【写在前面】刚刚过去的这个长周末,OpenAI 再次公告AI越狱事件,一向乐观的比尔·盖茨发出 AI 武器化警告,中美元首同意建立一条人工智能事件的沟通渠道……关于人工智能的讨论全被架在宏大叙事上。媒体的聚光灯,已经从上半年的职业危机切向人类的存亡危机。但越是宏大,越容易失焦。回到每天置身的真实处境,当机器开始深层介入业务,AI 的命题早已滑出单纯的“工具代替人”,变成了一场关于知识、边界与控制的数据争夺。收回视线,让我们直接切入时尚消费的第一线,看看零售业的顾问式专属服务(Clienteling)如何生长出 AI 的长期记忆与品味模型。
《穿普拉达的女王 2》(2026): 在 Runway 杂志的试衣间,重演了 Nigel 帮 Andy 造型的戏,作为品味审查员,他嫌 Andy 自己挑的那身不合场景。
01|Eye for Style
我们常说:“整个门店最有价值的单位面积在试衣间”。这首先指向直接的转化。试衣间系统供应商 Alert Tech 曾经举例个案统计,约 10% 的纯浏览顾客会下单,而使用试衣间的顾客转化率达 67%,且客单价是前者的三倍。资深销售顾问更清楚,顾客在试衣间里评价的从来不只是衣服,更多是自己。多角度、强光和陌生又真实的呈现,常会逼出人脆弱的一面。这种情绪波动是任何其他场景都抓不到的消费者反馈,也构成了最核心的客户档案(Client Profile)。
人们说起传奇私人购物顾问贝蒂·哈尔布赖希(Betty Halbreich,Bergdorf Goodman 首位私人购物顾问,1976 年入职、任职逾 45 年至 96 岁高龄),会这样回忆:"She said—and others agreed—that she could tell if a dress would work for a client before they even had it zipped(她说——众人也认同——她能在拉上拉链之前就判断一条裙子是否适合某位客户)"。
客人在镜子前反复拉扯衣角,优秀的顾问绝不会草率认定她讨厌这件衣服。他会观察袖窿是否阻碍了抬臂,面料是否贴在了客人试图掩饰的部位;她避开镜子,究竟是因为陌生、局促,还是纯粹反感顶灯的光线。这些微表情与成百上千次的服务记忆叠加,让判断不断加速。到最后,连顾问自己都无法拆解其中的步骤。
面对 AI 带来的职业焦虑,人们常把一个词挂在嘴边:品味。把执行交给机器,让人决定去留。这套说辞看似无懈可击,也替许多没有标准答案的业务场景留出了一块安全区。甚至在编程领域也有数据撑腰。Anthropic 分析过大约四十万次 Claude Code 编程会话,被归为“专家级”的会话,最终通过验证的比例是“新手级”的两倍多。工具抹平了一部分手上功夫的差距,却没能消除内行与外行的壁垒。
我并不觉得“品味”这个说法错了,只是过于想当然。懂行不自动等于有品味,品味更不该充当免于追问的职业护身符。心理学界曾有过一场著名争辩。丹尼尔·卡尼曼(Daniel Kahneman)半生都在研究人的判断如何出错,加里·克莱因(Gary Klein)则专注剖析人如何在重压下凭直觉做对决定。2009 年两人合写论文《Conditions for Intuitive Expertise》,提出一个共识:直觉时而精准,时而盲目自信。判断是否可靠,取决于环境是否存在规律,以及从业者能否长期获得即时且清晰的反馈。
审美同理。心理学家托马斯·雅各布森(Thomas Jacobsen)发现,人对美的反应受制于生理条件、文化历史及个体差异。直觉和品味绝非天赐,它们在筛选、比较与试错中逐渐成型。在试衣间的方寸之地,销售顾问声称拥有判断人的职业直觉,消费者发现了自己身体和生活的品味。这些最难被机器学习的经验和知识恰好被时装零售塞进了同一个小房间,仿佛为人类工作者的尊严提供了最后的避难所。直觉和品味变成了我们必须死守的防线。
然而,所谓"Eye for Style",一部分固然死死绑定在现场互动中,另一部分却完全可以被规则化。AI 想要插手,前提是厘清经验与偏见的界线,剥离出稳定偏好与偶然反应。
Big mistake. Big. Huge! I have to go shopping now".
