背景：球迷買一件球衣，卻常常湊不出一整套造型
運動授權商品的線上零售有個長年難題：球迷決定買哪件球衣往往很快，但要湊出「整套看起來協調」的穿搭，卻得在帽子、外套、T 恤、配件等不同分類之間來回跳轉。對平台而言，這不只是使用者體驗問題，也直接關係到客單價與商品曝光效率。Fanatics 是全球性的數位運動平台，業務橫跨企業端服務、電商、收藏品，以及博彩與遊戲，旗下除了 Fanatics.com，也營運 NFL、NBA、MLB、NHL 等職業聯盟的官方線上商店。這類網站的商品數量以萬計，且隨著賽季、球隊戰績與流行風格持續變動，任何靠人工策展的搭配清單都很難跟上節奏。
根據 OpenAI 於 2026 年 10 月 26 日發布的案例說明，Fanatics 與 OpenAI 合作推出由 AI 模型驅動的新版 Shop the Look，讓球迷在瀏覽商品時直接看到成套的搭配建議。這裡的 Shop the Look 指的是「看這件、配那幾件」的導購機制，它的價值在於把原本需要使用者自己想辦法的搭配決策，轉成一組具體可購買的清單。
核心內容：推薦怎麼被組出來
新版 Shop the Look 已經上線到 Fanatics 網路中的多個站點，包括 Fanatics.com 與 NFL、NBA、MLB、NHL 的官方線上商店。實際運作方式是：當球迷在商品頁瀏覽某支球隊的球衣時，頁面會同時給出成套的穿搭建議，而且只從「同隊、符合該風格、且目前有現貨」的商品中挑選。這一點相當關鍵，因為搭配推薦如果給出缺貨或別隊的商品，不只沒有導購效果，還會直接傷害信任。
在技術層面，OpenAI 的模型並不是單靠圖片或標題就猜測搭配。它讀取的是經過強化的商品資料、球隊資訊與庫存狀態，三方一起判斷哪些商品能組得起來。於此之上，Fanatics 自己的商品企劃規則扮演守門人角色，確保模型產出的組合在商業邏輯與球隊識別上說得通。由於目錄與庫存每天都在變動，這些搭配組合也會每日刷新，避免推薦到已經下架或斷碼的商品。換句話說，這套系統的骨架是「模型負責生成與組合，企業規則負責約束與篩選」，而不是把搭配決定權完全交給模型。
開發與驗證：50 件商品不到一天，一週內通過 MVP
值得一提的是這次的建置方式。Fanatics 的工程團隊與 OpenAI 使用了 Codex 來打造客製化的推薦工具。Codex 是 OpenAI 針對軟體開發場景推出的程式碼模型與代理工具，能依描述產生程式碼、協助修改與自動化開發流程。在這個專案裡，團隊用它來做四件事：補強商品與目錄資料、找出彼此相容的商品、評估推薦結果的好壞，以及為每一件商品生成搭配組合。
效果反映在速度上。測試第一批 50 件商品，花不到 24 小時就完成。Fanatics 團隊直接檢視這些搭配結果，並把意見回饋給實際開發的人，來回迭代幾天後，同一個星期內就核准了最小可行產品（MVP，minimum viable product，指功能足以驗證方向、但尚未完整的初版）。隨後 OpenAI 協助設計整體方案，讓 Fanatics 能把新版 Shop the Look 部署到正式環境，並把做法擴展到數千件商品。這種「先做小樣本、人工檢視、快速修正、再放大」的路徑，其實比模型本身更能解釋為什麼專案能這麼快推上線。
成效與意義：3 萬件 MLB 商品，互動率提升 10%
在把推薦邏輯放到約 30,000 件 MLB 商品上測試之後，由 OpenAI 驅動的新版 Shop the Look，互動表現比舊版高出 10%。官方公布的數據還包括：測試規模約 3 萬件 MLB 商品、測試首批 50 件商品耗時不到 24 小時、以及相對於舊版 Shop the Look 的 10% 互動提升。從產業角度看，這個案例說明了幾件事。第一，零售推薦的品質上限，往往取決於商品資料的豐富度與正確性，而非單純的模型規模；資料沒整理好，再強的模型也只能給出似是而非的搭配。第二，把企業既有的商品企劃規則放進流程，能讓生成式輸出落在可控制的範圍內，這對品牌授權商品尤其重要，因為球隊配色與品類授權都有嚴格界線。第三，開發工具本身也在改變導入速度，從驗證到上線的週期被壓縮到以「天」為單位。
限制與待觀察之處
不過，現有資訊仍有明顯邊界。10% 指的是「互動」（engagement）的提升，並未說明具體衡量的是點擊、停留、加入購物車還是其他行為，也沒有揭露轉換率、客單價、退貨率等更貼近營收的指標，更沒有說明測試期間長短與統計顯著性。約 3 萬件商品的測試範圍集中在 MLB，其他聯盟、其他品類（如收藏品或非賽季商品）能否得到相近效果，目前沒有資料佐證。此外，即時庫存與目錄資料的延遲、跨隊誤配、風格偏好偏差，以及推薦推論的成本，都是這類系統在規模化後必須持續處理的問題。互動提升也不必然等於銷售提升，兩者之間還隔著價格、尺寸、物流與結帳體驗。
可以確定的是，Fanatics 與 OpenAI 的合作把一個原本高度依賴人工策展的導購環節，改造成由資料、模型與企業規則共同驅動的日常流程，並且在賽季開打前完成上線。對於商品數龐大、季節性強烈的運動零售來說，這種「每日刷新、規則可控、快速驗證」的組合，比單一的推薦演算法更接近實際可運作的解法。
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。