先给答案。从一个人能说清账的窄场景开始，不从最显眼的地方开始。显眼的地方通常是内容和图片，那里效果肉眼可见，账却最难算清；窄场景通常不好看，但它能在三个月内给出一个财务能认的数。
十一月六日，二〇二六 WGSN 时尚未来大会在柯桥办，会上把二〇二七年命名为「归序」之年，讲的是消费者从被动接受转向主动筛选，技术从概念试水走向规模化落地。同一场大会的材料里还提到一个现象，设计周期持续缩短，AI 源源不断生成新的灵感方向。
灵感这件事最容易被当成转型的入口，因为它便宜、直观、当天就能看到结果。一家做女装的企业去年就是这样开始的，设计团队人人开账号，一个月生成了三万张图。三个月后复盘，被用进产品的不到百分之二，而设计总监说了一句话，很实在，他说我们不缺图，我们缺的是知道哪张图能卖。
这句话点出了转型的起点问题。AI 能放大的，是你已经有的判断力；它不能替你建立判断力。一个企业如果连自己的爆款为什么爆都说不清，给它再多的生成能力，也只是把不确定性放大。
这样一来，起点该选在那些「判断已经存在，只是做得慢」的环节。这类环节在服装企业里有四个典型位置。
第一个是选款评审。买手和商品部门每年要看几千个款，评审靠经验，经验在几个人身上。把过去三年的评审记录、销售结果、退货原因整理出来，让模型做初筛，人只看初筛之后的百分之二十。这个动作的价值不在省时间，在把经验变成可复用的判断。这件事的账很好算，评审周期缩短几天，上新节奏就快几天。
第二个是报价与核价。尤其是做职业装、团购定制的企业，一个订单的报价涉及面料、工艺、数量、交期，报价员一天能做的单量有限。把历史报价与成交结果结构化，让模型给区间，人做最终决定。账也好算，报价响应时间从两天变成两小时，成单率会有变化。
第三个是客户分层与复购预测。老客户的钱最好赚，但多数企业的客户数据散在各个渠道，没人整合。这件事做起来不难，难在有人愿意为它负责。账的算法是复购率提升一个点对应多少毛利。
第四个是客诉与退货归因。这一项最不起眼，回报最直接。退货原因如果只统计到「不合适」，商品部门学不到任何东西；归到版型、色差、尺码表偏差这一层，改一次版就能省下一笔钱。
四个位置有一个共同点，它们都发生在决策密集、且有历史数据的地方。这正是 AI 现在最擅长的事，它的长处是在大量历史里找出人看不出的规律。
希纪在给服装企业做 AI 经营改革时，进场第一周会做一件事，把这四个位置的现状各写一页，包括现在谁在做、一天做多少、错一次的成本是多少。四页纸写完，起点自然就出来了，不需要开战略研讨会。
反过来，有三种起点要避开。一种是全公司平台，投入大、周期长、第一年看不到结果，做到一半就会遇到预算削减。一种是最显眼的场景，比如全员用 AI 写文案，用得很热闹，年底算不出账。一种是没有责任人的场景，谁都能提需求，谁都不背结果。
还有一个容易被忽略的前提，数据。上面四个位置要用的数据，多数企业都有，只是散在 ERP、订单系统、客服系统、电商后台里，格式不统一。整合这些数据的工作量通常占项目的一半，且必须在开始前做完，不能边做边补。这一步做不实，后面的模型都是空中楼阁。
给董事长一条可以当场用的检验。问三个问题，我们公司哪一件事是每天都要做、做的时候靠人凭经验判断、判断错了会有明确损失的。三个条件同时满足的事情，通常就是最好的起点。
找到这件事，再问第二个问题，这件事现在谁负责。答得出人名，就可以立项；答不出，先定人。
AI 转型这件事，起点选对了，第一年就能拿到一个可核对的数；起点选错了，第一年拿到一堆演示，第二年要重新说服董事会。
先找一件能算清账的小事，把它做成，比讲一个宏大的转型故事有用得多。
希纪 · 服装产业观察