《风月俏佳人》Pretty Woman(1990):Vivian 在 Beverly Hills 精品店先被冷遇,购物后返回说出“Big mistake”的名场面。
02|Judgment
奢侈品零售业有一个心照不宣的词:Judgment。在业务现场,它呈现出两副面孔。
第一副是评判客人(Judging the customer)。顾问扫过客人进门时的穿搭、配饰、谈吐及同行伴侣,脑中立刻估算其购买力与意图,并分配相应的注意力。行业深知这种势利并不体面,常拿一套说辞告诫新人:顶级富豪也可能穿运动服逛街。这套叙事最出名的影像版是《风月俏佳人》(Pretty Woman)。茱莉亚·罗伯茨(Julia Roberts)饰演的女主角在罗迪欧大道的精品店遭驱逐,第二天拎着一堆竞品购物袋杀回,当面还击了以貌取人的店员。
消费研究者摩根·沃德(Morgan Ward)和达伦·达尔(Darren Dahl)专门为此写过一篇论文《Should the Devil Sell Prada?》。他们的研究,以及后来的实验都表明,客人对区别对待极为敏感。冷遇不仅重塑了她们对品牌的认知,甚至动摇了自我认同。吊诡的是,对于急于融入某类圈层的人而言,势利的冷视反倒会在短期内激发购买欲。傲慢能把人拒之门外,却也能逼出一单生意。
另一副面孔,是替客人判断(judging for the customer)。它发生在客人试完衣服走出来,顾问说“这件不如刚才那件”的时候;也发生在顾问无视客人的初始要求,而是根据场合、身材比例和她过去的选择,递过去一件她自己绝不会从衣架上取下来的衣服的时候。
现实的门店里,这两副面孔纠缠不清。扫一眼穿着,既能帮顾问精准切入开场白,也可能让他直接给客人贴上三六九等的标签。牢记客人上个月拒绝过露肩款,固然能省去试错时间,却也可能扼杀她今天想改变风格的冲动。AI 入场后,这种模糊地带并不天然消失。一个未经证实的推测,一旦被写入数据库字段,立刻就披上了事实的外衣。
当品牌急于将顾问的经验转化为公司资产,重点绝非单纯的数据存储。必须追问:这项判断依据何种证据?适用于何种场景?谁拥有纠错权?它会不会在算法推荐之外,暗中决定了一个人将被分配到何种等级的服务?
关于虚拟试衣的延展阅读:生成式AI无法解决虚拟试衣尺码精准,难道回归最初的3D起点吗?越过AI生成视频的狂欢,动态虚拟试穿如何能「合身」又「合心」?退货是女装「新常态」,一半Z世代消费者「包围式购物」,AI如何重塑电商信任
更多关于时尚与科技,推荐阅读我的译作
03|Little Black Book
传统精品零售一直提供着高度个性化的服务,只是这些手艺极少完整录入企业系统。姓名、生日、尺码及消费金额确实躺在 CRM 里。但更私密的细节,全藏在顾问个人的黑皮手帐(Little Black Book)、手机微信或 WhatsApp 记录,以及他们的大脑中。
不妨设想一位客人,姑且叫她林女士。她是虚构的,但在精品店柜台后站过几年的人,脑子里一定有对应的原型。顾问很清楚,她抗拒硬挺面料紧贴腰腹的感觉;面临关键演讲,她能接受强调肩线的西装;那件她看中却始终未买的外套,问题不在颜色,而是她觉得镜中人根本不是自己。
有一天,这位顾问离职了。
品牌保住了交易记录,却丢掉了数据背后的解释。POS系统知道一件西装被退了回来,不知道林女士不满意的是价格、袖窿、肩部比例,还是那天店员给她配的那条裤子;CRM 系统高亮提示她半年未消费,却无法分辨她是在经历人生剧变,还是由于连着几次的糟糕推荐,索性用脚投票。
