从人工盯图到公司级生产：FDE用AI重塑鞋服电商素材工作流

访谈资料整理：依据 Datawhale《FDE案例100》所收录访谈。案例叙述与成果均归属于原访谈，本站未进行独立项目审计。

原案例封面

为什么这个案例值得看？

鞋服电商每天为大量 SKU 生产商品主图、详情素材和带货视频，单纯给每位员工开设 AI 账号并未改变生产方式。项目从素材生产、审核到沉淀的全流程切入，建设公司级资产，并围绕人物、服饰和场景一致性设置 AI 初检与人工复核；目前处于 POC 测试和内部试用阶段。

这个案例的价值不只在于采用了某种模型，而在于把数据、规则、系统和人工责任连接成可执行的业务链路。落地过程围绕问题识别、方案选择、交付路径、业务结果和关键难点展开。

一、企业与业务场景

FDE这次进入的场景，是电商商品的内容生产。

FDE的客户是一家传统鞋服帽电商企业，有自己的工厂和设计师，主要在淘宝、天猫等平台销售产品，在行业里已经属于头部企业，年流水大概10亿元。

这种公司的一个特点是SKU非常多，而且新品上得很快。

一件商品上架，拍照、上传只是开始。

每上一个新品，都要有商品主图、详情素材；现在视频电商起来以后，还要配套挂车视频。

SKU一多，后面的内容生产量就会跟着成倍增长。

客户每天都有大量出图、出视频的需求，所以背后长期养着一支规模不小的设计和运营团队。

面对这么大的需求，FDE一开始也很容易把问题想简单：设计师出图太慢，那就用AI帮他出图。

但FDE真正进到现场以后，发现事情没这么简单。

首先是成本问题。

传统模式下，企业需要大量设计和运营人员持续处理素材，人力成本本身就很高。

其次，即便企业已经开始用AI，也不意味着效率问题自然解决了。

他们原来的使用方式比较分散，每个人自己开AI账号，自己写提示词。

看起来大家都“用上AI了”，实际上只是把一个新工具塞进了旧流程里。

操作成本没有真正消失，效率也没有出现质的变化。

第三个问题是品控。

设计师的审美、经验和AI使用能力不一样，最后生成的东西自然也不一样。

能力强的设计师可能很快就能得到不错的结果，但这样的人在任何公司都是少数。

企业不可能把整个内容生产体系建立在几个高手身上。

除了成本、效率和品控，还有一个当时客户非常关心的问题：这些内容到底是谁的资产？

以前设计师做出来的图片、视频，很可能就散落在个人电脑里。

一个人离职、换岗，素材也可能跟着断掉。

对这样体量的企业来说，这意味着大量已经投入成本生产出来的内容，并没有真正变成公司的资产。

所以后来项目团队重新定义了这个问题。

项目团队要做的，是帮企业解决一个更根本的问题：怎么利用AI，把原来依赖个人能力、分散运行的内容生产过程，变成一套公司级、可复用、可管理的生产能力。

FDE做FDE时，一直比较看重这一点。

FDE通常站在业务负责人、实际使用者和AI技术之间。

FDE要负责的，是先判断客户真正的价值主张是什么，再考虑AI怎么进去，怎么重塑流程、整合原有资源。

二、原有流程与核心问题

在业务规模还没这么大、AI能力也没有发展到今天这个阶段的时候，用设计师和运营团队支撑内容生产，是非常自然的一种方式。

设计师理解商品，也理解品牌审美。

企业需要什么图，他们就做什么图。

这套模式已经支撑客户把业务做到很大的规模，本身证明它是有效的。

问题出现在业务复杂度越来越高以后。

SKU越来越多，图片越来越多，视频越来越多。

业务量增长以后，企业想继续扩大内容供给，最直接的方法就是增加人。

于是内容产能和人力数量开始越来越强地绑定。

后来AI出来以后，客户其实也很积极，并没有完全不用AI。

他们开始让员工自己使用各种AI产品，希望借此提高效率。

但这又进入了第二个阶段：以前是“人做图”，后来变成了“人盯着AI做图”，人还得自己反复调整。

更麻烦的是，这种方式会把人的差异继续放大。

同样一套工具，不同的人用出来，结果完全不同。

所以从企业角度看，这依然谈不上稳定的生产能力。

后来FDE据此判断，单纯给企业采购几个AI工具，或者教员工怎么写Prompt，都解决不了根本问题。

AI真正要改造的，是整条工作流本身。

三、AI 解决方案与交付路径

这个项目里，FDE花时间最多的事情，是真需求的挖掘，以及价值主张到底成不成立。

写代码反而排在后面，AI辅助以后尤其如此。

第一步，先到现场，不急着做产品。

项目早期，FDE可以花比较多时间待在客户现场。

因为FDE要解决的问题，本质上是怎么把AI技术和行业Know-how结合起来。

只听老板讲需求是不够的，FDE必须看到员工实际上怎么工作。

需要先识别整个项目里的关键干系人。

老板关注的是企业战略转型，这件事情到底有没有长期价值；管理者关注的是成本、效率和管理；基层员工想的则完全不同，这东西会不会给FDE增加工作量，做完以后是不是要把FDE裁掉。

