超商的 AI 盤點系統，第一個抓到的不是小偷

人工盤點的誤差來源，大致可以分成三類。第一類是「物理極限」：排面深處、冰箱底層、高處貨架、倉庫堆疊，人眼與手臂搆不到的地方，基本上就是憑經驗估。第二類是「時間壓力」：盤點通常在閉店後或交接班進行，店員已經站了八小時，還要面對兩三千個品項，疲勞誤差幾乎無法避免。第三類是「紀錄習慣」：報廢丟了但沒登錄、試吃吃掉了但沒記帳、贈品送出去但沒扣庫存、調撥給別店但單子沒補，這些「小小的便宜行事」累積起來，就是盤點差異的主要來源。

換句話說，人工盤點的誤差，絕大多數不是「有人偷」，而是「有人忘記」。而忘記，是流程設計的問題，不是人格的問題。這正是 AI 盤點系統上線後，第一批浮現的異常清單之所以讓店長們意外的原因——清單裡幾乎都是「忘記」，不是「偷」。

二、第一個被「抓到」的，通常不是小偷

系統上線的第一週，很多店長會有一種被「查帳」的錯覺。異常清單一張一張跳出來，紅色警示、黃色提醒、每日摘要，手機通知響個不停。但仔細看內容，會發現一個有趣的規律：真正涉及「有人刻意拿走不付錢」的案例，比例低得驚人；絕大多數的異常，都是門市日常裡那些「大家都知道有一點怪、但沒人有空去追」的小事。

五種最常見的「帳實不符」

第一種是「誤刷與重複刷」。尖峰時段排隊人潮一長，店員手忙腳亂，同一件商品刷兩次、或是把 A 商品的條碼刷成 B 商品，都是常態。顧客通常不會發現，因為總金額差不多；但庫存帳就會開始歪。AI 盤點透過影像與重量的交叉比對，第一個抓到的就是這種「交易成功但商品沒動」的落差。

第二種是「報廢未登錄」。鮮食是超商的命脈，也是損耗最重的品類。過期飯糰、三明治、沙拉、關東煮，依規定都要走報廢流程並登錄系統。但在忙碌的門市裡，「先丟掉、等一下再補登」是常見作法，運氣不好就忘了補。結果是：商品確實不在了，但系統裡它還在架上。AI 看到的是「憑空消失」，供應鏈看到的卻是「這家店賣得不錯，下一批多配一點」。這種誤差會一路放大。

第三種是「贈品與試吃」。買一送一、集點贈品、試吃活動、員工餐飲折扣，這些「非標準交易」最容易被漏記。它們沒有產生正常的 POS 紀錄，卻實實在在地消耗了庫存。AI 盤點會把它們標記為「無對應交易的減少」，看起來很像失竊，其實是活動成本沒有被正确歸帳。

第四種是「調撥與寄售」。門市之間的緊急調貨、供應商寄售（賣完才結帳）的商品、廠商補貨但單據晚到，這些都會造成時間差。AI 盤點系統若沒有把調撥單與寄售合約納入模型，就會把「還沒入帳的到貨」判定為異常。

第五種是「供應商短溢」與「收貨誤差」。整箱進貨時，箱上寫二十四入，實際只有二十三入；或是有即期品混在裡面，收貨時沒檢查到。這種誤差發生在門市之外，卻由門市承擔盤點損失，是零售業長年以來的灰色地帶，也是 AI 盤點最容易被誤解的一種「假警報」。

茶葉蛋與關東煮：無法條碼化的灰色地帶

如果說包裝商品是「有條碼的秩序」，那茶葉蛋、關東煮、熱狗、地瓜、現沖咖啡，就是「沒有條碼的江湖」。這些品項的特性是：單位價值低、交易頻繁、耗損即時、而且「賣出的那一刻」與「庫存減少的時刻」經常不同步。

以茶葉蛋為例，一鍋滷下去就是幾十顆，賣出的時候按鈕計數，但破損、煮過頭、顧客夾走卻沒結帳、員工自己吃掉，全部都會影響實際數量。AI 盤點系統若要處理這類商品，光靠影像不夠，還得結合加熱設備的使用紀錄、POS 的品項銷售曲線，甚至鍋內的重量變化。這也是為什麼很多系統在鮮食區的準確率，會比包裝飲料區低上一截。

而這正是「第一個抓到的不是小偷」最生動的證據：系統在熱食區抓到最多的，是「煮太多沒賣完」與「報廢沒登錄」，而不是「有人偷吃」。前者是訂貨與製備管理的問題，後者才是道德問題。而前者對門市利潤的傷害，往往比後者大得多。

