頭圖 | 虎嗅智庫現場拍攝

今年7月在蘇州的一場閉門會，行業仍在討論一個基礎問題：AI能不能進入企業核心業務和工廠？

當時被反覆提到的障礙有三類：關鍵數據不可觀測、模型結果難驗證、出了問題無人負責。上期回顧

幾個月後，問題已經向前推進了一步。

近期，虎嗅智庫在深圳鹽田區周大福大廈，組織了新一場Agent下車間線下閉門會。來自周大福、安克創新、新明珠、八馬茶業、廣隆食品等企業的一線負責人，以及廣域銘島、思謀科技、中用科技、金蝶等技術團隊，圍繞AI進入真實業務後的案例和問題展開討論。

三個多小時裏，桌上攤開的案例大致分為三類。

第一類已經進入業務系統，包括銷量預測、自動下單與跟單、訂單異常預警，以及質量異常根因分析、工藝文件生成等。

第二類採用人機協作。比如，AI質檢先標出產線上的可疑區域，再由老師傅判斷真假；藥廠把送樣、記錄和報告生成交給「數字員工」，但技術路線和平台標準仍由人決定。

第三類則繞開了「替代人」。柔性產線上的部分裝配工位暫時無法由機器人接管，於是模型轉而「看人」，檢查員工動作是否執行到位。

討論環節，爭得最兇的反而不是技術。有人把話挑明：非核心場景如果算不清效率提升或成本節約，管理層就不會批預算，所以必須先挑能算出賬的場景做——質檢、排產、庫存優化這類。

也有人追問更現實的選擇題：同一個能力，是自建模型還是調外部 API？前者投入重，後者擔心數據安全，中間那條混合的路怎麼走，沒人給出標準答案。被反覆提起的還有一件事：Agent 幹完的活，出錯算誰的？現場沒有一個人主張把決策權完全交出去，分歧只在於人要在哪一環接手。

與蘇州場相比，問題已經從「哪些場景能做」，轉向「系統跑起來後如何管住」：質量怎麼控制，責任怎麼劃分，組織又如何承接被AI放大的個人效率？

當AI從「會答」走向「會幹」，企業真正要補的課，已經不只是模型能力。

以下是基於現場研討整理的部分內容，經編輯重構。

01

先讓AI可控地幹活

AI要觸碰企業核心系統，最大的風險不是「不夠聰明」，而是「不夠穩定」。

直接讓AI操作瀏覽器界面，或者進入數據庫自由查詢，帶來的可能不是效率提升，而是難以預測的業務事故。現場企業給出的答案，也不是簡單換用更強的模型，而是先給AI劃定邊界。

安克創新沒有讓端到端的黑盒Agent接管整條供應鏈，而是將系統拆成策略層和執行層。安克創新的供應鏈數智化化能力建設負責人鍾偉平現場分享道。

策略層負責預測和趨勢分析，只輸出建議，不直接觸發業務動作；執行層不採用Agent模仿人工點擊瀏覽器，而是將確定性邏輯封裝成標準的業務API，讓Agent在企業業務上下文中調用，同時配合獨立上下文的Check agent作為質量門禁，使得Agent在執行層場景穩定可信。

這套機制曾用於一次新品銷量預測。人工依據歷史經驗給出的月銷量預估為1000台，策略Agent結合生態流量和競品數據給出的預測是1萬台，最終實際銷量約為1.12萬台。如果仍按人工基線備貨，幾乎必然斷貨。

另外，在工業製造端，歐陽仁權（吉利廣域銘島華南區副總）表示，廣域銘島並不假設模型不會犯錯，而是先通過數據湖清洗原始數據，將其轉化為標準化指標。

Agent只能從這套「指標工廠」中調取經過處理的數據，不能在原始數據中自由發揮。在某電池車間，過去需要跨部門開會8小時完成的良率分析，現在可由多因子分析智能體在10分鐘內生成一份帶證據鏈的報告。

這也意味着，所謂企業數據「不可觀測」，往往不只是看不見數據，而是缺少一套統一口徑，使數據無法被機器可靠調用。

02

不是每一環都需要大模型

現場還有一類更務實的派法。

周大福ICC助理副總裁胡志軍舉了一個很實在的例子：他們原本用 APS 做排產，也試着做一個 Agent 去幫排產員，結果發現——調 Agent 還不如原本的 APS 快。當確定性系統已經跑得足夠好，硬塞一層 AI 進去，增加的只是成本和不確定性。

某國內頭部醫藥企業的嘉賓表示，身處強監管的製藥行業，生成式大模型被嚴格限制進入核心生產環節。真正落地的是工藝分析、設備預測維修、能耗優化等場景。

中用科技則把製造業的 AI 拆成兩件不同的事：供應鏈和運營端大多是數據整理，製造端的調優纔是真正的反向控制，兩者不能混在一套邏輯裏談。

同時，當話題從架構下沉到具體的產線與供應鏈，嘉賓們擺出來的是最真實的痛點，也是最直接的甜頭。這些案例的共同點是：沒有一個是全流程重構，都是在某一小段高頻動作上做到了極致。

