从人工盯图到公司级生产：FDE用AI重塑鞋服电商素材工作流

我这次进入的场景，是电商商品的内容生产。 我的客户是一家传统鞋服帽电商企业，有自己的工厂和设计师，主要在淘宝、天猫等平 台销售产品，在行业里已经属于头部企业，年流水大概10亿元。 这种公司的一个特点是SKU非常多，而且新品上得很快。 一件商品上架，拍照、上传只是开始。每上一个新品，都要有商品主图、详情素材；现 在视频电商起来以后，还要配套挂车视频。SKU一多，后面的内容生产量就会跟着成倍 增长。客户每天都有大量出图、出视频的需求，所以背后长期养着一支规模不小的设计 和运营团队。 图1：传统服装电商业务流程 面对这么大的需求，我一开始也很容易把问题想简单：设计师出图太慢，那就用AI帮他 出图。但我真正进到现场以后，发现事情没这么简单。 首先是成本问题 。传统模式下，企业需要大量设计和运营人员持续处理素材，人力成本 本身就很高。 其次，即便企业已经开始用AI，也不意味着效率问题自然解决了。 他们原来的使用方式比较分散，每个人自己开AI账号，自己写提示词。看起来大家都 “用上AI了”，实际上只是把一个新工具塞进了旧流程里。操作成本没有真正消失，效率 也没有出现质的变化。 第三个问题是品控。 设计师的审美、经验和AI使用能力不一样，最后生成的东西自然也不一样。能力强的设 计师可能很快就能得到不错的结果，但这样的人在任何公司都是少数。企业不可能把整 个内容生产体系建立在几个高手身上。 除了成本、效率和品控，还有一个当时客户非常关心的问题：这些内容到底是谁的资 产？ 以前设计师做出来的图片、视频，很可能就散落在个人电脑里。一个人离职、换岗，素 材也可能跟着断掉。对这样体量的企业来说，这意味着大量已经投入成本生产出来的内 容，并没有真正变成公司的资产。 所以后来我们重新定义了这个问题。我们要做的，是帮企业解决一个更根本的问题：怎 么利用AI，把原来依赖个人能力、分散运行的内容生产过程，变成一套公司级、可复 用、可管理的生产能力。 我做FDE时，一直比较看重这一点。我通常站在业务负责人、实际使用者和AI技术之 间。我要负责的，是先判断客户真正的价值主张是什么，再考虑AI怎么进去，怎么重塑 流程、整合原有资源。

在业务规模还没这么大、AI能力也没有发展到今天这个阶段的时候，用设计师和运营团 队支撑内容生产，是非常自然的一种方式。 设计师理解商品，也理解品牌审美。企业需要什么图，他们就做什么图。这套模式已经 支撑客户把业务做到很大的规模，本身证明它是有效的。 问题出现在业务复杂度越来越高以后。SKU越来越多，图片越来越多，视频越来越多。 业务量增长以后，企业想继续扩大内容供给，最直接的方法就是增加人。于是内容产能 和人力数量开始越来越强地绑定。 后来AI出来以后，客户其实也很积极，并没有完全不用AI。他们开始让员工自己使用各 种AI产品，希望借此提高效率。 但这又进入了第二个阶段：以前是“人做图”，后来变成了“人盯着AI做图”，人还得自 己反复调整。更麻烦的是，这种方式会把人的差异继续放大。 同样一套工具，不同的人用出来，结果完全不同。所以从企业角度看，这依然谈不上稳 定的生产能力。 后来我据此判断，单纯给企业采购几个AI工具，或者教员工怎么写Prompt，都解决不了 根本问题。AI真正要改造的，是整条工作流本身。