这些问题如果不处理好，技术做得再漂亮，也很难真正推下去。

所以FDE可以去观察员工每天到底在干什么，上下游怎么协作，资料怎么流转，大量时间耗在哪里。

比如员工会跟FDE抱怨，每次生图都要写很长的提示词，生成完还有水印，还得再处理。

这些问题对他们来说很麻烦，但对项目团队来说可能只是一个很小的工具或者流程调整就能解决。

FDE通常会先把这种小问题解决掉。

因为员工马上就能感觉到，项目团队来这里，是真的能帮他少干一些重复工作的。

这其实是一个非常重要的破冰过程。

第二步，把“想要AI”变成一个可以验证的价值主张。

项目团队会通过数据采集、工作流梳理、访谈等方式，把真实需求一点点挖出来。

不会花几个月先做一个“大而全”的产品。

需求确认阶段，项目团队就会借助AI快速做Demo，马上拿给客户看。

客户说这里不对，项目团队就改；员工用了以后发现操作不顺，项目团队继续调。

所以整个过程的节奏是，调研 → Demo → 使用 → 反馈 → 再迭代。

而且反馈也不会聊完就放下，项目团队会把这些意见沉淀进文档，让客户在指定的位置持续填写。

第三步，重新搭工作流。

做到这里以后，问题已经越过“选哪个生图模型”这个层面。

项目团队开始考虑AI生成怎么跟商品、素材和企业原来的生产流程连接起来。

一个很重要的方向，就是把生成出来的图片、视频直接沉淀下来，逐渐形成公司级素材资产；商品本身也要进入统一的商品管理逻辑。

这一步从项目实践看非常关键。

如果AI只是帮员工今天多做了十张图，明天还要重新开始，那它只是工具。

如果每一次使用都在给企业留下数据、素材、流程和经验，AI才开始真正进入企业的能力体系。

第四步，把“好看”变成“能商用”。

电商生图跟普通AI生图有一个非常大的区别：图好看只是基础，真正要紧的是，卖出去的东西必须就是图上的那件商品。

比如一件衣服，AI可以给项目团队生成一张非常漂亮的模特图，但如果衣服的版型、颜色或者细节变了，这张图越漂亮，商业风险反而越大。

所以项目团队把“一致性”直接放进验收标准。

三个层面分别是人物一致性、服饰一致性和场景一致性，只有这些达到要求，才算通过。

审核项目团队仍然保留了人工环节。

项目团队的做法是AI先做第一道检查，再交给人工确认，因为最终这个素材是否符合品牌审美、能不能真正使用，还是要尊重实际使用者的视觉判断。

这也成了项目里的一条原则：AI负责规模化，人负责最后的业务判断。

第五步，用POC来证明价值。

项目核心功能完成以后，项目团队进入了POC阶段。

这时候要做的，是推动企业内部员工真正使用，光自己坐在那里测不算数。

他们试用以后，把优化和改动意见反馈回来，项目团队再继续迭代。

从项目实践看，只有到了这个阶段，才开始真正回答“这套东西能不能进入企业日常工作”，Demo看起来再好看，也回答不了这一点。

四、项目结果与业务价值

这个项目目前仍处于POC测试、内部试用和持续迭代阶段。

项目团队现在关注几个实际变化。

第一个变化，是员工开始真正使用。

验收的标准，从项目团队的感觉，变成了设计师到底有没有把这套能力用起来、它和原来的工作流契不契合。

第二个变化，是内容开始从个人产出变成企业资产。

生成、管理和后续使用逐渐进入统一流程。

这个变化短期不一定能直接折算成多少钱，但对企业来说，它解决的是组织能力能不能留下来的问题。

第三个变化，是AI生产开始有了明确的质量边界。

现在验收会覆盖还原度、图片质量、视频能否商用，以及前面说的一致性，效果不再高度依赖某一个人的水平。

所以本案例中的“效果”，已经超出了“以前一小时做几张、现在一小时做几张”。

更重要的是，企业有没有开始形成一套稳定、可控、可以沉淀、可以继续扩大的内容生产方式。

这才是项目团队真正想验证的价值主张。

项目图示

原案例图示（PDF 第 122 页）

原案例图示（PDF 第 127 页）

五、关键落地难点

项目实践表明最大的挑战，其实不在模型本身。

第一个挑战，客户对AI的认知。

企业里经常会出现两个极端。

一种人觉得，“企业现在挺好的，为什么要折腾AI？

它到底对业务人员有什么价值？”另一种恰恰相反，觉得AI无所不能，甚至会期待“花10万元，就应该给业务人员做出100万元的效果”。

这两种认知都会给项目带来问题。

