对话紫讯科技CEO刘志海：AI的核心价值是“增效”而非“降本”

跨境电商从研产到供销服的全链路都暗藏 AI 优化的可能，降本增效、提升复购、创造新需求成为行业关注的核心痛点。紫讯科技CEO刘志海深耕AI跨境应用三年，见证了从技术探索到落地实践的全过程。

在2026年雨果大会的“AI赋能生意经”议程中，刘志海围绕AI为跨境电商带来的核心价值、运营环节重构路径、AI工具使用逻辑等关键议题展开深度对话，既拆解了AI落地的实操案例，也点破了“为 AI而AI”的行业误区，为跨境电商从业者把握 2026 年 AI 红利提供了极具参考价值的思路与方向。

以下为对话实录：

Gary Wang：2026年，AI到底能够为跨境电商带来什么核心价值？因为跨境电商其实是个超级复杂的产业链，从研产到供销服，在这里有很多可以发挥ROI改变的地方，包括降本增效、提高复购、增加营收、创造新需求。今年核心跨境卖家应该如何把握AI红利？

刘志海：紫讯做AI今年是第三年，在行业一直在观察。2025年是AI爆发的一整年，一开始OpenAI出来，我们跟着OpenAI做AI的应用。一开始做Listing优化，后面觉得这个落地很难，再到后面看到了很多AI硬件开始爆发。很多非人形机器人都可以结合AI，后来又看到了很多摄像头——原来做摄像头是用OpenCV去识别用户家的猫在哪里，现在通过大视觉模型可以直接分析出来用户家的猫跟隔壁邻居家的猫在干嘛，连宠物之间的互动场景都能分析出来。

有很多以前不敢想象的场景，现在因为有了AI，终于可以实现创新。我们在这个赛道中看到中国有很多硬件的机会，AI+硬件绝对是中国人的天下。而且我们深耕跨境领域，海外模型结合中国硬件，这是我们这波从业者最先能够享受到的红利。

目前中国的AI跟海外AI还是有比较大的代差，所以我依然看好中国的硬件市场。2025年，从OpenAI到后续的Claude，我们自身也在做软件行业，会持续观察各类新的软件产品；再到后来谷歌创始人回归、all in AI，我们发现一个关键点：以前从来没见过海外大厂在AI领域这么“卷”，每家公司都卯足了劲，最近热度最高的就是谷歌和Claude。

明显能感知到，以前是我们通过ChatBot跟AI聊天，现在AI已经能指挥人类帮它完成工作。比如我电脑上装了相关工具，以前是我们分配任务给AI，现在它能主动感知需求——如果你的电脑里有很多私有数据或材料，提供给它之后，它能做得更好，已经具备了指挥人类协作的能力。而且AI的边界越来越模糊，不像以前一个工具只能干一件事，现在的AI能胜任多种任务。所以海外大厂这么“卷”是有原因的，它们能把一件事做好，也能拓展到第二件事，不再局限于垂直领域的深耕。

另外，我们公司一直积极拥抱AI，包括内部管理层面。我们始终认为，AI的“增效”价值高于“降本”，而且降本的公式实际上很难精准测算。比如一件事如果能用AI落地，就不需要特意培养员工去执行。虽然2025年的token价格还挺高，测算下来AI成本可能和人工成本差不多，但HR的视角不同：他们认为不能只看表面成本，与人沟通、培养教育员工的隐性成本其实更高。所以很多时候，即便AI成本略高，我们也愿意选择AI——因为2025年token价格一直在持续降价，这是时间带来的优势。

Gary Wang：您看到有大量的卖家通过AI实现提效，在这些提效背后，您能详细帮我们解释一下AI到底重构了哪些运营环节？前面提到了很多AI陷阱，怎么才能让卖家朋友们更好地避免“为了AI而AI”的误区？

刘志海：AI确实在营销环节发挥了很大作用。做AI的过程中，我们一开始被自媒体“教育”，觉得AI来了、AI是万能的，但一旦实际测试后就会发现，根本不是想象中那样。

我记得前两年就是这种状态，一直被自媒体引导着反复测试。作为企业老板，会把这些信息传递给员工，觉得别人能通过自媒体做到的，我们没理由做不到。后来收到很多员工的反馈，我自己也被迫开始使用AI，用过之后才慢慢找到感觉。

在运营过程中，因为紫讯专注于跨境电商群体，所以我们一直在思考：如何让卖家们真正用起来AI工具？同时，跨境电商的内部岗位如何突破自身边界、实现更多价值？就像世奇总分享的那样，如何让员工承担更多工作——包括我们公司的开发团队也是如此。

以前的产品岗位可能只需要画个圆形示意图，现在我们要求产品岗成为“AI产品经理”：不仅要用AI画示意图，交付给研发时还要写完前端的HTML——因为前端和系统的耦合性较弱，后端耦合性较强，所以我们重新定义了前端产品岗的职责。

