2026 年，波士顿咨询发布了一份关于时尚行业的报告，题目叫 The AI First Fashion Company。报告里有两个判断值得放在一起看。一个是零售与时尚已经进入 AI 支出增长最快的前三个行业，投入在加速。另一个是报告提醒，AI-first 的品牌要防的风险落在均质化上，产品越来越像同一个模子出来的，品牌慢慢失去区分度。报告的原话是，风险不在自动化，而在均质化。
这两句话放在一起，指向一个不太好接受的结果。同一批模型、同一批公开数据，加上一套人人都能抄的提示词，谁用都会得到相近的答案。一个季度里，十家品牌用 AI 做的趋势判断会高度重合，推出来的款式也会高度重合。效率提升是真的，差异消失也是真的。
报告里还举了两个正面例子。Tiffany 用 AI 生成客户摘要，让销售人员在一对一服务前就知道这位客人上次买了什么、偏好什么。沃尔玛的时装部门用 AI 感知趋势，把从捕捉趋势到新品面世的时间压缩了最多 18 周。这两个例子的共同点不在模型，在输入。Tiffany 喂进去的是自己几十年积累的客户记录，沃尔玛喂进去的是自己渠道里每天发生的真实成交。这些内容别人拿不到。
所以 AI 时代的品牌差异，取决于你喂给它什么，模型本身给不了差异。公开数据人人都能拿到，模型能力每几个月就被拉平一次，剩下的只有三样东西是自己的。客户数据，工艺知识，审美判断。
客户数据指的是能追溯到具体人的记录，不是一堆订单流水。谁在什么场合买了什么，第二年有没有回来，退货的原因是什么，这些内容攒五年才有用。工艺知识指的是老师傅脑子里的东西，某个版型在什么体型上会出问题，某种面料洗三次以后会怎样，这些内容没有写在任何手册里。审美判断指的是企业对「什么不做」的坚持，这一季砍掉哪几个方向，为什么砍。
三样东西有一个共同点，都不在系统里，都需要有人主动去攒。
做对的样子是把这三样东西变成 AI 项目的输入，而不是让 AI 从公开数据里猜。具体动作有三个。第一，把客户记录整理成可以查询的结构，先做最笨的版本，一个客户一张卡片，把关键信息填进去。第二，把工艺知识做成问答库，让老师傅口述，人记录，一条一条积累，不用追求完整。第三，把审美判断写成明确的取舍规则，比如这一季不做某个品类，理由是品牌定位不允许，写下来让团队知道边界在哪。
做错的样子有三种，都很常见。第一种是把 AI 当成趋势预测器，输入是行业报告和社交平台的热词，输出是「今年流行什么」。这种用法做出来的东西，全行业都差不多。第二种是把 AI 当成降本工具，只用来压缩人工，不用来提升判断。省下来的钱看得见，丢掉的区别度看不见。第三种是完全交给外部，找一家服务商，把品牌数据和盘托出，换一套系统回来。三年后发现系统里的东西和同行一样，因为服务商用的是同一套模板。
还有一个更隐蔽的错误，把 AI 生成的内容直接对外。视觉、文案、详情页全部由模型产出，短期看成本很低，长期看消费者会发现这个品牌说话的方式和另外五个品牌一样。人对「像机器写的」这件事的容忍度，比想象中低。
可以带走的是一张私有输入清单，三列。第一列写资产类型，客户数据、工艺知识、审美规则，分三类。第二列写现在在哪里，是在系统里、在某个人脑子里、还是根本不存在。第三列写下一步动作，三个月内能做的一件具体的事。三列填完，多数企业会发现第三列大部分是空的，这就是 AI 项目最该花钱的地方。
清单之外，还有一个检验方法。把公司最常用的一套 AI 提示词交给一个同行，让他用公开数据跑一遍。如果他做出来的东西和你做的差不多，说明你在这个环节没有壁垒，投入再多也只是跟上行业平均水平。
AI 给行业带来的第一波变化是效率，第二波是分化。效率这一波所有人都拿到了，分化这一波只留给有私有输入的企业。这个判断，希纪在给服装集团做 AI 经营改革时，通常会在项目第一周就摆到桌面上，因为它决定了钱该往哪里投。