在做电商相关的项目时，我注意到一件事：几乎每个环节都有人说"这里可以用 AI 优化"。商品推荐？AI。客服回复？AI。库存预测？AI。营销文案？AI。
说得好像 AI 是一层可以均匀涂抹在整条链路上的调料。
但当我真正试图去想"这里的 AI 介入，对用户或商家的价值是什么"时，会发现不同环节的答案差距很大。有些地方 AI 介入之后，问题本质上被重新定义了；有些地方 AI 只是让原来的事情快了一点，却并没有改变任何东西。
这篇文章是我试图建立一个判断框架的笔记——AI 在电商链路里的价值，为什么不是均匀分布的，以及它在哪两类场景里真正有效。
先把链路摊开来看
电商 SaaS 的全链路，大致可以分成六层：
每一层都有 AI 的身影，但如果让我给这些 AI 应用的"必要性"打分，会发现差距相当明显。
一开始我以为这只是技术成熟度的问题——有些场景算法难，所以价值还没释放。但越想越觉得不对。有些场景技术上完全可行，却始终感觉 AI 在那里像是一个"锦上添花的附加功能"，而不是"没有它这件事就做不好"。
这让我开始想：影响 AI 价值的，可能不只是技术能不能做到，而是这个场景本身的结构。
两个维度：认知负担 × 人工成本
我尝试用两个维度来描述一个场景是否适合 AI 深度介入：
第一个维度：用户或商家的认知负担有多重？
认知负担，是指"为了做出一个决策，需要处理多少信息、做多少比较、在多大的不确定性下行动"。
如果认知负担很重，AI 的介入可以产生实质性的"卸载"效果——它把遍历、比较、筛选这些消耗注意力的工作接管过来，让人类去做更高价值的判断。
如果认知负担本来就很轻——比如"确认收货"这个动作，用户脑子里几乎不需要任何思考——那 AI 在这里能做的，也只是把一个已经很简单的事情变得稍微更自动化，价值有限。
第二个维度：这件事的人工成本有多高？
人工成本，是指"如果没有 AI，完成这件事需要投入多少人力、时间和出错概率"。
如果人工成本很高，AI 替代或辅助之后，节省的资源是可以被直接量化的。典型场景是售后客服——行业数据显示，AI 能处理 80% 以上的常规工单，这不是小数字，背后是真实的人力投入。
如果这件事本来就不太需要人，那 AI 的效率收益也就相对有限。
把六层链路放进这两个维度，大致是这样一张分布图：
| 人工成本低 | 人工成本高 | |
|---|---|---|
| 认知负担高 | 发现层（内容创作） | 决策层 · 商家后台 ← AI 核心战场 |
| 认知负担低 | 履约层（锦上添花） | 售后层 ← AI 核心战场 · 转化层 |
右上和右下偏高的位置，是 AI 真正能改变事情本质的地方。
「做了一个可以玩的版本，→ 在线体验」
用这个框架扫一遍链路
把六层链路放进这两个维度里，会看到一些有意思的分布：
决策层：认知负担最重的地方
这是整条链路里认知负担最集中的层。用户面对一个几乎无限的商品池，需要在"我不完全知道自己想要什么"的状态下做出选择。筛选、比较、权衡——这些都是高认知成本的操作。
传统的筛选器和搜索框，把遍历的工作留给了用户自己。AI 导购 Agent 的思路不一样：它试图接管"帮你找到你想要的东西"这件事本身。
这里有一个我觉得很有意思的设计问题：当用户的需求本身是模糊的，Agent 应该追问还是猜测？追问式对话在需求明确时效率很高，但当用户"说不清楚自己想要什么"时，追问往往会让人更烦躁。反过来，主动猜测 + 用否定反应收敛，反而可能是更自然的路径——"不是这个"往往比"我想要..."更容易表达。
这是 AI 在决策层真正可以重新定义体验的地方，而不只是"让搜索更准"。
售后层：人工成本最高的地方
