近两年，几个互不相干的信息源给出过同一个判断：中国企业出海是出路。今年 6 月起，我把一部分信息源往外贸和跨境电商方向调整；7 月读到过一个 AI 客服的落地案例——一家卖家把多语言站内信交给大模型，把旺季的响应时长压了下来。当时记了一笔，没有深入。
跨境电商是我能看到的、AI 落地最有肉的行业之一：环节多、重复劳动多、多语言多平台。客服、素材、文案、广告、对账、补货，每个环节都在喊缺人。
所以第一轮调研做的是盘点：市面上成熟的方案有哪些，分别解决什么问题。目的一是学习参考，二是识别三类情况——方案通用宽泛、缺乏针对性；成本偏高；数据安全上有顾虑。这三类情况恰好是另一个问题的答案：企业在什么情况下，会想内部自己落地一套。
丑话说在前面：这篇是一个人做的调研与沙盘。我没有店铺，拿不到任何平台后台的真实数据。手边的实物参考只有两样：一个注册过的聚水潭账号，用来看一家真实 ERP 的进销存口径长什么样；一套本地跑着的空 Odoo，后来成了沙盘 ERP 侧的对接对象。沙盘跑的是模拟数据，目前唯一的用户是我自己——它能证明链路完整、结论可复算，证明不了真实收益。
一、先说三条结论
答案不在「AI 能做什么」，在「什么至今没被解决」。 盘点能力只解决「我能用什么」，解决不了「该不该做」。
最后活下来的候选，不是最像 AI 的那个。 能确定性解决的，规则比大模型更便宜、更可靠、也更好交代。
内部提效岗和面向市场的产品岗，是两个目标函数。 前者比的是「做完了有没有人用」，后者比的是「客户愿不愿意续费」。这篇按前者的函数来写，文末展开。
二、一张表：已明确可解的，和仍然是难点的
盘点的结论先说在前面：市面上的方案集中在几类能力上，成熟度差异很大；「不适配」的三种典型也很快浮出来——通用宽泛、缺针对性（一个通用客服机器人，回答不了某个类目的专业问题）；按量计费，规模化之后不划算；客户信息、供应商价格、平台后台数据，不适合进公有大模型。这三条不是不认可现成方案，恰恰相反——它们是「哪些该买、哪些该自己落地」的分界线。
分界线要画得准，就得落到具体产品。我把重点业务线的痛点、已有方案、剩余难点排成一张表。前两列来自公开的卖家复盘和行业报道；第三列点名到产品与能力——「市面上已有方案」这种话没法核对，写到谁家、什么能力，边界才出得来。排完这张表，直接的观感是：这个行业的存量产品，比我这个外来者想象中厚得多。
左三列是「已经明确可解」的部分——它们不是不重要，而是方案已经摆在那里，剩下的是部署与配置，所以本文不展开。第四列才是「仍然是难点、而且还有价值」的部分，也是本文要谈的。
但「不展开」不等于「只丢名字」——不低估存量产品，是这个选题成立的前提。挑四条业务线，把方案的实际形态摆一摆。来源先统一交代：本节的成本与成效数字，均来自厂商公开材料或第三方实战复盘，自述口径，我未独立核实。
客服与售后。 落地路径很轻：全渠道消息聚合，AI 按模板自动回复，复杂问题转人工，轻量工具月费在几十到一百多美元一档。痛点的量化来自厂商侧观察：跨境市场时差普遍在十小时上下，夜间咨询的流失率超过八成。买了工具也不自动解决的三件事——机械翻译引发的误解、承诺类回复没有兜底、GDPR 与 CCPA 对数据存储的合规要求——恰好都在第四列里。
内容与素材。 以商品原图为基准，生成主图、白底图、场景图、套图。公开实测的成本对比：人工做一张标准白底图约 45 元，AI 约 0.3 元；跨境海外实拍一个 SKU 三千到五千美元，AI 生成五十到一百元；出图周期从一到三天压到半小时以内。便宜的部分已经极度便宜，难的部分留在原地——品牌一致性审核与素材资产管理，仍是人工的活。