这个项目里，我花时间最多的事情，是真需求的挖掘，以及价值主张到底成不成立。写 代码反而排在后面，AI辅助以后尤其如此。 第一步，先到现场，不急着做产品。 项目早期，我会花比较多时间待在客户现场。 因为FDE要解决的问题，本质上是怎么把AI技术和行业Know\-how结合起来。只听老板 讲需求是不够的，我必须看到员工实际上怎么工作。 我会先识别整个项目里的关键干系人。老板关注的是企业战略转型，这件事情到底有没 有长期价值；管理者关注的是成本、效率和管理；基层员工想的则完全不同，这东西会 不会给我增加工作量，做完以后是不是要把我裁掉。这些问题如果不处理好，技术做得 再漂亮，也很难真正推下去。 所以我会去观察员工每天到底在干什么，上下游怎么协作，资料怎么流转，大量时间耗 在哪里。比如员工会跟我抱怨，每次生图都要写很长的提示词，生成完还有水印，还得 再处理。 这些问题对他们来说很麻烦，但对我们来说可能只是一个很小的工具或者流程调整就能 解决。我通常会先把这种小问题解决掉。因为员工马上就能感觉到，你来这里，是真的 能帮他少干一些重复工作的。这其实是一个非常重要的破冰过程。 第二步，把“想要AI”变成一个可以验证的价值主张。 我们会通过数据采集、工作流梳理、访谈等方式，把真实需求一点点挖出来。不会花几 个月先做一个“大而全”的产品。 需求确认阶段，我们就会借助AI快速做Demo，马上拿给客户看。客户说这里不对，我 们就改；员工用了以后发现操作不顺，我们继续调。 所以整个过程的节奏是，调研 → Demo → 使用 → 反馈 → 再迭代。而且反馈也不会聊 完就放下，我们会把这些意见沉淀进文档，让客户在指定的位置持续填写。 第三步，重新搭工作流。 做到这里以后，问题已经越过“选哪个生图模型”这个层面。我们开始考虑AI生成怎么跟 商品、素材和企业原来的生产流程连接起来。 一个很重要的方向，就是把生成出来的图片、视频直接沉淀下来，逐渐形成公司级素材 资产；商品本身也要进入统一的商品管理逻辑。这一步在我看来非常关键。 如果AI只是帮员工今天多做了十张图，明天还要重新开始，那它只是工具。如果每一次 使用都在给企业留下数据、素材、流程和经验，AI才开始真正进入企业的能力体系。 第四步，把“好看”变成“能商用”。 电商生图跟普通AI生图有一个非常大的区别：图好看只是基础，真正要紧的是，卖出去 的东西必须就是图上的那件商品。比如一件衣服，AI可以给你生成一张非常漂亮的模特 图，但如果衣服的版型、颜色或者细节变了，这张图越漂亮，商业风险反而越大。 所以我们把“一致性”直接放进验收标准。三个层面分别是人物一致性、服饰一致性和 场景一致性，只有这些达到要求，才算通过。 审核我们仍然保留了人工环节。我们的做法是AI先做第一道检查，再交给人工确认，因 为最终这个素材是否符合品牌审美、能不能真正使用，还是要尊重实际使用者的视觉判 断。 这也成了项目里的一条原则：AI负责规模化，人负责最后的业务判断。 第五步，用POC来证明价值。 项目核心功能完成以后，我们进入了POC阶段。 这时候要做的，是推动企业内部员工真正使用，光自己坐在那里测不算数。他们试用以 后，把优化和改动意见反馈回来，我们再继续迭代。 对我来说，只有到了这个阶段，才开始真正回答“这套东西能不能进入企业日常工 作”，Demo看起来再好看，也回答不了这一点。 图2：通过FDE实现行业级解决方案产品化

这个项目目前仍处于POC测试、内部试用和持续迭代阶段。我们现在关注几个实际变 化。 第一个变化，是员工开始真正使用。 验收的标准，从项目团队自己的感觉，变成了设计 师到底有没有把这套能力用起来、它和原来的工作流契不契合。 第二个变化，是内容开始从个人产出变成企业资产。 生成、管理和后续使用逐渐进入统一流程。这个变化短期不一定能直接折算成多少钱， 但对企业来说，它解决的是组织能力能不能留下来的问题。 第三个变化，是AI生产开始有了明确的质量边界。 现在验收会覆盖还原度、图片质量、视频能否商用，以及前面说的一致性，效果不再高 度依赖某一个人的水平。所以我理解的“效果”，已经超出了“以前一小时做几张、现在 一小时做几张”。 更重要的是，企业有没有开始形成一套稳定、可控、可以沉淀、可以继续扩大的内容生 产方式。这才是我们真正想验证的价值主张。

