一群跨境人关起门聊了两个多小时，最后发现：AI 真正难的不是会不会用，是先改哪条业务线
企业和 AI 的关系，从“知道它重要”，走到“准备动手了”
AI 真正难的，不是会不会用，也不是工具火不火，而是它到底先帮我解决什么问题。
最近这半年，很多公司都在讲 AI。
有人拿它写文案，有人拿它做图片，有人拿它写代码，也有人开始认真“养虾”——把 OpenClaw 当成一个长期在线的数字员工来用。
但真到了企业里，问题很快就变了。
不是“AI 厉不厉害”，也不是“OpenClaw 火不火”，而是更现实的一句：
它到底先帮我解决什么问题？
在卧兔、WotoHub 主办的“出海・共生第四届全球品牌出海峰会”一场闭门工作坊里，非凡产研就围绕这个问题，跟一群做跨境电商、品牌出海、供应链和内容增长的企业，实打实聊了一个下午。
这场 workshop 最有意思的地方，不是又讲了一遍 OpenClaw 的概念，而是把一群原本还没真正用起来的人，硬生生推进到了一个更具体的层面：
如果今天就要开始用 AI，你公司第一刀该切在哪。
现场最真实的一幕：很多人知道 OpenClaw，但真用过的人并不多
这场 workshop 一开始，现场先做了一个简单调研。
结果很直接：大约六七成参会者都还没有完整接触或深度使用过 OpenClaw；真正已经装过、并且养到三只以上“小龙虾”的，只是极少数。
这其实很说明问题。
今天很多企业不是不关心 AI。恰恰相反，大家都知道它重要，也都隐约感觉到，再不碰就要晚了。
但问题是，大多数公司对它的理解还停留在“工具很好”“趋势很大”“我也想试试”这一步。真到业务里，很多人还是会卡住：
客服能不能接？
内容能不能跑？
备货能不能算？
运营能不能串起来？
老板能不能拿它辅助决策？
所以吴老师前面那三十多分钟的分享，更多是一个必要的铺垫。不是为了把 OpenClaw 讲得多完整，而是先把现场没有真正用过的人拉到同一认知线上：这东西到底是什么、为什么最近这么多人讨论、它和 ChatGPT、Manus、Claude Code 这些工具不是一回事。
但那只是开场。
真正的重点，是后面。
一场 workshop 的价值，不是把工具讲明白，而是把问题问具体
这场闭门会后半段，我们没有继续往下讲概念，而是把现场的人直接分成四组，让大家围着自己公司正在发生的问题讨论。
规则也很明确：
不能提一个太虚的问题，不能提一个别人公司的问题，不能泛泛而谈“我想学 AI”。
每一组都必须从自己的业务出发，把问题缩成一句话。最好是这种句式：
“我应该如何……”
或者
“我们如何用 AI 去解决……”
这一下，现场气氛就完全变了。
因为大家突然不再讨论“AI 能干很多事”，而开始讨论：
我公司最值得先让 AI 接手的，到底是哪件事。
这件事看起来简单，其实很关键。
很多企业今天学 AI，最大的问题不是不知道工具，而是还不会把一个模糊的焦虑，翻译成一个可落地的问题。
而这场 workshop，做的就是这个翻译。
四个组，几乎把今天企业最典型的 AI 难题都摆上了桌面
这次讨论分成了四个方向：
数据、决策、营销运营、效率提升。
表面看是分组，实际上几乎把今天多数跨境企业面对 AI 时最典型的四种焦虑都摊开了。
第一组聊的是效率
他们的问题是：
如何运用 AI 串联起跨境电商行业全链路的工作流。
这个问题一出来，很多人都有共鸣。
因为现在不少企业并不是完全没用 AI，而是到处都在用一点：有人拿它生成文案，有人拿它做图，有人自己装了两只虾，有的部门搞了一个小工具，但整个公司层面并没有真正连起来。
结果就是，AI 看起来用了很多，实际效率提升却很分散。
这组最后讨论出来的方向很务实：别一上来就想做一个大而全的系统，先从明确岗位切入。比如先做“产品龙虾”“运营龙虾”“设计龙虾”，先把一个环节跑通，再复制到别的部门。
这个结论不炫，但很对。
因为多数企业真正缺的不是想象力，而是一个可执行的起点。
第二组聊的是营销和内容
他们的问题是：
如何用智能体与 AIGC 自动生成高质量内容，解决社媒平台流量获取和素材制作问题。
这背后是跨境企业非常现实的一种压力：
账号越来越多，平台越来越多，内容要持续更新，视频、图片、脚本、发布节奏都得跟上。
但现实往往是另一回事。
素材容易翻车，Logo 会变形，视频会穿模，审美不稳定，工具还散落在不同平台里。团队每天看起来很忙，真正稳定的内容生产能力却没搭起来。