波士顿咨询(BCG)2024 年数据显示,奢侈品行业 64% 的 VIC(Very Important Client)将顾问视为持续回购的核心动因,另有 68% 的 VIC 会考虑跟随离职顾问转投竞品。2026年报告,年消费超 5 万欧元的客群贡献占比,已由 2015 年的 14% 攀升至 2025 年的 24%。这意味着每一位顾问离职所携带的客户价值在持续放大。
风险远不止名单流失。商业软件公司 BSPK 的2026年报告:被摧毁的是使那些关系得以运作的累积情报——“通过多年观察建立的偏好,通过数十次精心处理的互动建立的信任,以及只有一个真正了解客户的顾问才能预见的销售契机。那些情报不存在于你的系统中的任何地方。它存在于即将离职的顾问身上。当他们离开时,它也随他们而去。”
巨头们早已警醒。在 LVMH 内部,基于 Google Cloud 架构的 AI 平台能在顾问端直接整合消费者数据,提供行动建议。不少中国的奢侈品零售商建立了围绕企业微信的软件系统。KOS (Key Opinion Sales)还在把线上用户沉淀为私域资产。CBNData 援引小红书商业动态:"2024 年上半年,奢侈品行业内容中,'线下专柜、柜哥柜姐'相关搜索量环比上涨 300%"。
把五年的聊天记录搬进数据库,并不会自己长出一个人的品味。日志还是日志。给客人下过的那些结论,也不该被原样做成永久的标签。真正值得传下去的,是每个判断的来路,以及重新判断的能力。
这是复杂的记忆工程问题,当然也是资本对情感劳动和个人隐性知识的剥夺与异化。在奢侈品行业刚经历两年下行的当下,掌握顶级客户资源的销售顾问与雇主利益之间,存在更为复杂而微妙的博弈和张力。这就不在今天的话题内了。
《私人采购员》Personal Shopper(2016):Maureen 替明星雇主出入巴黎精品店。
04|Taste Model
今天大多数时尚类的 AI 顾问,已经掌握了相当丰富的公共审美知识。大语言模型知道哪些颜色放在一起好看,知道上班、约会和旅行各该怎么穿,也能把身材数据、当地天气和这一次的需求都算进去。只要商品信息足够完整,给人配一套看上去不错的衣服并不难。
困境恰恰在于,机器只能输出平均的正确,却完全无法解释眼前这位活生生的客人为何最终刷卡买单。两个体型一致的人参加同一场晚宴,面对同一件硬挺廓形的外套,反应可能截然相反。前者从利落的肩线中汲取权力感,后者只觉得它咄咄逼人。有人迷恋真丝垂坠的触觉,也有人极度排斥冰凉的丝织物贴紧后背。这里面交织着个人偏好、身体记忆、职场地位,以及她当晚究竟要去见谁。
要懂一个人,客户档案里需要一个品味模型(Taste Model)。
如果一定要给这套东西下个定义,我会说,它是一叠证据,一个延迟判决的动态容器:一个人在具体的场合里,面对一件衣服、一身搭配或一张造型照片时留下的反应,以及从这些反应里慢慢看出来的偏好,连同它们的不确定性。它不急着回答“她是哪一种人”,只是一直记着:她在什么场合接受什么、拒绝什么,边界大概在哪里,还有哪些事,其实我们还不知道。
给人贴上“极简保守型”“法式优雅型”或者“地位驱动型”的标签,是最省事的做法,也是丢掉信息最多的一步。
林女士上班时需要清楚的肩线和不太抢眼的颜色;周末她愿意穿宽松、柔软的衣服;度假旅行,她又会接受平时很少碰的印花和更多的露肤。把这些压成一个风格词,系统读起来是轻松了,下一次推荐真正需要的信息却被抹平了。
标签还会造出一个安静的茧房。系统凭寥寥几次行为,把她归进某一种风格;然后优先给她看符合这个标签的商品;她只能在已经筛过一遍的候选里挑;她挑出来的东西,又被当成标签贴对了的证据。画像看上去越来越准,她能看到的却越来越少。
一份合格的客户档案,应该是一个跨越多次服务、能在顾问和系统之间传递的“容器”。它不该给一个人下终审判决。林女士的档案里,放着三种性质很不一样的东西。
