案例 24 · 海外快消动销

文字由原PDF提取，阅读顺序和表格请以原页为准。

视觉语言模型对于图片、票据等内容识别能力提升明显，很多过去需要专门训练的问题
可以直接利用成熟模型完成。
另一方面，我们建立了一套评估样本，收集正常案例、异常案例和边界案例，持续测试
模型在真实场景下的表现。对于FDE来说，这套样本非常重要：只有知道模型在真实环
境里的表现，才能放心交付。
第二个挑战：业务团队和经销商的接受度。
总部团队最初对AI的判断结果持保留态度。他们习惯了自己看Excel、凭经验判断数据是
否合理，现在系统自动标记异常，有些人会怀疑：“AI说的就一定对吗？”经销商侧也存
在顾虑：统一字段提交意味着要改变原有的填报习惯，增加了操作步骤。
我们的做法是分两步走。对总部团队，先让AI做辅助标记，保留人的最终决策权。每一
处风险标记都附带依据（历史对比、区域参考、行业规则），让审核人员能看到判断逻
辑，每个结论都有迹可循。当业务人员发现AI确实能帮他们发现之前漏掉的问题时，信
任就自然建立起来了。
对经销商，我们尽量降低填报门槛，能自动抽取的字段由AI完成，经销商只需要确认和
补充。两边的磨合花了一段时间，但一旦跨过信任门槛，推进速度明显加快。
第三个挑战：企业权限和流程问题。
很多企业已有成熟系统，FDE不能简单推倒重建。尤其海外企业，权限审批流程比较复
杂。所以我们的方式通常是适配已有系统、增加接口、调整流程，避免推倒重建。
Q6：根据你的经验，我们怎么才能更好地把AI部署到实际业务中？
从我的经验来看，AI落地最重要的一点，是不要从技术出发。
第一，FDE首先需要理解业务。
241/243