三、當盤點變成即時儀表板：門市營運的五個轉變

AI 盤點真正的價值，不在於「抓錯」，而在於「讓看不見的東西變得看得見」。當盤點從每月一次的報表，變成一塊即時更新的儀表板，門市營運的邏輯就會跟著改變。這種改變不是漸進的，而是結構性的。

排面管理從「感覺」變成「像素」

過去談排面管理，靠的是資深店員的「感覺」：這裡飲料要多擺一點、那格餅乾要往前拉、這個位置留給新品。經驗很珍貴，但它無法複製，也無法量化。

AI 盤點系統把排面變成可量化的資料：每一格的可見庫存、缺貨天數、排面深度、甚至「顧客拿起後又放回」的比率。於是店長第一次可以具體地說出「這支飲料在第三層的週轉率是第五層的兩倍」，也可以第一次用數據說服總部：「這個陳列圖在這家店行不通，因為我們的客群結構不一樣。」

更細緻的改變是「缺貨偵測」。傳統缺貨是顧客告訴你，或是店員補貨時才發現。AI 盤點則是在「賣完的那一刻」就跳出通知，甚至在「快要賣完」時提醒。這聽起來只是效率提升，但實際上它改變了門市的補貨節奏——從「想到才補」變成「該補就補」，從「一天補兩次」變成「動態補貨」。

報廢率、訂貨節奏與鮮食生命週期

鮮食是超商獲利的核心，也是損耗的黑洞。過去訂貨靠的是「歷史銷售加上店長直覺」，但歷史銷售本身就被盤點誤差污染了：帳上賣掉的不一定是真的賣掉，帳上報廢的不一定是真的報廢。當 AI 盤點把「實際售出」與「實際報廢」分開計算，訂貨模型才有了乾淨的訓練資料。

結果很有趣：很多門市在導入系統後，第一個改善的指標不是「失竊率」，而是「報廢率」與「缺貨率」同時下降。這在邏輯上是矛盾的——少訂貨通常會提高缺貨，多訂貨通常會提高報廢。兩者同時下降，代表的是「訂得剛剛好」，也就是需求預測變準了。而需求預測變準的前提，正是盤點變準。

這條因果鏈值得畫線：AI 盤點 → 帳實一致 → 銷售與報廢資料變乾淨 → 訂貨模型變準 → 報廢與缺貨同時下降 → 毛利提升。整條鏈上，完全沒有「抓小偷」這件事。但它帶來的利潤改善，卻遠遠超過防損。

四、最難處理的不是損失，是人心

技術的推進很快，人心的調適很慢。當門市裝上攝影機、層板裝上感測器、系統開始每天產出「異常排行榜」，最直接受到衝擊的，不是小偷，而是每天站在櫃檯後面的那些人。

監控與信任的邊界

很多員工的第一反應是：「所以現在是在監視我們嗎？」這個問題非常合理，也不該被輕易打發。AI 盤點系統在技術上確實具備「持續觀察」的能力，它看得見誰在什麼時候拿了什麼、放了什麼、刷了什麼。即使系統的設計目的是「看商品」而不是「看人」，但資料留下來了，就存在被詮釋的空間。

實務上比較健康的做法，是把「系統的用途」講清楚，並且落實在制度上。例如：異常清單先由系統自動分類（作業誤差、資料落差、疑似異常），只有「疑似異常」才進入人工複核；複核由店長與區督導共同進行，並且必須比對多筆紀錄，而不是單一事件；員工有權知道自己的紀錄被如何使用，也有申訴管道。

更關鍵的是「互惠原則」。如果系統只被用來「抓錯」，員工的抵抗一定很強；但如果系統同時被用來「幫員工解決問題」——例如自動提醒補貨、減少重複盤點、降低加班時間、讓排班更合理——員工的接受度會完全不同。同一套技術，放在「監督」的框架裡是壓力，放在「支援」的框架裡是工具。差別不在技術，在管理者的選擇。

標籤化風險：演算法不會說謊，但會偏

AI 盤點系統最容易被忽略的風險，是「偏誤的累積」。假設某家店的攝影機角度剛好拍不到最下層貨架，那個區域的異常率就會偏高；假設某個時段的店員人力特別少，誤刷率就會偏高；假設某個品項的標價卡經常來不及更新，價格異常就會集中在同一個人身上。

這些「偏高」若沒有被正確解讀，就會變成「標籤」。系統不會說謊，但它只會說出它看得見的部分；而人會自動補齊它看不見的部分，並且往往補上最壞的解釋。於是「異常排行榜上的第一名」，很可能只是「負責那個時段、那個區域、那個品項」的人。

