跨境贸易与物流：2 个真实落地案例

原来的样子

痛点：运费按"方"计算，本质是车厢容积的生意：一辆约 110 方的货车，人工装载要 5 小时、装到 95–98 方，而 98 方是保本线，每多 1 方增收 100 美元——装不满就亏。装载不是技术指标，是利润开关。

过去的做法：依赖经验丰富的老师傅凭尺寸、数量与过往经验判断怎么摆；贸易规模扩大后，这种方式开始暴露瓶颈。

AI 怎么切进去

• 进现场后发现这不是简单装箱问题，而是复杂空间优化问题
• 先把经济口径算清楚（保本线与增收线），再谈优化目标
• 把装载方案规划交给算法与 AI，让一线工人按可执行的方案装车

可迁移的做法

• 把业务问题翻译成技术问题、再把技术方案翻译回业务语言，是 FDE 的核心动作
• 真正的落地是对业务结果持续负责：一期做完，客户自然会暴露下一层需求
• 好的 AI 落地是做增量：让工人、物流公司与货主都从"多出来的方"里受益

落地之后

装载率直接连到利润，三方从多装出来的空间里共同受益。

原来的样子

痛点：数据太多太散，且相当一部分是图片：样图、美工图、参考图、客户交付图、产品模板分散在不同电脑与文件夹；老板想要的是"说一句话就能找到某个客户用过的模板"。

过去的做法：此前已为数字化与 AI 花过钱，但数字资产并未真正被组织起来，也缺少让 AI 可以直接运行的环境。

AI 怎么切进去

• 把一个"找文件"的小需求当作切口，先证明 AI 比原来的方式更好
• 梳理文件之间的关系与命名，把散落的图片资料组织成可检索的资产
• 同时补齐网络、环境、权限与文件结构，让 AI 真正能在业务里跑起来

可迁移的做法

• 不要只讲 AI，要现场解决问题：一个真实问题被当场解决，老板立刻知道 AI 跟自己有什么关系
• 交付目标从"做一个工具"变成"沉淀企业能力"，让客户遇到新问题时先想自己试
• 要接受大量工作并不"AI"：修网络、理命名、解决权限，这些才决定 AI 能否进入真实业务

落地之后

散落的图片与文件变成可检索资产，老板的"一句话找资料"成为可运行的能力。