文章核心观点 AI在企业核心业务中的落地已从“哪些场景能做”转向“系统跑起来后如何管住”，核心挑战不再是模型能力，而是数据可信度、执行可控性、收益可核算与责任可划分，企业需通过划定边界、人机协作、分级授权等务实路径实现可控落地[9][21][22] 一、AI进入企业核心业务的障碍与转变 - 7月苏州闭门会讨论的三大障碍：关键数据不可观测、模型结果难验证、出了问题无人负责[4] - 深圳闭门会问题已从“哪些场景能做”转向“系统跑起来后如何管住”：质量控制、责任划分、组织如何承接被AI放大的个人效率[9] - 几乎没有人再问“要不要做AI”，问题变成“哪个场景最先算得清账”[21] 二、AI落地的三类案例 - 第一类已进入业务系统：销量预测、自动下单与跟单、订单异常预警、质量异常根因分析、工艺文件生成等[7] - 第二类采用人机协作：AI质检先标出产线上可疑区域，由老师傅判断真假；药厂将送样、记录和报告生成交给“数字员工”，但技术路线和平台标准仍由人决定[7] - 第三类绕开“替代人”：柔性产线上部分装配工位无法由机器人接管，模型转而“看人”，检查员工动作是否执行到位[8] 三、AI可控落地的策略与架构 - 安克创新将系统拆成策略层和执行层：策略层负责预测和趋势分析，只输出建议不直接触发业务动作；执行层将确定性逻辑封装成标准业务API，配合独立上下文的Check agent作为质量门禁[11] - 安克创新新品销量预测案例：人工预估月销量1000台，策略Agent预测1万台，最终实际销量约1.12万台，若按人工基线备货几乎必然断货[11] - 广域铭岛先通过数据湖清洗原始数据转化为标准化指标，Agent只能从“指标工厂”调取处理数据，不能在原始数据中自由发挥[12] - 某电池车间过去需跨部门开会8小时完成良率分析，现由多因子分析智能体在10分钟内生成带证据链的报告[12] 四、并非每一环都需要大模型 - 周大福原本用APS做排产，尝试Agent帮排产员后发现调Agent还不如原本APS快，确定性系统已足够好时硬塞AI增加成本和不确定性[15] - 某头部医药企业身处强监管行业，生成式大模型被严格限制进入核心生产环节，真正落地的是工艺分析、设备预测维修、能耗优化等场景[15] - 中用科技将制造业AI拆成两件不同的事：供应链和运营端大多是数据整理，制造端调优是真正的反向控制，两者不能混在一套逻辑里谈[16] 五、具体场景的落地案例与量化收益 - 新明珠集团瓷砖质检引入AI视觉检测：AI检测系统设计能力达60米/分，覆盖陶瓷产线40-50米/分全部运行速度，解决人工目检20-30米/分卡产能瓶颈；单线质检人力从4人减到2.5人（节省37.5%），两条线每年节约人工成本42万元；难点在于凹凸纹理类产品AI难稳定区分工艺美感与瑕疵[16] - 广隆食品将产品成本测算逻辑封装给Agent后，新品报价从半个月压缩到2分钟；经营侧从店长手动拉数据改为AI每3小时主动向终端推送业绩预警，实现“数推人”[16] - 八马茶业基于办公协同工具打通SCM等分散系统，由智能体自动监控数百家茶农供应商的资质、来料质量风险与订单风险，走“找小切口、做轻度AI应用”的路子[17] 六、计算ROI需考虑的四笔账 - 收益账：良率、产能提升与错单减少带来的直接收益[18] - 调用账：模型、Token、并发与边缘算力的持续成本[18] - 改造账：数据治理、API接口封装与设备连接的改造投入[18] - 风险账：人工复核、异常接管与审计追踪的隐性工时成本[18] - 中用科技CEO指出：很多制造企业前期部署算力，很大一部分成本消耗在数据清洗与整理上，这笔钱通常不在AI项目预算表里[18] 七、AI带来的组织流程压力与分级授权 - 思谋科技产品总监提出：若员工借助AI节省1小时，但后端审批链条和权责机制未变，前端提升的效率反而可能在后端形成新拥堵[19] - 效率不会凭空增加，只会暴露流程中下一个尚未改造的瓶颈，AI是对整条工作流的压力测试[20] - 金蝶等嘉宾观点趋于一致：AI可以计算选项，却无法代替企业承担后果，需按场景分级授权[20] - 低风险、可逆的流程可由系统自动执行；涉及大额资金或关键系统写入的动作必须二次校验；涉及生产安全、质量与合规的环节原则上保留人工审批[20][30]