据TechRadar报道，零售业人工智能落地的关键瓶颈可能不在模型本身，而在门店基础设施能否把AI建议转化为及时、准确的动作。这篇由SOLUM欧洲高级副总裁撰写的文章指出，价格调整、库存预测或拣货路线优化只有在门店端被可靠执行时，才会为零售商带来价值。
文章引用德勤2026年对200名零售与消费品高管的调查称，75%的受访者将AI视为最高战略优先级之一，但只有16.5%能够量化AI带来的回报。这一差距显示，零售商相信AI，却难以把分散的能力转化为在整个业务中稳定运行的系统。
对实体零售商而言，挑战不止于模型、数据或软件。AI驱动的决策必须穿过装有数千台设备、既有网络和多年累积技术的门店。文章称，在复杂环境中，建筑本身也会影响连接性。随着联网端点数量增长，承载店内信息传输的无线基础变得更为关键。对首席信息官和首席技术官来说，AI面临的下一个限制可能来自门店资产能否在规模上可靠执行。
门店并不是云工作负载。实体零售存在软件团队无法抽象掉的条件：墙、金属货架、冷藏设备、后仓、装卸区以及已安装的旧系统，还有营业时间。架构图上看似简单的基础设施改动，在数百家门店重复时可能变得昂贵或具有破坏性。
以库存为例，预测模型可以改善补货决策，但门店层面的执行可能依赖货架传感器、手持设备、拣货工具和准确的产品信息共同交换数据。计算机视觉、数字显示屏和环境监测又会增加更多端点与数据类型，从常规设备更新、传感器读数到视觉内容和实时运营数据。这些工作负载对网络提出不同要求：有些需要高带宽或低延迟，有些则涉及大量电池供电设备在困难环境中定期发送更新。单独看，它们未必构成网络问题；合在一起，就可能变成一个网络问题。
文章称，如果定价决策无法迅速到达每家门店，补货信号来得太晚，或者每个新应用都需要再建一层昂贵的基础设施，零售商就会损失技术原本应创造的部分价值。一种应对方式是为下一个项目增加网关、控制器或应用层。这在试点阶段可能可行，但反复实施后，每台新设备都会获得单独的集成路径、安全责任方、管理控制台和故障模式。在困难的门店环境中，用项目专用基础设施克服覆盖缺口，也会改变部署的经济性。技术或许能运行，运营却会越来越难。
规模化问题往往在试点成功后出现。零售技术团队习惯追问新应用是否满足业务案例，AI则带来另一个问题：如果应用成功，基础设施会怎样。试点可能只涉及一家门店和有限数量的端点，规模扩大后经济性随之改变。覆盖必须遍及整栋建筑，更新必须在正常营业期间保持可靠，安全团队需要一致的方式接入和管理设备，运营团队也需要在故障发生时明确责任归属。
文章认为，连接性应被视为架构选择，而不是埋在每次采购中的规格。目标不是替换所有现有网络，也不是为每个应用单独建网，而是让工作负载匹配最适合其需求的无线层，同时保持门店资产可管理。现有设计在一些门店可能足够；在大型或复杂业态中，或者当合适的零售物联网端点快速增长时，增加专用无线层可能是合理的。这一决定应当有意识地作出，而不是一个项目接一个项目地继承下来。
面向未来的门店不太可能依赖一张网络完成所有事情，更可能使用多个连接层，各自支持最适合的工作负载。文章称，零售商现在应考虑，企业Wi-Fi是否还应继续作为每一类新联网设备的默认传输层。