流程与后台。 影刀这类 RPA 在电商行业深耕多年，运营、客服、订单、财务对账的高频重复场景都有现成流程库。厂商公开案例里有具体的人数对比：某卫浴品牌大促期间，延迟发货的处理从七到八个专员减到一人覆盖；某纸品集团的店铺群消息发送，单应用人工耗时压缩三分之二。剩余难点与表格一致：非标单据与例外流程——RPA 只能接管「每次都一样」的部分。
供应链与库存。 本文的聚焦行，展开得再细一些：
能力边界。 领星的补货建议已经覆盖：按七种运输方式（海派、海卡、空派、快递、铁运、卡航、联运）的时效拆分补货量；计算日均时自动剔除历史断货期的数据；「补货试算」可以模拟未来的库存走势和断货时点。艾瑞近两年的报告说它在亚马逊系跨境电商 ERP 里市占率第一，对接二十多个平台，服务超过五十万家企业。补货建议也不是它一家的护城河，积加、赛狐、马帮、店小秘都有同类能力。在这个行业，补货建议是信息化地基，不是差异点。
落地路径。 店铺授权、数据自动同步、补货参数配置（备货时长、各运输链路时效、销量权重），日常人工按建议量修正执行。公开的实战复盘里有量化数据：三百个 SKU 的店铺，全 SKU 补货决策耗时从六个半小时降到两个多小时（样本单一，仅供参考）。
成本与风险。 订阅费按版本计费，以官方报价为准，我没有核实。真正要留神的是另一条：这类产品的数据接入围绕主流平台生态构建。本地仓、B2B 线下渠道、企业自研系统——这些长尾数据的接入深度，以实际产品为准。 我不做断言，只把它标为一条边界。
三、我进场时的四个预设
这几条不算反转，只是进场前该交代的预设：
四、剩下的难点，为什么会留到现在
表里第四列的东西，市面上的产品为什么没顺手解决掉。我把原因归成四种：商业上不划算、技术前提刚具备、责任无法转移、组织上没人推动。 只有「商业不划算 + 技术前提刚具备」或「技术前提刚具备 + 责任无法转移」同时成立的，才值得投入——单靠热情填不动其余的坑。
落到系统上，四种原因集中在四层：集成层（系统和系统对不上）、口径层（同一个指标，三个地方是不是一个算法）、例外层（标准流程接不住的边角）、组织层（没人推动，或推动的人没预算）。
我对口径层最熟。把跨系统的数据理到「每个数说得清来路」，是我过去四年的日常——二十三个库、十二万张表，没有原始文档，逆向梳理；再往前，我做过两年施工企业 ERP 实施，采购、合同、成本、预算这些模块的口径争论，是当年的日常。
五、八个候选，筛掉七个
八个筛选维度：价值正向可见、演示直观、数据合法可得、命中存量能力、AI 位置自然、工程复杂度足够、不与平台或 SaaS 的免费能力撞车、对目标场景现实紧迫。逐个过了一遍：
「先做哪件」比「做不做」更重要——排序本身就是判断。
六、做出来：多仓库存口径与补货决策
6.1 入场理由
公开复盘里写烂了的场景：平台后台一个库存数、海外仓系统一个、ERP 又一个，再加在途与退货待检，补货只能凭经验。断货的根源往往不是备货少，是预测错；预测错的前一步，是输入的数字没人信得过。
沙盘虚构了一家做医护制服的跨境卖家：亚马逊美国站、美客多和 TikTok Shop 墨西哥、西语独立站，外加一支正在扩张商超渠道的线下团队。多平台、多仓、多币种、多语言，够复杂，也够典型。三处数字里，WMS 和平台后台两路是模拟源——没有店铺，这两路拿不到真实数据；ERP 这一路是真的：接的是我本地跑的 Odoo，走它的真实接口取数。