新明珠集團CIO李繼湛：新明珠在瓷磚質檢引入 AI 視覺檢測後，AI檢測系統設計能力達 60 米/分，剛好覆蓋陶瓷產線 40-50 米/分的全部運行速度——這解決了人工目檢 20-30 米/分卡產能的瓶頸。單線質檢人力從 4 人減到 2.5 人（節省 37.5%），兩條線每年節約人工成本 42 萬元。難點在於對於有凹凸紋理類的產品，它是工藝美感還是瑕疵，AI難穩定區分。

廣隆食品信息化負責人江世文：過去烘焙新品報價靠人工計算食材、物流與損耗，一輪流程要半個月。廣隆食品把產品成本測算的邏輯封裝給 Agent 之後，新品報價直接壓縮到 2 分鐘。同樣的思路也用在了經營側：過去是店長手動拉經營數據，現在改成 AI 每 3 小時主動向終端推送業績預警——從「人拉數」變成了「數推人」。

八馬茶業供應鏈採購和數字化項目負責人鄒林：不是每家企業都有厚重的數據底座。八馬茶業沒有追求重型大模型部署，而是基於辦公協同工具把 SCM 等幾個分散系統打通，由智能體自動監控數百家茶農供應商的資格、來料質量風險與訂單風險。這種「找小切口、做輕度 AI 應用」的路子，在供應鏈場景裏跑出了性價比極高的業務閉環。

03

一些容易被漏掉的賬

與會專家在現場指出，算 ROI 不能只盯 Token 和模型調用費，至少要把四筆賬合起來看：收益賬——良率、產能提升與錯單減少帶來的直接收益；調用賬——模型、Token、併發與邊緣算力的持續成本；改造賬——數據治理、API 接口封裝與設備連接的改造投入；風險賬——人工複覈、異常接管與審計追蹤的隱性工時成本。

中用科技CEO趙杰特別提到一個容易被忽略的事實：很多製造企業前期部署算力，很大一部分成本其實消耗在了數據清洗與整理上，而這筆錢通常不在 AI 項目的預算表裏。

思謀科技產品總監劉凱提出了一個更尖銳的問題：如果員工藉助AI節省了1小時，但後端審批鏈條和權責機制沒有變化，那麼前端提升的效率，反而可能在後端形成新的擁堵。

效率不會憑空增加，它只會暴露流程中下一個尚未改造的瓶頸。

因此，AI帶來的並不只是單點提效，而是對整條工作流的壓力測試。一旦局部處理能力提升，原有組織流程中的冗餘審批、權責模糊和部門壁壘會更快暴露出來。

對於當Agent開始執行真實業務動作，金蝶工業互聯網首席專家計曉軍等嘉賓的觀點趨於一致——AI可以計算選項，卻無法代替企業承擔後果。現場逐漸形成的方案是按場景分級授權：

● 低風險、可逆的流程，可由系統自動執行；

● 涉及大額資金或關鍵系統寫入的動作，必須二次校驗；

● 涉及生產安全、質量與合規的環節，原則上保留人工審批。

04

結語

三個多小時的討論都是在相互啓發相互借鑑，沒有人給出標準答案。現場出現最多的詞是「卡點」「彎路」和「還沒解決」。

但有一個變化已經發生：幾乎沒有人再問「要不要做AI」，問題已經變成「哪個場景最先算得清賬」。

蘇州場上，AI還被擋在覈心業務之外：數據不可觀測，結果不可驗證，責任無人承擔。到了深圳，門已經被推開，但企業撞上的仍是這些問題的落地版本：數據怎樣變得可信，執行怎樣變得可控，收益怎樣被覈算，責任怎樣被劃分。

這些問題，沒有一個能靠更換模型自動解決。

技術並不是最難的一環。真正困難的是，把「一個人帶着AI跑得更快」，變成「一家公司真正變快」。

這也是閉門會的價值：與其再生產一份只講能力和趨勢的技術白皮書，不如把那些無法寫進PPT的成本、風險和組織卡點攤開來看。

虎嗅智庫判斷型閉門會系列將持續圍繞製造與供應鏈等核心議題，開展線下閉門會與線上圓桌。本場專題內容也將陸續發布，敬請關注。

如您有AI應用案例希望自薦分享，或是對AI在產業端的落地實踐有交流意向，可添加小虎哥諮詢，獲取後續深度內容及活動的一手信息。

虎嗅智庫AI洞察：

基於獨家頭部企業AI落地案例調研，輸出關於場景邊界、實施路徑與風險陷阱的深度洞察，為決策者提供可驗證的一手參考。每期報名審核參與，已發布200+期，成為衆多企業AI戰略規劃的案頭標配。

虎嗅智庫：

圍繞 AI 產業落地的「行業判斷與共識形成平台」，通過長期運行的案例研究、場景拆解與閉門研討，幫助產業及企業決策者在 AI 關鍵選擇上看清邊界、規避誤判、降低試錯成本。已沉澱超200份深度研究，覆蓋製造、零售、金融、醫療等核心賽道。

📣 虎嗅一年一度的F&M創新節啓動啦！

👋今年我們帶你「上下文中，見未發生」，在未來出生之前，去現場蹲它！

💪🏻科技下一跳、商業新變量、年輕人新活法——11月一起看見～