所以后来FDE反复强调一件事：AI一定要放进真实产业场景里跑。

与其讨论AI理论上能做什么，不如回到这家企业今天的业务流程，看哪个环节值得改、能不能改、改完以后价值怎么验证。

第二个挑战，基层员工。

这是很多AI项目特别容易忽略的一层。

老板可能非常积极，但真正每天使用产品的是设计师、运营。

他们很自然会担心，项目团队做这个是不是准备取代FDE。

如果这种情绪没有解决，项目团队拿到的需求可能都是假的，最后产品上线以后也没人愿意真正使用。

所以项目团队一进去，没有跟员工讲“AI转型”这种大词，先把他们眼前的小麻烦解决掉，把关系建立起来。

然后再跟核心人员把目标说清楚，AI是来帮大家从低价值重复劳动里脱身的，让他们把时间用在更有价值的事上。

第三个挑战，AI本身的不确定性。

生成内容最怕的是“看起来很好，但商品不对”。

所以原来如果只是追求“生成效果好看”，这个标准就不够用了。

项目团队后来把验收标准重新拉回业务本身，前面定下的那几项硬性要求，一项都不能松。

而且不能因为用了AI，就把审核也完全自动化，最终的业务责任，仍然要交给人。

AI可以提高效率，但最终的业务责任，不能交给模型。

六、FDE 交付方法与企业启示

做完这些项目以后，项目进一步验证了：FDE的核心竞争力，早就超过了“会多少AI工具”这个层面。

真正难的，是找对问题，再让AI真正进入业务。

项目可以归纳为几个原则。

第一，先判断价值，再决定做不做。

FDE和传统外包一个很大的区别就在这里。

外包接到任务就去把它完成，FDE可以在开始之前先判断，这件事值不值得做，未来有没有拓展性。

因为FDE最终要为结果负责，“功能有没有按时交付”只是其中一环。

第二，一定要进现场。

很多需求在会议室里是问不出来的。

要真正进到现场，看员工每天的时间到底花在哪里，真正的痛点经常藏在这些细节里。

第三，先快速做出东西来验证，不要追求一步到位。

调研之后，尽快做出一个能用的东西，让客户用起来，反馈之后再改。

AI时代给了项目团队快速试错的能力，应该把这种能力用在产品验证上，让客户早一点看到东西。

第四，把AI嵌进流程里。

如果原来的工作方式完全没变，只是每个人多了一个AI账号，那谈不上真正的AI改造。

真正的改变是，原来的哪一步可以取消，哪一步可以自动完成，哪些信息可以沉淀，谁负责最后判断，新的上下游关系应该怎么连接。

第五，每做完一个项目，都要问自己能不能产生复利。

比如这次做鞋服电商，项目团队会继续问，只有这家公司需要吗，换一家鞋服企业是不是也有类似问题。

如果答案是肯定的，那它就从“一个客户的定制需求”变成了“一个行业级问题”。

既然已经用一个客户完成了0到1的价值验证，下一步就应该考虑怎么从1做到100，把经验复用出去。

所以项目团队也会有意识地沉淀自己的“家底”。

如果决定深耕电商，就要思考这个行业最基础、最通用的能力是什么。

商品中心、订单中心、用户中心这些能力，未来都可能成为下一次交付时可以直接复用的基石。

这一案例中的FDE角色，最终其实有两条飞轮。

一条在客户外部，项目做得越来越多，对产业和客户的理解越来越成熟。

另一条在组织内部，每做一个项目，就把方法、组件和经验留下来，再复用到下一个项目。

如果每做完一个AI项目，只有客户拿到了一个系统，而FDE团队什么都没有沉淀下来，那这个项目其实还没有真正结束。

真正有价值的AI落地，既让客户的业务能力沉淀下来，也让FDE下一次解决同类问题时，站在一个更高的起点上。

七、可复用的交付资产

同类项目若要复制这条路径，可以优先沉淀以下交付物：

• 场景访谈记录与 As-Is／To-Be 流程图
• 业务对象、关键字段、角色责任和异常分支清单
• 知识地图、文档清洗规则、切片规范和高频问题测试集
• 图像类型清单、标注样本集、识别错误集和人工复核规则
• Agent 工作流定义、工具调用清单、提示词版本和任务评测集
• 系统集成图、字段映射、权限配置、失败重试与回写日志
• 覆盖普通、复杂和异常任务的验收样本与业务指标口径

来源与作者

Datawhale《FDE案例100》，受访者：潘俊杰（木水）（杭州礼链科技有限公司创始人）；PDF 第 121-130 页，书内页码 120-129。本文为访谈资料的第三人称整理，不是本站新采访。