过去两年,AI 归类 HTS 税号的工具进了进口仓和报关行:把商品描述、材质、用途丢进去,几秒钟吐出一个税号,还附带一个置信度分数。不少人把这叫作"归类员的终结者"。根据我这两年看到的行业讨论,这个判断下得太早了。归类这件事,难从来不在"查一个号",而在"这个号错了谁负责"。

先说一个基本事实。HTS 税号体系里,六位数子目就有五千多个,再往下到十位数的统计口径,组合数以万计。一件商品归哪个号,不只看它"是什么",还要看材质比例、功能主次、加工程度,甚至看它打算怎么用。同样一副蓝牙耳机,带充电盒和不带充电盒,归类逻辑可能完全不同。这就是为什么归类员这个工种存在了几十年也没被表格替代:它本质上是一项判断工作,不是查表工作。

市面上的工具形态也不一样。一种是独立的归类工具,输描述、出税号;另一种是嵌进报关系统或者 WMS 里的模块,归类结果直接写回订单。形态不同,坑也不一样:独立工具最大的问题是数据要来回倒,商品描述在系统里改了一版,工具里还是旧版;嵌进系统的模块最大的问题是责任边界模糊,出了错,系统商和工具商互相推。根据我的观察,工具形态本身不决定成败,决定成败的是归类结果能不能和订单、发票、装箱单上的描述对上,留痕能不能经得起海关稽查。

AI 归类 HTS 税号,省的钱到底有多少

省钱的账不难算。先看人工:一名有经验的归类员,处理一票常规商品大约需要 10~20 分钟,遇到结构复杂的新品,要查注释、翻历史裁定、打电话跟供应商确认成分,一两个小时也不稀奇。再看 AI:几秒出结果,还能一次跑几百票。按假设算例算一笔账:一家月均处理 1000 票进口货的仓库,人工归类每票平均 15 分钟,一个月就是 250 个工时,约等于一个半全职人力;AI 把初筛压缩到几秒,复核只留给疑难票,省下来的工时是实打实的。

| 对比项 | 人工归类 | AI 归类 + 人审 | | 速度 | 每票 10~20 分钟 | 初筛几秒,疑难票人审 | | 一致性 | 因人而异 | 同类商品结果稳定 | | 成本 | 按工时线性增长 | 前期投入加按票计费 | | 风险 | 错在个人经验 | 错在系统性偏差,一错可能错一批 |

但这笔账有个前提:省的是"初筛"的时间,不是"责任"。一个税号差出几个点的关税,是这个行业的常识性框架,具体税率以官方税则为准。AI 省下的工时费,和一张补税单比起来,往往不是一个量级。ROI 这笔账如果只算省了多少人工,不算错一次赔多少,那这个 ROI 就是假的。

举个场景示意。一家进口商用 AI 给一款带充电盒的蓝牙耳机归类,模型给出的税号置信度 92%,操作员看分数不低,直接放行了。海关查验后认定,这款产品应按带锂电池的整机归类而非普通耳机,补税加罚则,单票多花的钱,超过这家公司半年省下的人工费。问题不在模型"笨",92% 的置信度在统计上不算低,问题在于没人规定 92% 到底够不够放行。

还有一类错误,根子不在模型,在上游数据。一件标称"棉 60%、涤纶 40%"的外套,和"棉 40%、涤纶 60%"的外套,税号可能完全不同;如果供应商提供的成分表本身就写错了,AI 读到的就是错的输入,再准的模型也只能输出错的答案。归类错误的源头,常常不在算法,在数据链。

AI 归类错一个税号,代价出现在哪

第一是补税和罚则。美国海关法对申报不实设有罚则,按过失程度分档,申报人承担责任。注意,是申报人,不是提供工具的软件商。合同里如果没写清,软件商大概率不赔。这意味着 AI 归类工具的采购合同里,责任条款比准确率数字更值得细读。

第二是查验率。一旦某类货被认定错归,后续同类货被查验的概率会上升,仓库的周转计划、客户的交期全被打乱。这笔隐性成本比补税更难算,也更难向客户解释:货明明没问题,只是上一票的税号错了。

第三是连带。一票错归如果没被发现,同样的错误归类会被复制到之后每一票同类货上。AI 的效率在这里是双刃剑:对的时候批量对,错的时候批量错。人工归类时代,一个人的错误影响范围有限;AI 时代,一个系统性偏差可以在几周内污染整个品类的归类记录。

人审环节应该设在哪

我的看法是,人审不应该设在"最后看一眼",而应该按置信度和商品风险分级。

| 商品类型 | AI 置信度 | 处理方式 | | 常规商品、有历史归类记录 | 高 | 人抽查 | | 新品、成分边界模糊 | 中 | 人必审 | | 涉贸易救济、锂电池、食品药品 | 任何置信度 | 人全审,AI 只做参考 |

关键是把规则写下来:多少分算"高"、哪些品类自动进人审、谁有权限推翻 AI 的结果。没有成文规则的"人机结合",最后都会滑向"人只负责点确认键"。而"点确认键"这个动作,在责任认定的时候,和"人自己归的类"没有区别。换句话说,人审环节如果只是走过场,等于没有人审。

还有一点容易被忽略:留痕。每一次归类结果、置信度分数、人工复核的意见,都要留下来。海关稽查不是只看你这次归得对不对,还要看你的归类流程能不能自圆其说。AI 给出的答案、人工改动的记录、改动的理由,这三样凑齐了,才算一个完整的归类档案。很多仓库上线 AI 归类只盯着准确率,回头被稽查问到"这个号是谁定的、依据是什么",才发现系统里只有结果,没有过程。

哪些货现在还不能交给 AI

四类货,现阶段我不建议让 AI 做主归类。第一,新品且无历史裁定的,模型没有可学的先例,置信度分数本身就没有意义。第二,成分边界模糊的化工品和纺织品,判断依据在检测报告里,不在商品描述里。第三,涉及反倾销、反补贴等贸易救济的货,税号背后是裁定文件和判例,模型看不见。第四,监管条件复杂的食品、药品、医疗器械,归类错了不只是钱的问题。

这四类货的共同点是:判断依据不在商品描述里,AI 的输入本身就不完整。输入不完整,再好的模型也只能猜。而归类这件事,猜对了没有奖励,猜错了要赔钱。

所以回到开头的问题:AI 归类 HTS 税号,省了人工,错了谁担责?目前的答案是,担责的还是申报人。未来三到五年,AI 归类大概率会变成进口仓库的标配,但"标配"的意思是每个仓库都有,而不是每个仓库都可以不管。真正值得想的问题,也许不是 AI 准不准,而是当 AI 准到 95% 的时候,剩下那 5% 由谁来兜底。这个问题,现在还没有标准答案。

作者:陈博士|供应链行业研究员