开发方式交代一句：这个模块从 PRD 到上线，走的是我自己那套多 Agent 研发流水线，规格拆解、前后端并行、代码评审、环境质检，每一步留痕。提它不是为了说流水线，是为了说明下面这些东西不是手搓的演示页，是按可维护的标准交付的功能模块。
6.2 第一轮迭代：文档数字被自己的引擎打回
设计文档里我先写了答案：FBA 可售 342 件、日均 38、可售 9 天，采纳「空运 120 + 海运 1,334」两批补货后，库存能撑到 11 月下旬，约 43 天。
实现不认这个数。推演引擎按「断货期不产生销量」逐日往前滚：海运大货 11 月 21 日才到，而现有库存加第一批补货，11 月初就见底——中间藏着 20 天的断货。43 天是把两批到货简单相加的错觉：前一批货在被消耗掉之后，不能再和后一批相加——同一批货不能算两次。
被自己的引擎打回，比被别人打回难受一点，但结论是一样的：文档里想当然的数字，物理推演不会陪你演戏。补货结构推翻重做，改成三批——空派 120 件填 10 月的空窗，快船 780 件填 11 月初的缺口，海派 1,120 件承载长期覆盖——外加一条硬性校验：采纳建议后，从今天到最远批次到货日，逐日推演不得出现断货日。一个会导致断货的建议，不允许被采纳。
6.3 第二轮迭代：调研发现领星已经做了
三批分层的结构刚定稿，我去查这套算法在行业里的位置。查完发现：按运输方式拆分补货量、剔除断货期销量、补货试算——领星的产品页上全是现成的。 我折腾一晚上得出的「三批分层」，是人家产品经理几年前做完的功能。
第一反应是挫败：这个选题的价值是不是不存在了。
想清楚之后，边界浮现出来。领星的产品边界，就是它的数据接入边界。 沙盘里三处数字对不上的根源——商超 B2B 锁库 800 件、退货待检 60 件、跨时区快照的时点差——全部落在它围绕主流平台生态构建的接入范围之外。这不是它做得不好，是 SaaS 的商业结构决定的：每家公司非标的那部分数据，没法做成标准产品。第四节四种原因里的第一种，商业上不划算。
于是价值重定位。这个沙盘最终证明的不是算法——公式是教科书上的，拆分是领星做过的。它证明的是：当输入的口径没人说得清时，任何标准算法都无从启动。 我给沙盘留的位置，是把行业标准的公式做成白盒：每个数字都能点开，看到计算式、来源系统和快照时间。领星给建议，我给「这个数是怎么来的」。
6.4 做出来的东西
同一 SKU 三处数字并列，差异逐项拆解：商超 B2B 锁库 800、退货待检 60、时点差 18。三个系统都没错，它们只是在回答三个不同的问题：仓里有多少，这个渠道能卖多少，账上还有多少；
补货点 1,786 件（38 × 40 + 266）的因果焊点：这个数字 9 月中旬就该触发预警。三处数字对不上，没人算得出真实可售天数，预警从未触发——不是运营失职，是口径失明；
统一口径后的可售天数、分渠道预警、三批补货建议，含尺码配比（医护服的断货不是「款没了」，是主力码断了）；
数据源失真的自报与反转：墨西哥仓的采集任务失败，指标冻结并自报失真；修复采集后快照更新，某渠道预警反而从 12.5 天的黄升级成 10.5 天的红——失真不但不可信，还掩盖了真实紧迫性；
B2B 分批交货建议：系统算清「与商超协商分批交货后，电商可售从 13.6 天恢复到 31 天」的收益，执行是人与商超的谈判——系统算收益，人做承诺；
模拟时间推进：推演到货全程贴线飞行，三批到货前分别只剩 6 件、40 件、22 件。每批到货前见底、到货后回补——没有一分钱压在多余的库存上；
整条演示动线按手机端设计：懂行的人用手机打开，10 秒内能看到「三个不同的数字，和为什么不同」。
6.5 AI 站在哪里