有些是事实(硬约束层):尺码,必要的身体数据,对某种面料过敏,以及她明确说过绝对不穿的东西。它们可以早一点进入系统,直接划定候选的范围。
有些是偏好(偏好聚合层):是一次次试穿攒下来的账。比如,通勤穿的上衣里,垫肩的款式给她看过五次,她只留下了一件。这笔账不解释她的心理,只参与检索和排序,并且随着新的行为不断更新。
还有一些只是推测(负责跨偏好寻找共同模式的洞察层):垫肩、横条纹、大廓形的外套一样样被她拒绝之后,系统可以提出一个假设:她也许在避免让肩部显得更宽。
还有一件容易弄混的事:一件衣服(Item)、一身搭配(Outfit)和一张造型大片(Look),是三样不同的东西。一件衣服有它自己的面料、版型、颜色和细节;一身搭配关乎几件衣服放在一起的比例、层次、配色和视觉焦点;一张照片里,还有模特、妆发、姿态、场景和光影。
林女士收藏了一张海边的照片。她向往的,可能是那天的阳光、模特的姿态、照片里那种日子,不一定是其中的每一件衣服。她在一身搭配里换掉了一件外套,也不能证明这件外套放进别的搭配里就一文不值。把对一张照片的喜欢,拆成对照片里每一件单品的喜欢,等于往她的档案里塞进一批分不开的假证据。
无论真人还是AI顾问,品味模型不应急着解释。这和传统机器学习中以快速收敛和降维分类为目标的推荐算法逻辑不同。真正的机器智能需要容忍并记录人类行为的混沌与矛盾。所有交互原文件必须冷存储:保留哪怕一句最情绪化的原话、一张试穿快照以及更换搭配前后的每一个版本。唯有保存未被污染的原始案卷,未来迭代出的更强模型,才有机会重新破译这串密码。
当然,这份案卷属于客人。身体数据、试穿快照、消费记录和私人对话,敏感程度各不相同,应当分别取得授权,客人也要能查看、修改和删除关于自己的长期记录。模型的推测不能绕过顾问和客人,直接变成排除条件;低消费更不能被悄悄翻译成低服务等级。
《甜姐儿》Funny Face(1957):Audrey Hepburn 在巴黎时装屋进行 Givenchy 造型试穿。
05|Try On
线下店绝不会蠢到逼客人填写长篇问卷,AI 终端也该懂这个规矩。问卷只配采集硬指标,真实的品味,只能在试衣间这个建构身份的微观道场里一点点长出来。
有人会回答理想中的自己,而不是每天真正会穿的那个自己。有人能感觉到“这身不对”,却说不清毛病出在肩线、比例还是材质。还有人对“法式”“高级”“松弛”的理解,和系统词表里的意思根本不是一回事。这里不一定有谁在故意撒谎,只是语言一旦离开了具体的衣服和身体,就变得靠不住。
试衣间的价值,在于它把一种抽象的兴趣,变成了对一个具体东西的反应。林女士站到镜子前,打量的也不只是衣服。她看见自己的肩膀、腰腹和腿,也在丈量这件衣服所投射的那个身份。她可能担心裙子太贴,西装太强势,或者一件过分年轻的设计,让她像在勉强扮演另一个人。
当场景切入线上虚拟试衣,失去的不仅是面料摩擦肌肤的触感。算法极难捕捉体态上的细微瑟缩,更不存在人际之间的信任背书。渲染引擎带来的误差甚至会制造新的认知灾难:客人愤然关掉窗口,拒绝的压根不是那条裙子,而是屏幕里那个严重失真的数字分身。
但它有一样线下试衣间很难大规模提供的东西:单变量控制。系统可以让人像、背景、光线和姿势大致不动,每次只调整一个主要的维度:廓形松一点,领口收拢一些,降低色彩纯度,或者把视线的焦点从外套挪到配饰上。她留下、拒绝或者替换之后,反馈有了更清楚的方向。
把一套差不多的搭配连着给她试十次,系统学不到多少东西;她每次都点“喜欢”,可能只说明推荐从来没走出过安全区。反过来,一次同时改掉颜色、长度、材质和廓形,她拒绝了,你也不知道她拒绝的是哪一样。好的服务会在舒适和越界之间留出一小段距离,让每一次选择都带着一点信息,又不拿客人明确说过的禁忌去做实验。
