据和流程

有一种观点认为，Loblaw能做到这些，是因为它是加拿大最大的食品零售商，有海量交易数据。这个判断只对了一半。数据是门槛，但不是唯一的门槛，甚至不是最高的门槛。

p13n引擎的核心竞争力，不只是数据量大，而是Loblaw把数据、模型、内容生成、推荐引擎、前端体验串成了一条自动化流水线。这条流水线的设计能力、工程能力和运营能力，才是真正的护城河。很多中国企业不缺数据，缺的是把数据变成实时个性化体验的完整闭环。

另一个被低估的门槛是组织决心。把购买入口开放给Google和OpenAI，对一个零售商来说是需要勇气的决定。这意味着放弃一部分对用户触点的直接控制，去换取在更大流量场域中的存在感。做这个决定，需要CEO层面想清楚一个问题：品牌的终局，到底是守住自己的App，还是出现在用户所有可能产生购买意图的地方？Loblaw已经给出了自己的答案。

对中国企业而言，这个问题同样紧迫。当AI助手成为用户获取信息、做决策、执行任务的主要界面时，品牌和用户之间的关系会重新洗牌。那些只在自有渠道里精耕细作的企业，可能会发现用户已经不在那里了。而那些提前在AI生态中建立存在感、完成数据接口和能力布局的企业，会在新一轮入口迁移中占据先机。

零售业正在从"一个货架服务千万人"走向"千万个货架服务一个人"。Loblaw用p13n证明，这个转变在技术上是可行的，在商业上是有效的。剩下的问题是：中国企业准备什么时候动手，从哪里开始，由谁负责。这三个问题，比任何AI工具测评都更值得先想清楚。