据作者现场录音整理，按讲者脉络转述，不是逐字稿。讲者是 HICAP Group 海维软件总经理，中文演讲，讲的是自己集团（服务酒类制造业二十多年，做瓶盖、一物一码、扫码营销）内部落地 AI 的经验，站在甲方和制造业老板的角度。录音缺开头约 3 分钟，开场介绍和"AI 进入企业"分层框架的前半段没有录到；无问答环节。

一句话

制造业 AI 落地难的不是模型，而是模型之前的东西：车间里的事大多没变成数据、各部门口径不统一、老设备接不上、工人怕被替代。所以他主张先做见效快的"土"项目，再一步步把计划体系、语义和流程梳理清楚，护城河在"没有 API 的地方"。

论断

1. 车间里正在发生的事大多还没变成数据

MES、ERP、QMS 都有，但支撑车间工作的还是线下动作。供应商少来了两托料、客户突然要提前交货、设备突然坏了，员工不可能放下手头工作去录系统，突发事件系统里连字段都没有，最后都变成一条消息或一张图片发到群里。

“系统里边记录的呢，永远都是计划要发生的事情，而真正发生的事情往往都在线下。”

  • 老设备：能不能读数据、能不能接收指令，不能就要加传感器、改设备、培训人员；为接 AI 改设备改工艺，成本"深不见底"，利润薄的企业可能被拖垮。
  • 人：他说很多中小制造业一线工人超过 40 岁，高级技工达到 48 岁。
  • 不是所有制造业都像汽车工业那样能拿 1000 亿投资建新厂。
  • 他们现在的做法：员工对手机说一下发生了什么，自动变成结构化数据（在哪、发生了什么、多严重），自动分给责任人，线下动作变成数据，“形成了一个组织的记忆”。

2. 当季见效的往往是"土"项目，真正要做的是瓶颈上的提效

他用两维表给 AI 需求分类：横轴看对财务的影响，纵轴看见效快慢，所有需求扔进去自动归类，该不该做、先后顺序一目了然。营销和客户相关的需求，他说约占"三层"（疑为三成），但对 ToB 企业，营销智能体能带来多大销售增幅谁也说不清，所以难立项。

“那做下来真正能够在当季就看到这种收益的，往往是这种最简单，甚至是有些土的这些项目。”

  • 财务报销智能体：每月为集团节省 500 多个报销工时，没给基数。
  • 合同审查智能体：法务工作从几小时缩短到几分钟。
  • 视觉检测设备：投入相对大，但能把车间人力释放出来，没给数字。
  • 他引高德拉特《目标》：在非瓶颈上省下来的时间都是海市蜃楼。又说"降本"这个词现在八成等同于裁员，没有企业想靠裁员换发展，所以真正要做的是提效，比如智能排产，让同一批工人、同一批设备做出更大产出。

3. 排产难在每个环节都没有自己的规则

他引了一份智能制造能力模型报告：对中国 6 万家制造业评估，60% 以上还不到一级，只有 4% 达到四级的深度智能化。多品种、小批次、按单生产的离散型制造业，能跑通这套逻辑的凤毛麟角。

“所以难的不是说让 AI 会排产，而是让在这之前每一个环节都有它自己的规则。”

  • 规则缺口的例子：交期是口头承诺还是系统算出来的；客户突然只给 20 天，关键物料要多少天到；有些模具不能通用，设备有空也不一定能生产。
  • 他的做法是一步一步来，先把整个计划体系拉起来，再谈 AI 排产。

4. 语义不统一时，模型越强错得越漂亮

他说这里踩了很多坑：大模型能理解字段，不代表能理解企业里的口径。“交付"这个词在营销、财务、工厂都不是一个意思；决策会上领导说要重视某 A 客户，是不是意味着 A 客户的订单马上要插单。

“模型越强，可能给你的这个回答就更离谱，而且它会非常自信的给你一个非常漂亮的错误答案，甚至让你发现不了。”

  • 先统一口径和指标，再梳理业务对象、编码规则、责任关系。
  • 口径本身会变，所以要把决策过程留下来：为什么变、变成了什么、什么意思，要可追溯。
  • 语义打通后的应用：智能问数，给出相对准确、可用来决策的数据；智能会议，把会上的决策变成可执行、可跟踪的任务，进任务台账。
  • 他在框架部分也说，企业本体这一层最难，市面上还没有非常好的产品。

5. 大集团做不了快速颠覆，先把流程梳理进台账

他说 AI 带来的最大冲击是组织的重构，这是他"非常非常不敢提"的话题。咨询机构讲的 AI native 架构他理解也赞同，认为是未来，但几万名工人能不能理解、背后几万个家庭能不能赞同，要考虑。

“那对于这种庞然大物，如果想通过 AI native 的方式去把它快速的去颠覆，几乎是一件不可能的事。”

  • 他们开发了一个流程性组织智能体，把集团几十年来从 L0 到 L5 的几百个流程全部重新梳理一遍，进入流程台账。这里的 L0 到 L5 是他们集团自己的流程分级。
  • 每个流程责任到人，哪里有断点、卡点，哪些是低效流程，一目了然。
  • 他的说法是，这相当于把企业的运营和行为变成了大模型能用的数据，用 AI 驱动组织进化，不是简单的工具升级。

6. 护城河在没有 API 的地方

他最后列了四个落地要点：词，也就是语义，只能自己梳理，别人帮不了；最常做的判断往往依赖没沉淀下来的数据；老旧设备只能一点一点来、一段一段接；人，“员工怕 AI 替代，这是实话”。

“所以企业级 AI 真正落地的护城河不在模型里，而是在那些没有 API 的地方”

  • 他们把内部跑通的经验输出给酒类制造业客户：从动销数据采集，到 AI 生成营销活动策略，到消费者扫码反馈，再反哺策略。
  • 结尾用"行百里者半九十"回到题目：最后 10 里最难。

存疑

  • 营销和客户相关需求占比他说的是"三层”，疑为"三成"，需看幻灯片。
  • 智能制造能力模型报告的名称、年份、发布方，以及 6 万家、60%、4% 这些数字，讲者没给出处，未核。
  • 一线工人超过 40 岁、高级技工 48 岁、报销每月省 500 多工时，都是讲者口述，未给出处。
  • 结尾讲员工那一段，有一句关于"AI 不是简单……“的话没听清。