由此获得的洞察带着来历:是哪几次试穿撑着它,它适用于什么场合,把握有多大,眼下处在什么状态。一条说不出自己从哪儿来的推测,不该留在档案里;一条还没被确认的推测,不能变成永久的过滤条件。
这套维系老客的手艺属于 clienteling。把它放慢之后,可以看到一套反复出现的判断顺序:锚定、测试、越界、撤退。要让这门手艺成为真正的数字资产,要让它在AI新会话开始时可以加载成为影响判断的上下文,就必须正视线上虚拟试衣与物理空间的巨大鸿沟。屏幕里没有丝绸贴紧肌肤的柔滑,摄像头也捕捉不到客人接手衣物那一瞬的微表情——究竟是狂热期待、暗自疑虑,还是出于社交礼仪的敷衍。
这正是品味模型最需要的证据,要让品味从交互里长出来,服务就得先于数据被设计好。
06|Clienteling
品牌商常陷入一种狂热,以为买云空间攒下海量日志就是数据资产。但是,真正的护城河不在数据库大小,而在"字段之间"。Clienteling isn't a data problem. It's a preparation problem. Structure the visits, and the data follows ——将访问与交互结构化,数据自然随之而来。
单次导购服务必须强制落库这些参数:当时的场合和限制;系统实际给她看过哪些候选,按什么顺序;她做了什么,原话怎么说;她的反应针对的是一件衣服、一身搭配,还是一整张照片。缺少这张切片,系统永远会混淆两个截然不同的结论——她是天生厌恶阔腿裤,还是算法根本就没推过版型对的那一条。
这样一份档案,可以沿着一条很朴素的链条生长:先是发生过的事,再是从这些事里统计出的偏好,然后是根据偏好提出的推测;推测用来安排下一次试探,试探换来她新的反应,又回到链条的起点。
单次的判断要能被系统继承,得有明确的对象和场合;要能用进服务里,得变成具体的动作:选什么货,提前备什么,怎么开口,试探什么;要能被评估,得看得见后来的事:她接受了没有,退了没有,还回不回来,有没有微信主动联系;若想把这套机制长期跑下去,一旦前置证据松动,过往的推测必须立刻触发降权、熔断或全局重算。
这样的资产可能改变一家公司对收入的理解。更相关的候选能缩短挑选的过程,少一些明显不合适的推荐;退货原因分得更细,下一次选货就能改进;跨越历史记录延续下来的记忆,能让客人少费些口舌解释自己;有分寸的探索,也许能让她发现一个原本不会主动去找的品类。这些都有机会提高成交、连带购买和复购,也减少一部分因为不合适而退回的货。
品牌得把服务指标和经营指标放进同一组实验里看:推荐被接受的比例有没有提高,第一件真正合适的候选是不是出现得更早,退货原因有没有减少,客人纠正系统以后结果有没有变好,新回合的服务还接不接得上。如果系统只是让点击变多,却让她的选择变窄、退货变多、信任变少,那这份资产其实是在制造成本。
奢侈品牌 VIC 享受的服务之所以昂贵,并不只是因为每次进店的香槟和中秋节的月饼。溢价买单的,是持续连贯的记忆、极度周密的接待预演、深不见底的耐心、对客户人生轨迹转折的敏锐嗅觉……线上的 AI 时尚顾问,可以把其中一部分从稀缺的人力里拆出来。在每位普通消费者唤醒服务之前,系统已提前备好候选。她皱眉否决掉的一件大衣,绝不会因为客服换班又被推回眼前。算法敢于亮出推荐底牌,也坦然接受客人当面指出归因谬误。
这不等于承诺每个人都能得到一个数字版的贝蒂·哈尔布赖希,而是让最基本的长期记忆和品味学习成为每个人都有的服务。
都读到这里了,还不点赞关注?❤️您的支持是我坚持书写的不竭动力。
分享给您的同事和朋友,时尚的数字化之路,道阻且长,携手前行,行则将至。
新书《时尚与科技简史》还没写完,Stay Tuned!