AI正在降低企业进入新市场、获取信息和完成单点任务的门槛，但全球经营并没有因此变得简单。不同市场的消费需求、监管要求和经营规则依然存在差异，企业内部的数据割裂、流程不连贯等问题，也可能随着业务扩张进一步放大。
当AI从个人工具走向企业应用，品牌需要解决的不只是“如何使用AI”，而是如何管理全球经营中的复杂度，如何将个人能力转化为组织能力，以及如何让AI真正进入业务流程并产生可验证的价值。
作为本次大会的领航合作伙伴，Shopify以一体化商业平台连接线上线下与多渠道经营，并通过内置AI和全球商业能力，支持品牌提升运营效率、拓展全球市场。
围绕这些问题，36氪《Insight全球》主编李婉君与Shopify 资深解决方案工程师梁妍、中欧国际工商学院欧洲经济研究所研究员刘耿，从全球市场、商业基础和组织转型等不同视角，探讨品牌如何建立面向未来的增长能力。
全球经营越复杂，越需要统一底座
当业务进入更多市场，企业面对的复杂度既来自外部，也来自内部。不同国家和地区的监管规则、消费需求与经营环境各不相同，企业内部则可能存在数据割裂、流程不连贯，以及不同部门判断标准不一致等问题。
刘耿指出，海外环境的复杂变化已经成为全球经营中的常量，企业需要从制定决策开始，就将相关成本纳入整体考量。“AI大幅降低了进入市场的成本，但不等于经营成本也随之降低。”对于品牌而言，应对复杂度的关键不是消除所有差异，而是区分哪些能力可以跨市场复用，哪些环节需要根据当地情况调整。
在梁妍看来，降低企业内部复杂度的重要一步，是找到统一的数据源，让商品、库存和销售等经营信息准确对齐。
进入不同市场时，商品内容、参数和物料等基础信息可以统一管理，区域团队再根据当地季节、营销节奏和消费需求作出调整。以服饰品牌为例，同一时间美国和澳大利亚可能处于不同季节，促销安排无法完全照搬，但商家不必因此为每个市场分别维护彼此割裂的系统。
通过Shopify，商家可以在同一平台上管理一套产品和独立站，并针对不同国家和市场进行相应配置。共用的商品信息得到统一管理，区域运营也保留了本地调整空间，从而减少多市场经营中的重复建设。同时Shopify成熟的平台生态，允许商家直接安装相应应用快速上线所需功能。企业无需从头建设每一项能力，可以将更多资源投入更具业务价值的环节。
随着ChatGPT、Gemini等AI渠道出现，统一底座还需要承接新的流量入口。Shopify数据显示，2026年第二季度，AI引荐至Shopify店铺的会话数同比增长197%，其中50%直接落在商品详情页。在到达商品详情页的访客中，AI引荐访客的转化率比自然搜索引荐访客高约80%。因此，商家不仅要让商品进入这些渠道，还要了解消费者通过哪些关键词进入、不同渠道的转化表现如何，以及商品能否被AI准确识别和呈现。通过Shopify后台，商家可以查看不同AI渠道带来的会话、流量和转化表现，并根据相关建议完善商品信息，使其更容易被AI理解和推荐。
从统一经营数据、复用核心能力，到适配不同市场、承接AI流量，统一的商业底座的价值在于减少重复建设与内部割裂，让品牌能够更高效地应对多市场经营中的复杂度。
AI规模化的关键，是从个人能力走向组织能力
AI在企业中的应用往往从个人开始。员工发现AI可以更快完成报告、翻译或内容制作，便会主动将其引入日常工作。但个人使用AI只是起点，个人能力与企业能力之间，还隔着组织与流程。
刘耿认为，AI转型已经不只是技术或工具采购问题，本质上也是组织问题。数字员工进入企业，需要明确的任务边界、协作规则和人工干预机制；当流程发生变化，岗位分工和管理方式也需要相应调整。在此基础上，企业还需要回答一个更具体的问题：怎样的AI能力才具备规模化复制的条件？
梁妍认为，AI规模化的最小单位，不是一个用户，也不是一项工具，而是一条从发现问题、作出判断、执行行动到复盘结果的完整链路。只有先将这条链路跑通，AI能力才有可能被复制到更多业务场景中。这意味着，企业不能只关注AI能否快速生成内容或给出答案，还要明确它可以访问哪些数据、采取哪些行动，以及哪些环节需要保留人工审核和回调机制。
Shopify的Sidekick正是基于这一思路，将商品内容、库存、历史销量以及营销等信息连接起来，帮助商家进行经营分析并采取后续行动。以日本某角色周边电商的商品策划场景为例，Sidekick可以基于历史销售数据，分析不同角色、商品品类和季节的销售表现，并据此提出新品方向和上新时机建议，为商家的产品决策提供参考。
这一案例体现了AI从分析走向行动的过程：基于经营数据识别机会，将建议转化为产品决策，再通过销售结果验证成效。企业级AI能力的形成，不在于使用了多少工具，而在于能否将数据、判断、行动和结果连接成一条完整、可控的业务链路。
从真实业务问题出发，让AI价值可验证、可复制
当企业具备统一的数据基础，并开始将AI引入业务流程，下一个问题便是：面对众多工具与应用场景，应该从哪里开始？
刘耿认为，企业不应先选定一项AI工具，再寻找可以应用它的场景，否则容易变成“拿着锤子找钉子”。更有效的路径，是先找到最迫切、最有价值的业务问题，再选择规模较小、过程可控、结果可逆，并具有明确安全边界和反馈机制的场景进行尝试。
梁妍提出，AI项目的选择需要结合企业现阶段最重要的目标。如果目标是增长，可以优先关注新的AI渠道和流量机会；如果目标是提升效率，则需要判断问题究竟来自数据对接、内容生产，还是其他业务环节。
在具体执行中，企业可以先从影响范围较小的场景开始，明确出错后的回调和替代机制。经过一段时间运行后，再判断这条业务链路是否真正跑通、能否解决实际问题，以及是否具备被其他团队采纳和复制的条件。
因此，衡量AI价值不能只看回答速度、内容产量或工具数量，而要看它是否进入真实业务流程，并带来可以验证的结果。
从建立统一的商业底座，到将个人AI能力转化为组织能力，再到围绕真实问题小步验证，品牌面向AI时代的增长优势，最终来自对数据、流程和业务目标的有效连接，以及将成熟能力持续复制到更多团队与市场的能力。