AI正逐步降低企业进入新兴市场、获取资讯及执行单一任务的障碍，然而全球运营的复杂性并未因此减弱。各地市场的消费模式、法规要求及运营规则依旧存在差异，企业内部的数据孤岛、流程不衔接等问题也可能随着业务扩张而加剧。
当AI从个人工具演进为企业级应用，品牌面临的核心挑战不再仅仅是“如何运用AI”，而是怎样应对全球运营中的复杂性，将个人效能转化为组织效能，并确保AI能真正融入业务流程，创造可衡量的价值。
作为本次大会的领航合作伙伴，Shopify通过一体化商业平台整合线上线下及多渠道经营，并借助内置AI与全球业务能力，助力品牌提升运营效率、拓展国际市场。
围绕这些议题，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、商业基础及组织转型等多个维度，探讨品牌如何构建面向未来的增长能力。
当业务拓展至更多市场，企业面临的复杂性既来自外部环境，也源自内部管理。不同国家与地区的监管政策、消费者需求及运营环境各有特点，而企业内部可能存在数据分散、流程断裂，以及各部门判断标准不统一等问题。
刘耿指出，海外环境的动态变化已成为全球运营中的常态，企业应从决策制定之初，就将相关成本纳入整体考量。“AI显著降低了进入市场的门槛，但这并不意味着运营成本也随之下降。”对品牌而言，应对复杂性的关键在于并非消除所有差异，而是识别哪些能力可跨市场复用，哪些环节需根据当地情况灵活调整。
梁妍认为，降低企业内部复杂性的重要一步是确立统一的数据来源，确保商品、库存及销售等运营信息精准对齐。
进入不同市场时，商品内容、参数及物料等基础信息可集中管理，区域团队再依据当地季节、营销节奏及消费需求进行调整。以服饰品牌为例，同一时间美国与澳大利亚可能处于不同季节，促销计划无法直接复制，但商家无需为每个市场分别维护独立的系统。
通过Shopify，商家可在同一平台上管理一套商品及独立站，并针对不同国家与市场进行相应配置。共享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，从而减少多市场运营中的重复建设。同时，Shopify成熟的平台生态允许商家直接安装相关应用，快速上线所需功能。企业无需从零构建每一项能力，可将更多资源投入更具业务价值的环节。
随着ChatGPT、Gemini等AI渠道的兴起，统一基础还需承接新的流量入口。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出约80%。因此，商家不仅需确保商品进入这些渠道，还需了解消费者通过哪些关键词进入、不同渠道的转化表现，以及商品能否被AI准确识别与呈现。通过Shopify后台，商家可查看不同AI渠道带来的会话、流量与转化表现，并根据相关建议优化商品信息，使其更易被AI理解与推荐。
从统一运营数据、复用核心能力，到适配不同市场、承接AI流量，统一商业基础的价值在于减少重复建设与内部割裂，让品牌能更高效地应对多市场运营中的复杂性。
AI在企业中的应用通常始于个人层面。员工发现AI能更快完成报告、翻译或内容制作后，会主动将其引入日常工作。但个人使用AI仅是起点，个人能力与企业能力之间，仍隔着组织与流程的鸿沟。
刘耿认为，AI转型已不仅是技术或工具采购问题，本质上也是组织问题。数字员工进入企业后，需明确的任务边界、协作规则及人工干预机制；当流程发生变化，岗位分工与管理方式也需相应调整。在此基础上，企业还需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？
梁妍指出，AI规模化的最小单元并非一个用户或一项工具，而是一条从发现问题、做出判断、执行行动到复盘结果的完整链路。只有先打通这条链路，AI能力才有可能被复制到更多业务场景。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，还需明确它可以访问哪些数据、采取哪些行动，以及哪些环节需保留人工审核与回调机制。
Shopify的Sidekick正是基于这一思路，将商品内容、库存、历史销量及营销等信息连接起来，帮助商家进行运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可基于历史销售数据，分析不同角色、商品品类与季节的销售表现，并据此提出新品方向与上新时机建议，为商家的产品决策提供参考。
这一案例展示了AI从分析走向行动的过程：基于运营数据识别机会，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、行动与结果连接成一条完整、可控的业务链路。
当企业具备统一的数据基础，并开始将AI引入业务流程后，下一个问题便是：面对众多工具与应用场景，应从何处入手？
刘耿认为，企业不应先选定一项AI工具，再寻找可应用它的场景，否则容易陷入“拿着锤子找钉子”的误区。更有效的方法是，先识别最迫切、最有价值的业务问题，再选择规模较小、过程可控、结果可逆，且具有明确安全边界与反馈机制的场景进行尝试。
梁妍提出，AI项目的选择需结合企业现阶段最重要的目标。若目标是增长，可优先关注新的AI渠道与流量机会；若目标是提升效率，则需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，企业可先从影响范围较小的场景入手，明确出错后的回调与替代机制。经过一段时间运行后，再判断这条业务链路是否真正打通、能否解决实际问题，以及是否具备被其他团队采纳与复制的条件。
因此，衡量AI价值不能仅看回答速度、内容产量或工具数量，而要看它是否进入真实业务流程，并带来可验证的结果。
从建立统一的商业基础，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、流程与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。