一个退货工单的处理，涉及：理解用户意图（退货还是换货？什么原因？）、核对订单状态、判断是否符合退货政策、触发后续流程。这些步骤重复性高、规则明确，但传统上需要人工逐一处理。
AI 在这里的价值逻辑很直接：意图识别 + 规则匹配，可以覆盖绝大多数标准情况，把人工精力留给真正需要判断的边缘案例。
但这里有一个容易被忽视的问题：当 AI 已经做出了判断，界面该怎么设计？谁来确认？什么情况下自动执行、什么情况下必须人工覆盖？AI 的置信度如何让操作者感知到？这些问题，跟"AI 能不能做出准确判断"是两件独立的事，但往往被一起跳过了。这个问题我打算在下一篇单独展开。
发现层：AI 价值真实，但被高估了
内容生成（商品图文、营销视频）是目前发现层里 AI 渗透最深的场景。京东的数据显示，AI 工具帮商家每年节省了相当于一个美工的成本。数字是真实的。
但从用户体验的角度，发现层的 AI 正在面临一个新的结构性变化：Google AI Overview 现在已经出现在 14% 的购物相关搜索里，传统的"流量 → 详情页"路径正在被打断。AI 带来的内容生成效率，和 AI 改变的流量结构，在同一个层里形成了张力。这不是"AI 更好还是更坏"的问题，而是说这一层正处于结构性变化的中间态，价值判断要比其他层更复杂一些。
转化层：ROI 明确，但边界要小心
弃单预测和干预，是转化层里我觉得 AI 价值最清晰的场景。用户把商品加进购物车却没结账，这个行为信号本身就携带了意图信息，AI 可以实时感知并触发对应动作（弹窗提醒、优惠推送、Checkout 流程简化）。
动态定价是另一个常被讨论的方向——但这里的风险不是技术层面的，而是用户信任层面的。"同样的商品，我买的时候比别人贵"，这种感受对品牌的伤害很难量化，但真实存在。
履约层：价值集中在后端，前端触点有限
库存周转率提升 30-50%、物流异常预警——这些都是真实的 AI 价值，但它们主要发生在系统层，前端用户感知到的只是"物流比以前准时了"或"缺货提示更及时了"。
对于做前端的人来说，履约层更有意思的设计问题，是当 AI 主动预测到"这个订单可能延误"时，通知界面应该是什么形态——是被动等用户去查，还是主动推送，推送的时机和措辞又是什么？这些是体验设计问题，和 AI 的后端预测能力是分开的。
规律是什么
扫完一圈，我的初步观察是：
AI 在电商链路里真正有效的场景，集中在两类：
一是认知负担集中的地方——用户或商家在信息过载或需求模糊时做决策。AI 接管信息处理，释放人类注意力。典型：决策层导购、商家后台运营决策辅助。
二是重复性人工操作集中的地方——规则明确、量大、出错成本可控。AI 直接替代大量人工。典型：售后工单的意图识别与分类处理。
这两类场景的共同特点：AI 介入之后， "谁来做这件事"的答案发生了本质变化。不是"做得更快了"，而是"做这件事的主体不同了"。
其他场景里的 AI，大多是在原有流程上加速或增强，并没有改变谁来做这件事。这类价值是真实的，但量级不同。
还没想清楚的地方
这个框架让我能更清晰地判断"哪里的 AI 值得深挖"，但有几个问题还没想明白：
认知负担是可以被 AI 完全接管的吗？ 还是说，有些决策的主体感必须留在用户那里——即使让 AI 全权推荐，用户也需要感觉"是我选的"？这个边界在哪里？
在重复性操作被 AI 接管之后，人工的角色变成了什么？ 不是"没有人工了"，而是"人工的注意力被重新分配"——分配去哪里？这对操作界面的设计有什么含义？
第二个问题，引出了下一篇想聊的核心：当 AI 已经做出了判断，界面的控制权该如何分配？谁来确认，谁来覆盖，置信度如何可视化——这些问题在售后工单场景里尤其尖锐，因为那里的 AI 介入最深，人机边界最需要被仔细设计。