同样，卖家公司里的运营岗、产品开发岗也会因为AI而重新定义岗位职责。原先运营或产品开发可能只做市场选品、调研，现在有了AI的加持，不仅能做调研，还能做供应链过滤、1688不同市场的调研等，能力边界会越来越广。不再是“岗位规划好职责是什么，就只做什么”，而是要打通上下游，不断拓展能力边界。

当然，很多专业的事情是AI无法替代的，尤其是前面提到的“决策环节”。如果所有事情AI都能做完，大家都用AI，最后又会回到同一起跑线。我最早做浏览器之前，也做过大数据业务，天天爬取亚马逊的热销产品数据，结果最后所有人都涌入这些品类，导致大家都不挣钱——如果AI让所有人都拥有同等能力，类似的情况还会发生。

我一直相信，每家公司都有自己的成功逻辑。至于把这些成功经验SOP化后，AI能实现多少，不用追求百分之百，哪怕从现在的45%提升到未来的90%也足够了。最终的决策环节，还是要由人来把控，这是我目前的直观感受。

Gary Wang：紫讯服务了从初创到规模化的上万、上十万家卖家，从工具生态的角度来看，不同规模、不同品类、不同阶段的卖家，应该如何使用AI工具？他们的工具使用优先级是否有区别？

刘志海：这个问题我思考了很久。不同规模的卖家，团队的积累和沉淀不同，核心还是“人的问题”——比如团队有多少员工、员工的工龄和年龄结构等。大规模卖家肯定有自身的沉淀，我也很羡慕世奇总，他刚创业，团队一上来就是AI原生团队。

我们公司的制造团队有200人，还有一些创新业务团队，很多员工都是老员工，如何让他们拥抱AI是个难题。比如我们推广AI Coding时，很多老员工觉得传统方式更稳妥，认为AI存在一定不确定性。就像世奇说的，Transformer是随机性、概率性的模型，如何把概率性的东西变成确定性的结果，这是我们一直要思考的问题。

不过概率性也有一个好处：可以辅助做不确定的决策。所以后面我们一直在挖掘AI的擅长点，无论是从人的适配性还是AI的能力出发，都要找到匹配点。目前AI落地的工具，有几个场景可以总结：

一，类似聊天机器人衍生出的客服场景，AI表现得更像真人；

二，Deep Research（深度调研）类场景，这类场景偏向总结，但容易产生“幻觉”。

现在我们通过工程化的方式解决幻觉问题，最近比较火的MLAS、Vibe Coding，本质上都能解决这个问题。

我分享两个实际案例：

第一个是AWS的案例。我有个朋友以前是AWS的销售，AWS内部有个工具叫AmazonQ。公司强迫销售人员使用这个工具，但他不用来编程，而是把Excel文件放到Work space里，用AI处理数据。以前处理十万条数据的Excel，人工做数据透视等操作很慢、很麻烦，现在只需要一条Prompt，AmazonQ就能感知到Excel的列结构，再告诉他目标，AI就会通过列组合写代码，输出百分百正确的结果——因为是通过编程实现的，所以不会有幻觉。一开始亚马逊内部推广这个工具时，大家都很反感，后来越来越多人获得正反馈，使用频率也越来越高。我觉得整个行业的岗位都在被AI重构。

第二个是90后卖家的案例。AI生成图片时，一致性一直是个问题——比如卖白色茶壶，AI生成的茶壶和实际货品不对版。但这个90后卖家找到了适配方式：他先找和自己产品颜色、客群定位类似的参考，用Nano Bnanna生成场景图，美工不需要再做场景策划，对着生成的图片拍照后，甚至可以删掉PS软件，直接使用。这样一来，美工的策划工作量降低了90%，以前需要一周完成的策划，现在10分钟就能搞定。

所以，AI工具的落地效果，关键在于团队如何挖掘自身与AI的适配点。这需要负责人相信AI、主动拥抱AI，才能真正落地。

Gary Wang：在这样剧烈变动的时代，企业应该如何制定AI战略？我们该如何应对这些不确定性？

刘志海：战略落地方面，我们是一家软件公司，做过各种各样的产品尝试，也会持续挑战新的产品和场景。但更多的战略，应该聚焦在组织架构的变革上——包括如何拥抱年轻人，把年轻人招募到公司，让他们慢慢形成AI原生团队；同时也希望老员工能主动跳出舒适区，辅助年轻人成长。

整个企业拥抱AI的过程，就像拥抱一个新时代。年轻人对时代工具和新媒体的认知，永远超过我们这些过来人，所以我们也愿意把机会交给年轻人，让给年轻人跑。

封面来源/雨果跨境

（来源：雨果跨境编辑部）