因此，負責任的導入流程，應該包含三件事：一是「資料品質稽核」，確認攝影機覆蓋率、感測器校正、標價卡同步；二是「情境標註」，讓系統知道人力配置、活動檔期、施工改裝等變數；三是「人為複核的比例下限」，也就是規定任何懲處性結論都必須經過人工確認。這些流程看起來很囉唆，但它們是避免技術變成偏見放大器的唯一辦法。

說到底，AI 盤點系統照出來的，往往不是「誰有問題」，而是「哪個環節有問題」。把系統性問題個人化，是管理上最常見、也最昂貴的錯誤。

五、從防損到增益：AI 盤點的第二階段

如果只把 AI 盤點當成「防損工具」，那它的價值大概只發揮了三成。真正讓連鎖體系願意投資的，是它在「增益」上的潛力——也就是用更準的資料，去換更好的決策。

向上游延伸的漣漪效應

門市的盤點資料一旦變準，影響會往外擴散。採購端會發現，某些商品的「門市銷售」與「總倉出貨」之間的落差突然變得可解釋；物流端會發現，某些路線的配送頻率可以調整；供應商端會發現，某些包裝規格在門市端造成的損耗特別高，可以改進。

舉例來說，過去門市回報「這批鮮奶經常少兩瓶」，總部通常只能記上一筆。但有了 AI 盤點的逐筆紀錄，就可以判斷是「物流配送短少」、「門市收貨未點清」、還是「冷藏溫度異常導致報廢未登錄」。同一句抱怨，變成了可歸因的問題，也就變成了可改善的流程。

再往上一層，是「需求訊號的乾淨化」。當銷售資料不再被盤點誤差污染，總部的品類管理、定價策略、促銷規劃，都會變得更可靠。這是 AI 盤點最被低估的價值：它不是一個防弊系統，而是一個「資料清洗系統」，而乾淨的資料，是整個零售體系最重要的原料。

小店人情與大系統理性之間的翻譯層

便利商店有一個很特別的文化：它是連鎖體系，卻高度依賴「人情」。熟客會跟店員聊天、會寄放東西、會記得誰家的孩子考上哪裡；店長會幫鄰居留一份報紙、會讓晚歸的上班族多拿一包關東煮的湯。這些「不精準」的行為，正是超商最溫暖的部分。

AI 盤點系統的到來，很容易與這種人情文化產生摩擦。因為系統追求的是精準、一致、可稽核，而人情往往伴隨著「小小的通融」。例如：熟客賒帳、店員請朋友喝一杯、颱風天讓附近居民先進店避雨順便拿瓶水。這些行為在系統眼裡，都是「異常」。

成熟的導入方式，不會試圖消滅這些人情，而是建立一個「翻譯層」。例如設定「合理損耗容忍值」，讓一定比例內的差異不被視為異常；例如把「特殊情境」變成可註記的欄位，讓店長可以留下說明；例如把「人情成本」納入門市績效的計算，而不是當成純粹的損失。

換句話說，AI 盤點系統要處理的，不只是「帳實是否相符」，還有「制度與文化如何共存」。這件事沒有標準答案，但它決定了這套系統最後是成為門市的助力，還是門市的負擔。

六、給門市與品牌的實務清單

如果你正準備在自己的門市或體系導入 AI 盤點，以下幾件事值得先想清楚。

七、結語：抓小偷，是最後一個用途

回到那個凌晨三點的門市。如果 AI 盤點系統真的全面普及，店長或許不用再蹲在飲料櫃前翻找，也不用再對著盤點機發愁。他會打開平板，看到一張即時更新的儀表板：哪一格缺貨、哪個品項報廢偏高、哪批到貨有短少、哪支商品的排面該調整。這些資訊過去要靠經驗與猜測，現在靠資料與持續觀察。

而「抓小偷」這件事，當然還是會發生。系統終究會在某些時刻，照出那些刻意為之的侵占行為——可能是員工、可能是顧客、也可能是外部人員。但那是它最後、也最不重要的一個用途。因為真正會讓一家門市虧錢的，從來不是偶爾的失竊，而是每天都在發生的、被視為理所當然的「小誤差」。

超商的 AI 盤點系統，第一個抓到的不是小偷，而是我們長久以來對「差不多就好」的容忍。它照見的，是一整套需要被重新設計的流程、一種需要被重新協商的管理關係，以及一個很樸素的道理：當你開始認真看待每一瓶飲料、每一顆茶葉蛋的去向，你會發現，問題通常不在人心，而在系統。

而把系統修好，遠比抓一個小偷，更能讓那盞招牌燈，繼續亮下去。

```

🏠 返回首頁