陈旭东曝2.5万亿焦虑：IBM和施耐德电气如何把AI从"听起来很

全球AI支出今年预计冲到2.5万亿美元，但多数企业CEO的深夜焦虑不是"花不起"，而是"花完了看不见响"。

这种"怕掉队又怕打水漂"的双向拉扯，正在让AI从技术竞赛变成一场心理战。IBM大中华区董事长陈旭东和施耐德电气高级副总裁熊宜最近坐在一起聊了聊：两家在华深耕几十年的外企，怎么帮客户把AI从PPT里抠出来，变成流水线上的真金白银。

第一层焦虑：不是技术不会用，是环境太跳

陈旭东把企业的核心焦虑拆成两块。第一块是宏观环境的系统性不确定——油价和贵金属价格剧烈波动，地缘政治和监管规则频繁变脸，降本增效的压力持续加码。

这些变量叠加在一起，让CEO们很难做出稳准狠的战略判断。今天押注的AI方向，明天可能就被一纸政策或一轮制裁打乱。

熊宜从施耐德电气的视角补充了另一层：能源和自动化领域的客户，对"确定性"的渴求比互联网圈更强烈。一条产线停产一小时，损失以百万计。他们不怕AI跑得慢，怕的是AI跑起来之后，没人说得清它到底省了多少电、少坏了多少台设备。

技术迭代速度与应用价值证明，构成了焦虑的闭环。

第二层焦虑：2.5万亿花出去，多数公司还没看见回头钱

陈旭东引用数据时没客气：全球AI商业化前景被广泛看好，但"大多数公司的AI项目还没有清晰结果"。

这个落差很扎心。一边是资本市场和咨询机构描绘的万亿级蛋糕，一边是IT负责人拿着报表不知道怎么跟CFO解释——咱们去年上的那套智能质检系统，到底把不良率压了几个点？

IBM的应对思路是"小规模验证、快速迭代"。陈旭东举了个制造业客户的例子：先在一条产线试点AI视觉检测，六周内跑出可量化的缺陷识别率提升，再决定要不要全厂推广。不是一上来就搞"智慧工厂"的大阵仗，而是把AI拆成能独立算账的模块。

熊宜则强调"场景锚定"。施耐德电气在楼宇、数据中心、工业三大领域推AI，每个场景都有明确的KPI锚点——楼宇看能耗降幅，数据中心看PUE（电能利用效率）优化，工业看设备综合效率（OEE）。没有这些数字，AI就是玄学。

落地 playbook：两家外企的"土办法"

陈旭东和熊宜的对话里，藏着两条截然不同的路径，但底层逻辑出奇一致：先找痛点，再谈技术。

IBM的路线偏向"咨询+技术"双轮驱动。客户说想上AI，IBM的团队先花两周蹲工厂，把老师傅的经验转化成数据标注规则。很多制造业企业的"老师傅退休焦虑"，反而成了AI落地的切口——用视觉识别复现老师傅的肉眼质检标准，既解决传承问题，又给出可量化的准确率对比。

施耐德电气的打法更"硬"。熊宜提到，他们在苏州的工厂把自己当试验田，AI驱动的预测性维护系统跑了三年，把非计划停机时间压到行业平均水平的三分之一。这个案例被拆解成标准化模块，卖给其他工厂时，客户问的不是"AI能不能行"，而是"你们苏州厂那套，多久能在我这上线"。

两家公司的共识是：AI的价值证明不能等"全面数字化"完成，必须在单点先跑出闭环。

中国市场的特殊考卷

对话里有个细节值得玩味。陈旭东提到，IBM大中华区正在调整组织架构，把AI解决方案团队和行业咨询团队捏得更紧。这不是全球总部的统一部署，而是针对中国市场的本地化决策——这里的客户要的不是技术参数，是"三个月内必须看到变化"的紧迫感。

熊宜则点出了另一重现实：中国制造业的数字化基础参差不齐。有些头部工厂的传感器密度已经能喂饱大模型，有些中小客户连MES（制造执行系统）都没跑顺。施耐德电气的做法是分层——顶层客户推端到端的AI优化，腰部客户先补数据采集的课，AI作为"增值服务"打包进自动化改造方案。

这种"不挑食"的策略，某种程度上是对中国市场复杂性的承认。不是每家工厂都准备好拥抱AI，但每家工厂都有被AI改造的潜力——关键是谁来帮他们算清这笔账。

陈旭东在对话末尾抛了一个问题：当AI的迭代速度超过企业的学习速度，"试点-推广"的传统节奏是否还够用？

熊宜的回应没有直接给答案，而是提到施耐德电气内部正在测试的"AI代理"（AI Agent）——不是替代人的决策，而是帮工程师更快调取历史故障案例、生成维修建议。人还是那个人，但AI把他的经验调取速度从"翻半小时档案"压缩到"秒级响应"。