先懂行业，再谈 AI

AI 落地项目有个常见死法：方案做得漂亮，系统上线即闲置。复盘时都怪模型不够好、员工不会用。但多数时候，根子在更早的地方——做方案的人，没有真的懂那个行业。

我自己的路径是反着来的。物流管理科班，先在 incoterms、HS 编码和清关台前待了多年，2021 年才转向 AI，之后交付了四条产品线。这个顺序决定了我们做 AI 的方式：每次进一个现场，先花时间搞懂流程的真实运转，再判断 AI 该放在哪、不该放哪。

为什么顺序不能反？

行业知识的成本被严重低估。 一个懂模型的人可以在两周内学会 HS 归类的表面流程，但不可能在两周内知道哪种描述会导致归类争议、哪类商品在申报时有历史坑。这些知识不在文档里，在现场。

AI 放大了你对行业的理解，也放大你的无知。 模型很听话：你问错了问题，它会一本正经地给你一个错误的答案。在 HS 归类里，这意味着税号错、关税错、甚至罚款。不懂行业的人做出来的 AI 工具，会把错误规模化。

现场不信任外行。 落地的最后一公里是人。操作员只会把工具用进自己的流程，如果他们感觉做工具的人不懂这行，工具就会被晾在一边。这不是态度问题，是信任问题。

所以我们给自己定了规矩：模型不许自由发挥归类。我们的关务工具 Urgenth 读入产品描述后，检索官方 HTS 数据库，只从真实候选编码里选——模型被明确禁止编造编码。这个约束不是技术妥协，是行业知识写进产品架构的样子。

先懂行业，再谈 AI。这个顺序，就是这家公司本身。

---

湛拓 DeepTill 是前沿部署工程（FDE）公司：工程师进现场，交付跑在真实工作流里的 AI。