我觉得最大的挑战，其实不在模型本身。 第一个挑战，客户对AI的认知。 企业里经常会出现两个极端。一种人觉得，“我们现在挺好的，为什么要折腾AI？它到 底对我有什么价值？”另一种恰恰相反，觉得AI无所不能，甚至会期待“花10万元，就 应该给我做出100万元的效果”。 这两种认知都会给项目带来问题。 所以后来我反复强调一件事：AI一定要放进真实产业场景里跑。与其讨论AI理论上能做 什么，不如回到这家企业今天的业务流程，看哪个环节值得改、能不能改、改完以后价 值怎么验证。 第二个挑战，基层员工。 这是很多AI项目特别容易忽略的一层。 老板可能非常积极，但真正每天使用产品的是设计师、运营。他们很自然会担心，你做 这个是不是准备取代我。如果这种情绪没有解决，你拿到的需求可能都是假的，最后产 品上线以后也没人愿意真正使用。 所以我们一进去，没有跟员工讲“AI转型”这种大词，先把他们眼前的小麻烦解决掉，把 关系建立起来。然后再跟核心人员把目标说清楚，AI是来帮大家从低价值重复劳动里脱 身的，让他们把时间用在更有价值的事上。 第三个挑战，AI本身的不确定性。 生成内容最怕的是“看起来很好，但商品不对”。所以原来如果只是追求“生成效果好 看”，这个标准就不够用了。 我们后来把验收标准重新拉回业务本身，前面定下的那几项硬性要求，一项都不能松。 而且不能因为用了AI，就把审核也完全自动化，最终的业务责任，仍然要交给人。 AI可以提高效率，但最终的业务责任，不能交给模型。

做完这些项目以后，我愈发确信，FDE的核心竞争力，早就超过了“会多少AI工具”这个 层面。真正难的，是找对问题，再让AI真正进入业务。 我现在比较看重几个原则。 第一，先判断价值，再决定做不做。 FDE和传统外包一个很大的区别就在这里。外包接到任务就去把它完成，FDE会在开始 之前先判断，这件事值不值得做，未来有没有拓展性。因为FDE最终要为结果负责， “功能有没有按时交付”只是其中一环。 第二，一定要进现场。 很多需求在会议室里是问不出来的。要真正进到现场，看员工每天的时间到底花在哪 里，真正的痛点经常藏在这些细节里。 第三，先快速做出东西来验证，不要追求一步到位。 调研之后，尽快做出一个能用的东西，让客户用起来，反馈之后再改。AI时代给了我们 快速试错的能力，应该把这种能力用在产品验证上，让客户早一点看到东西。 第四，把AI嵌进流程里。 如果原来的工作方式完全没变，只是每个人多了一个AI账号，那谈不上真正的AI改造。 真正的改变是，原来的哪一步可以取消，哪一步可以自动完成，哪些信息可以沉淀，谁 负责最后判断，新的上下游关系应该怎么连接。 第五，每做完一个项目，都要问自己能不能产生复利。 比如这次做鞋服电商，我们会继续问，只有这家公司需要吗，换一家鞋服企业是不是也 有类似问题。如果答案是肯定的，那它就从“一个客户的定制需求”变成了“一个行业级 问题”。 既然已经用一个客户完成了0到1的价值验证，下一步就应该考虑怎么从1做到100，把经 验复用出去。所以我们也会有意识地沉淀自己的“家底”。 如果决定深耕电商，就要思考这个行业最基础、最通用的能力是什么。商品中心、订单 中心、用户中心这些能力，未来都可能成为下一次交付时可以直接复用的基石。 我理解的FDE，最终其实有两条飞轮。 一条在客户外部，项目做得越来越多，对产业和客户的理解越来越成熟。另一条在组织 内部，每做一个项目，就把方法、组件和经验留下来，再复用到下一个项目。 如果每做完一个AI项目，只有客户拿到了一个系统，而FDE自己什么都没有沉淀下来， 那这个项目其实还没有真正结束。 真正有价值的AI落地，既让客户的业务能力沉淀下来，也让FDE下一次解决同类问题 时，站在一个更高的起点上。