外贸公司落地 AI，第一步可能是修网络而不是做 Agent
小型外贸企业的 AI 落地难点常常不在模型，而在网络、文件资产、权限和数据边界；真正的交付是让企业逐渐具备自己解决问题的能力。
文章目录
一家做外贸礼品的公司，年销售额达到几个亿，但团队只有十几个人。电脑里有样图、美工图、参考图、客户交付图和产品模板，分散在不同电脑、不同文件夹里。
老板的第一个需求很具体：能不能直接问 AI“某个客户之前用过的模板在哪里”，系统就把它找出来？继续追问后，问题从文件搜索扩展到国际站关键词、网站文章、产品海报和特殊产品资料查询。
这个案例说明，小企业的 AI 落地不是买一个模型账号。网络、权限、文件关系、客户数据隐私和员工使用方式，任何一层没有准备好，Agent 都无法进入日常工作。最终方案选择把数据留在企业，把任务规范和开发能力送进客户自己的环境。
落地场景：把碎片化需求变成企业自己的 AI 工作方式#
客户不是没有数字化投入，过去也花过约 5 万元购买外贸相关服务，包括国际站数据和网站建设。但标准化产品遇到个性化问题后，没有继续陪企业把工具接入自己的工作方式。
企业真正面对的是几十个、几百个细碎需求，其中很多还没有清晰到可以直接写成软件需求文档。图片资产分散、客户和产品关系没有被组织起来，老板知道“哪里不顺”，却未必知道要开发什么。
因此，落地目标不是交付一个孤立工具，而是让企业能够用自然语言寻找资料、解决具体业务问题，并逐渐获得自己继续搭建工作流、Skill 和 Agent 的能力。
落地难点：Agent 能力必须穿过真实环境#
网络和运行环境可能先于模型成为瓶颈#
客户现场有 4 台路由器、2 台光猫、1 台交换机和软路由，网络结构复杂且不稳定。开发环境在本地运行良好，换到客户电脑就可能出现权限、网络或运行时错误。
文件多不等于形成了知识库#
图片、模板和合同散落在多台电脑里，首先需要知道每个文件属于哪个客户、产品或项目，以及文件之间的关系。把文件简单塞进知识库，不能自动产生可用的业务上下文。
最有价值的数据往往不能离开企业#
合同、客户资料和产品文件可能是公司的核心资产，外部 FDE 不一定能把资料打包带走开发。数据边界要进入交付架构，而不是项目后期才补的合规说明。
项目结果仍然依赖老板和员工的时间#
定制化产品必须让真实使用者试用，才能知道哪里不符合需求，但老板可能长期在外处理业务，员工也不能白天停下工作配合调试。如何低打扰地获取反馈，成为落地的一部分。
如何落地：从十分钟破冰到本地能力沉淀#
第一步，用真实问题证明 AI 与业务有关#
现场遇到一个类似三角尺的产品，刻度含义不清，原本可能需要一两天研究。FDE 直接把照片交给 AI，继续检索产品资料和厂商信息，大约 10 分钟找到了产品并解释了刻度含义。
这个小问题让老板第一次看到，AI 不是需要单独学习的新软件，而是一种可以改变解决问题方式的通用能力。
第二步，先治理现场环境#
项目先处理网络、电脑和权限，把企业环境当成第一现场问题。环境稳定之后，Agent 才有可能访问内网工具、文件和工作流。
第三步，把文件关系重新组织起来#
团队梳理散落在不同电脑上的资料，建立客户、产品、项目与模板之间的关系。重点不是建一个看起来很大的知识库，而是让 AI 能够理解文件为什么相关、下一步该找什么。
第四步，把开发能力送进客户自己的 Codex#
数据不能离开企业，就把框架、原则、规范和 Demo 组织成 Harness 任务包，部署到客户本地 Codex。前期团队花几十个小时搭好框架，客户侧 Codex 再运行约 40 个小时完成适配；日志和问题由客户侧 AI 整理回传，双方继续迭代规范。
第五步，把一次交付沉淀成企业能力#
最终交付不仅包括具体功能，还包括文档化的文件关系、工作流、Skill 和 Agent。目标是企业下一次遇到问题时，可以先自己解决，而不是每次都重新寻找软件公司或外包团队。
落地成果：一个十分钟结果带来十几个新需求#
项目当时仍处在第一阶段，交付没有全部完成，因此没有适合公开引用的统一效率百分比。但现场已经出现了几个清晰变化：特殊产品查询从原本可能一两天变成约 10 分钟；老板开始自己用 AI 处理日常问题；建立信任后，企业又提出了十几个到二十个新的需求。
更重要的是，老板对 AI 的判断从“买一个工具”转向“公司应该怎样工作”。数据没有离开企业，能力却通过本地任务规范和 AI 环境继续沉淀。
| 变化前 | 落地后的变化 |
|---|---|
| 图片和模板分散在不同电脑、文件夹 | 开始梳理客户、产品、项目与文件关系 |
| 具体问题需要找人、查资料、反复确认 | 特殊产品查询现场约 10 分钟完成初步结果 |
| 外部服务交付后缺少后续陪跑 | 任务规范和开发能力进入客户本地环境 |
| 企业遇到新问题继续找外包 | 老板开始主动提出十几个到二十个新需求并尝试自解 |
这个案例的成果不是“做完了一个企业 AI 产品”，而是把企业从等待采购工具，带到了可以在自己环境中继续积累数据、工作流和 AI 能力的阶段。
这个案例给 FDE 的四个提醒#
第一，进入现场后先检查网络、权限和运行环境，Agent 能否访问业务资料往往比模型选择更先决定成败。
第二，企业文件需要先建立关系，文件数量本身不等于可用知识。
第三，敏感数据不出域时，交付方式也要调整：把开发能力和任务规范送进去，让本地 AI 完成适配。
第四，FDE 不是 AI 外包。最好的交付是客户越来越独立，下一次遇到问题时先有能力自己试。
来源与边界#
- 原始资料：Datawhale《FDE案例100.pdf》，案例十一“从碎片化需求到企业AI能力：FDE帮助外贸企业建立AI工作方式”，案例访谈正文位于 PDF 第 109–120 页。
- 案例事实：客户为十几人的外贸礼品企业，年销售额几个亿；过去购买相关服务约 5 万元；特殊产品查询现场约 10 分钟完成；客户网络包含 4 台路由器、2 台光猫、1 台交换机和软路由；前期框架准备几十小时，客户侧 Codex 运行约 40 小时；后续提出十几个到二十个新需求。
- 结果边界：项目当时处于第一阶段、交付未全部完成，没有统一效率百分比或长期运营数据；10 分钟是现场单个问题的结果，不代表所有企业问题都能达到同样时效。
- 产品化解读：关于本地化交付、文件关系治理和“客户逐渐独立”的总结，是基于案例事实的产品化分析。