零售電商導入 AI 的成本與 ROI 怎麼算?從客服、行銷到庫存的效益盤點

上季一個做居家用品的電商客戶問我們同一個問題:「導入 AI,一年到底能不能回本?」他們手上有三家廠商的報價,從一年 80 萬到 400 萬都有,但沒有一份提案講清楚「錢花下去,效益怎麼量」。這篇就把我們在零售與電商現場實際盤過的帳,攤開來算。

先把「零售 AI ROI」的公式定死

零售 AI ROI 的計算公式其實只有一條:ROI =(年度增量效益 − 年度總持有成本)÷ 年度總持有成本 × 100%。

麻煩的不是公式,是兩個變數怎麼填。多數提案只報「授權費」,卻漏掉一大半成本,又把效益吹得像行銷文案。我們的做法是拆成兩張帳:一張是「總持有成本 TCO」,一張是「可歸因增量效益」。歸因這兩個字很重要——不能歸因到 AI 的營收成長,就不准算進去。

先看成本這一側。一套零售 AI 系統的年度 TCO,通常長這樣:

我們看過太多案子敗在第二列和第四列。授權費只佔真實成本的三到四成,整合與維運才是大頭。有客戶簽約時只看到 60 萬授權,上線後才發現整年 TCO 逼近 200 萬——不是被騙,是沒人幫他把帳算全。

效益盤點:客服、行銷、庫存三條線

效益要分場景算,因為每條線的計算邏輯不一樣。

客服是最容易量化的。公式是:節省人力成本 = 自動處理對話數 × 每次人工處理成本。以一家月進 2 萬張客服單、每單人工成本約 35 元的電商為例,若 AI Copilot 能一次解決 45% 的常見問題(退換貨、物流查詢、尺寸諮詢),年省約 2 萬 × 12 × 45% × 35 ≈ 378 萬。但我要誠實說:這個 45% 是「有人在後面持續調」才守得住的數字。我們接手過一個上線即宣稱 60% 自動化的案子,實際跑三個月只剩 12%,因為沒人維護知識庫,答錯的客訴反而變多。Demo 很美不算數,上線且有人在用才算數。

行銷這條線效益最高、也最容易灌水。真正能歸因的是三塊:商品描述與素材生成把上架工時砍掉六到八成;個人化推薦把轉換率拉高;再行銷分眾把 EDM 打開率提升。算的時候要用增量口徑——推薦帶來的營收,要扣掉「本來就會買」的基準線,通常用 A/B 測試的對照組來估。我們一個服飾客戶用這招,推薦區塊帶動客單價 +18%,但真正歸因給 AI 的增量只有 +7%,其餘是季節與促銷。把 7% 誠實寫進提案,遠比吹 18% 更能讓老闆長期信任。

庫存是最被低估的一條。需求預測把安全庫存降下來,直接釋放現金流。公式:釋放資金 = 庫存降幅 × 平均庫存金額 × 資金成本率。預測準度從 65% 提到 82%,能把呆滯庫存壓低 15–25%,對一家壓著 3,000 萬庫存的電商,等於釋放 450–750 萬周轉資金,還沒算掉的倉租與報廢損失。

把三條線加總,回本點通常落在哪

把上面湊起來:中型電商年度 TCO 抓 250 萬,三條線的可歸因增量效益保守估 500–800 萬,ROI 大致落在 100–220%,回本期多半在 6 到 11 個月。這個區間跟我們實際交付的案子吻合。但決定你落在區間哪一端的,不是買了哪套模型,而是有沒有人把它推上生產線、盯著採用率。

所以我們在報 ROI 時,一定同時報「採用率假設」。授權費只買到工具,買不到那 45% 的客服自動化率——那要靠工程師進場,把系統跟你的 ERP、退換貨規則、真實對話資料綁在一起,再留下能天天調的維運機制。這也是 Tenten 做 FDE 前線部署的原因:我們算的不是 Demo 帳,是上線第 90 天還守得住的那本帳。