现场还有企业提到，他们手上有多个品牌、多个社媒号，每周至少要产出几十条视频内容。这个量级，已经不是“让 AI 帮帮忙”能解决的了，而是必须进入流程化。
所以这组最后收束出来的方向是：
不是再多找几个模型，而是搭一条尽量完整的 agent 工作流，把脚本、图片、视频、发布接起来，往更稳定的生产链条去做。
说白了，大家开始意识到：
内容问题，本质上已经不是创意问题，而是产能问题。
第三组聊的是数据和备货
他们的问题是：
如何用日常运营和销售数据做更合理的备货预测。
这个问题特别好，因为它一点都不“花哨”。
它没有那么像外界想象中的 AI 场景，不是炫酷 demo，也不是自动写一篇文章，而是直接碰到了跨境业务最硬的一块：库存、供应链、预测精度。
SKU 多，变量多，历史公式不准，备货还是很依赖经验，这几乎是很多公司都会遇到的老问题。
而这组最后讨论出来的结果，也非常有代表性：
先别急着让 AI 直接给预测结果。
先把数据基建搭好，把散的数据集中起来，把飞书、多维表格、销售数据、运营数据整理清楚，再让 OpenClaw 去抓更多维度的数据，再交给模型辅助分析。
这也是整场 workshop 里反复被验证的一件事：
AI 落不了地，很多时候不是模型不够强，而是企业自己的数据还没准备好。
第四组聊的是决策
他们的问题是：
在新产品立项决策过程中，如何借助 AI 让决策更精准。
这一组讨论得最久，也最正常。
因为前面几组很多还是执行问题，到了这一组，已经开始碰老板真正关心的东西了：
这个项目到底值不值得做？
该不该投？
我拿什么信息去判断？
以前很多决策为什么会失误？
最后他们没有得出一个简单粗暴的答案，比如“让 AI 帮老板做决定”。
相反，现场形成的思路更成熟：
先让 AI 去做信息补全、项目观察、过程记录、复盘辅助，甚至扮演一个“蓝军”角色，帮助团队把立项过程看得更清楚，而不是直接代替拍板。
这其实很重要。
因为它说明，越来越多企业已经开始从“AI 能不能替代人”这种讨论，走向“AI 能不能先把判断这件事做得更有依据”。
最有价值的，不是每组都拿出了答案，而是大家开始会问对问题了
如果只看表面，你会觉得这场 workshop 就是四组人讨论了四个具体问题。
但真正更重要的，是它让现场很多企业第一次意识到：
AI 时代，最稀缺的能力之一，可能不是操作工具，而是提出正确的问题。
这个转变很微妙，但非常真实。
以前很多企业学 AI，学着学着就会变成“看别人怎么做”“哪个软件现在火”“有没有现成模板”。
这种方式不能说没用，但它很容易停留在围观层面。
而这场 workshop 的推进方式不一样。
它逼着每个人从自己的岗位、自己的品类、自己的公司出发，把那个最具体的问题拎出来。你一旦把问题问具体，很多事就开始动了。
现场最后也有人提到，AI 不只是工具，它还是一种方法论。它会逼着人重新学习怎么提问、怎么交流、怎么拆解问题、怎么批判性地看待答案。
这句话听起来不热闹，但是真正踩中了今天很多企业的痛点。
因为多数公司现在缺的并不是“知道 AI 很强”，而是还没有把“AI 很强”翻译成“我公司下一步先改什么”。
所以，这场 workshop 最后留下来的到底是什么
不是一份标准答案。
也不是一张“OpenClaw 万能”的宣传图。
更像是几条非常现实的共识。
第一，先别急着谈 all in，先找最适合切入的场景。
高频、重复、规则明确、又不至于一上来就碰最核心风险的流程，往往最适合先下手。
第二，数据基建比想象中重要得多。
很多企业想上 AI，但底层数据还没整理、分类、标签化，最后就会发现模型再强也使不上劲。
第三，SOP 和 skills 的沉淀很关键。
企业过去的经验、规范、风格和流程，如果不写出来，不技能化，AI 很难真正进入业务。
第四，不要神化任何一个工具。
这场 workshop 的主角是 OpenClaw，但最后大家反而更清楚了一点：不是所有任务都必须用小龙虾，关键是根据任务类型和企业现状，选最趁手的工具组合。
它没有把 AI 讲得更玄，反而把它讲得更具体了。
没有让大家觉得“这个东西离我很远”，反而逼着大家开始面对一个更直接的问题：
如果 AI 真的已经来了，你们公司准备先让它接手哪件事？
而当这个问题开始被认真讨论，很多事情其实就已经变了。
因为企业和 AI 的关系，从那一刻开始，就不再只是“知道它重要”。
而是准备动手了。