母亲节前夕，美国百货连锁 Kohl’s 上线了一款 AI 礼品推荐智能体（Gift Finder Agent），安装在电商页面和门店数字终端。用户只需用自然语言描述想送礼的对象——比如「妈妈，55岁，喜欢园艺和烹饪」——Agent 就能在数万SKU中找出匹配推荐，并给出搭配建议。
这是 Google Cloud Gemini Enterprise for Customer Experience 平台在零售场景的一次重量级落地。
从「搜索」到「对话」：客户体验的范式转移
传统电商的礼品推荐依赖关键词匹配和用户行为数据冷启动。用户需要自己「想清楚」要什么，然后在搜索框里把它打出来。
AI Gift Finder Agent 的逻辑完全不同：你描述需求，Agent 来理解和翻译。
Kohl’s 数据显示，上线第一周，使用 Agent 推荐的客户转化率比传统搜索高出 23%，平均客单价提升 17%。这个数字比大多数 AI 功能的内测数据更有说服力——它是真实生产环境的反馈。
员工端：数据分析 Agent 成为新的「基层工具」
除了面向消费者的 Gift Finder，Kohl’s 还向员工开放了一个内部 AI 分析 Agent。员工可以用自然语言查询销售数据、库存状态、促销活动效果等。
这相当于把数据分析能力从专业分析师手里，下沉到一线店员和运营人员。
对于零售业这种员工规模大、专业数据分析能力稀缺但日常决策依赖数据的行业，这种 Agent 部署路径有很强的参考价值：不是让 AI 替代人做决策，而是让更多的人具备做决策的能力。
零售 Agent 落地的三个关键成功因素
Kohl’s 案例让我们看到零售 Agent 能否规模化的三个先决条件：
场景足够清晰。 礼品推荐是一个边界明确、反馈及时的场景——用户满意不满意的判断成本很低，不像金融风控或医疗诊断那样需要极高的准确率和复杂的后果评估。零售场景是 Agent 落地的「低垂果实」。
数据基础足够好。 要让 Agent 理解商品特征和用户需求，商品数据库、用户画像、历史购买数据必须结构化、可检索。Kohl’s 能做 Gift Finder，背后是 GCP 的向量数据库和 Gemini 的语义理解能力在支撑。
组织有试错文化。 零售业大规模铺 Agent 的风险在于「客服兜底」失效——当 Agent 推荐错了，用户会不会直接流失。Kohl’s 的做法是 Agent 辅助 + 人工兜底双轨并行，而不是一步到位「全 AI」。
我们的判断
Kohl’s 案例对国内零售行业的参考价值在于：它证明了 Agent 在零售场景不是「锦上添花」，而是「降本增效的可信路径」。
但国内零售企业做 Agent 有一个独特的挑战：多平台数据孤岛。天猫、京东、抖音、微信小程序各有各的数据格式，Agent 要做到「跨平台理解用户」，首先要把数据整合这一关过了。
对零售行业的技术负责人而言，这个案例最重要的启示不是「Gift Finder」这个产品本身，而是「Google Cloud Gemini Enterprise 平台」提供了一套可复用的零售 Agent 架构：语义理解 + 商品知识库 + 推荐生成 + 人工兜底机制。想做类似尝试的企业，可以从这个技术栈切入。
如果你正在评估零售场景的 Agent 方案，Kohl’s 的路径值得参考：先从高重复、低风险、可量化的场景开始（M品类礼品推荐），跑通之后再横向扩展到更多品类和场景。