口径计算、差异归因、空窗检测、补货求解、连续性校验——全部是规则与算法。需求预测一期用近 30 天的历史日均，连模型都没上。大模型只出现在一个地方：把结构化的计算结果翻译成一句人话，可开关，且不参与任何数字计算。
比预想的更克制。它的价值反而更清楚了：这个沙盘里 AI 的成分越少，「哪些环节根本不需要 AI」的边界就越硬。
七、一个追问：这套方法换个行业，还成立吗
上一篇《太阳底下没有新鲜事，但有信息差》里，同一套路数用在中小注塑厂的排产上：把行业的存量方案盘清楚，把「还没被解决」的缺口单列出来，用一张淘汰表收敛到一个切口，做成能跑的东西。这次换成跨境电商的库存与补货，骨架没有变。行业换掉，方法留下——这也是我判断自己能不能进入一个新行业的方式：不靠背下行业知识，靠先把「答案都在哪里」排成表。
再补一段岗位视角。同一段调研，放进两种岗位，目标函数不一样：
前一种死法最隐蔽：东西做得出来、演示也漂亮，卡的是最后一公里——做完了，没人用。我做了七年交付，做 ERP 实施那两年对这件事印象最深：系统上线和业务真用之间，隔着的从来不是功能差距，是三件小事——
需求是坐在工位上想出来的。 业务一线没说过这个痛，做得越漂亮，越没人用。本文把「识别业务线」放在「盘点能力」之前，防的就是它；
方案说的是黑话。「数据血缘」「口径治理」这类词，运营听不懂，也不打算懂。所以沙盘的页面上，「数据血缘」写作「这个数是怎么来的」，「数据质量」写作「这个数还能不能用」；
没有第一个用户。 做完就撒手，等着别人自觉来用。上一篇里写过：自己当第一个用户，是缩短「做出来」到「有人用」这段距离最便宜的办法。这个沙盘目前唯一的用户就是我，每个数字都能点开复算——头几回点开、数对得上，之后就不点了。不点了，才是真的信了。
所以动工之前，比「能不能做出来」更靠前的是五个问题：这是谁的痛点，说得出一个具体的人吗；他现在怎么干，笨办法一天耗掉多少时间；换成新办法，省下的那一步他自己感受得到吗；效果怎么量，上线后拉什么数、算给谁看；谁当第一个用户。答不出人名的，先放一放。第四问值得单说一句：内部提效岗的成绩单，最后都得落到这一问上——做完了不算完，效果能量化、业务方认账，才算完。
当然，公开复盘只能替我回答到这一步。真在一家公司里，「这是谁的痛点」不该来自调研，该来自业务同事的原话——这是沙盘和真实岗位之间最实在的一段距离，也是这轮调研做完之后，我最想补上的东西。
有意思的是，沙盘里最有戏剧性的那个建议，恰好落在两个函数的交点上：B2B 分批交货，系统把收益算到了个位数，执行却要靠人去跟商超谈判。系统能算清的部分和必须由人承担的部分，边界画在哪里——这大概就是 AI 落地岗真正的日常工作。
写在最后
回看这半个月：一张表认清了行业的厚，八个候选筛掉七个，一个晚上把保留项做成了能跑的沙盘，然后被自己的引擎打回一次、被领星的产品页打回一次。两次打回都比最初的设计值钱——一个沙盘的边界在哪里，和它能做什么，是同一份认知的两面。
坑也还没填完，如实列出：需求预测还没上模型；真实数据未接入——不接任何平台后台，授权路径先于技术；领星对本地仓、B2B、自研系统的实际接入深度待核实；沙盘的效果只验到「链路完整、结论可复算」。这些缺口都留在后续的迭代清单里，沙盘会持续迭代下去。
最后两句话，一句给这条链路，一句给这个行当：
这条链路前半段是口径，后半段是预测。口径不对，预测再准也没用。
算法可以买——它们已经是行业标配；口径没法外包——每家公司长得最不一样的地方，恰恰是从数字到决策的那段路。
沙盘已上线，持续迭代中。体验入口：库存口径总览 - ZDREAM
评论区