三六一度 2026 年中报里有一组分品类数据，成人服装收入 18.1 亿元、同比增长 13.2%，童装收入 13.2 亿元、同比增长 6.9%，电商收入 19.9 亿元、同比增长 9.5%，占整体营收比重进一步上升。
同一家公司，同一个半年，三个板块三个速度。成人服装跑得最快，童装最慢，电商居中。
这组数字对 AI 项目的意义，比任何一份技术方案都直接。它告诉你，同样的投入放在不同品类上，产出差一倍。而多数企业的做法是把预算平均分给各条线，理由是要公平，结果是每条线都不够深，谁也不出成果。
我在服装企业里看过一个典型的版本。一家企业同时给男装、女装、童装三条线上AI项目，每条线配同样的人力、同样的预算、同样的周期。半年后复盘，男装那条线出了两个可以量化的成果，女装那条线做出了一堆报表，童装那条线基本停在数据清洗阶段。第二年预算会，三条线一起被砍。
如果重来一次，正确做法是只做一条线，把另外两条的预算挪过来，做出一个能写进合同的成果，再复制。这个顺序在制造业和消费品公司里被验证过无数次，服装行业反而常常绕开它，因为各条线背后是不同的负责人，谁都不愿意被排在后头。
反常识的一点在这里。品类增长快的，往往不是最需要 AI 的；品类增长慢的，也不是最该被放弃的。真正该先做的，是那条既有增量、又有明确对标的线。三六一度这组数据里，成人服装既有 13.2% 的增速，又有清晰的竞品对标，是最适合做样板的；童装增速 6.9%，问题可能出在商品结构或渠道结构上，用 AI 去救，容易变成给结构问题贴创可贴。
给董事长一条可以当场用的检验。让三条线的负责人各写一句话，这个品类明年增长的来源是什么，是客单、是新客、还是复购。三句话里如果有两句写不出来，说明连问题都没定义清楚，这时候投任何系统都是赌。
希纪在服装企业里做 AI 经营改革，进场第一件事常常是把品类按「有增量、有对标、有负责人」三条筛一遍，只留一条开工。
再讲一个反向的例子。一家做户外服的企业去年把 AI 项目的全部资源压在了增长最慢的品类上，理由是那个品类问题最多、最需要救。一年下来，数据清洗做完，模型上线，那个品类的增速从 3% 提到 4%，全公司年报上几乎看不出来。同期它的主力品类被竞品抢走了两个点份额。资源押在救火上，房子烧在了另一头。
这件事的教训是救火要用人，不要用项目。人的成本可停，项目的成本一旦开工就沉在里面。企业分不清这两者，就容易用最贵的工具做最急的事。
还有一层判断标准值得写下来。看一个品类值不值得先做，问三个问题，这个品类有没有明确的竞品对标，它有没有一个能拍板的负责人，它的增长来源能不能用一句话说清。三个都有，就做；缺一个，先补那个；缺两个，先别做。三六一度这组数据之所以好用，是因为成人服装那条线三个条件基本都占。
写到这里可以收一句。资源平均分配看着稳妥，其实是最贵的一种稳妥，因为它保证每条线都不出成果，还保证没人能说你偏心。
再补一条常被忽略的经验。样板线选定之后，要给它配一个不看技术指标、只看经营结果的负责人，通常从业务侧出人，而不是从数字化部门出人。业务侧负责人有一个天然优势，他知道哪些数据是真的、哪些是下面报上来的漂亮数，这一点决定了模型能不能落地。数字化部门主导的项目，往往在数据质量这一关就耗掉半年，最后拿出来的模型很好，输入是错的。
最后一层判断。样板线做成之后，复制的时候不要照搬方案，要照搬那三条筛选条件。方案是当时的品类结构决定的，条件才是可复用的东西。很多企业复制失败，就是复制了方案，没复制判断。