TE Connectivity：把AI从“话题”变成“算盘上的数字”

现在，AI的价值衡量标准正在从“有没有”变成“好不好用、赚不赚钱”。

你的公司用AI了吗？用了之后，赚钱了吗？

你可能会以为，当一家公司里82%的员工都用上了AI，35%的业务已经实现规模化部署时，大家最关心的一定是“还能做出什么颠覆性产品”。

TE首席执行官Terrence Curtin直言：“真正走在前面的企业，是那些能把AI投入转化为实际业务成效的企业。”

换句话说，AI用了四年，从实验室走进工厂、供应链和日常办公之后，大家终于开始认认真真地算一笔账：这波投入，到底赚不赚钱？

01

AI“成熟期”的三个硬指标

当一家企业的AI应用真正长出了可衡量、可复制、可管理的能力时，我们才能说AI正式步入了成熟期。TE在《2026行业技术指数》指出，目前全球已有82%的受访企业在不同程度上采用了AI，其中35%实现了AI的广泛应用。

而现在，AI的价值衡量标准正在从“有没有”变成“好不好用、赚不赚钱”。

TE中国区总经理兼亚太区人力资源副总裁张超在2026年《行业技术指数》媒体分享会上分享道，目前TE的AI战略分为三个阶段：文化转型、流程转型、价值最大化。他表示，TE目前正处于“将AI真正嵌入产品研发、物流、制造，甚至日常办公”的第二阶段，并加速向第三阶段迈进。因此，可以将“从零星试点走向规模化部署”视为成熟期的第一个硬指标。

第二个硬指标则体现在AI是否能够深度嵌入核心业务流程，而非独立存在。

正如TE汽车事业部中国区商业智能总监杨玲朗所说：“AI是否步入成熟期，有一个非常重要的标志：是否从技术验证转向价值创造的阶段，也就是是否真正进入流程和业务指标，并持续产生业务结果”。

杨玲朗提到TE在帮助供应链团队开展的一个排产项目中，传统的方式是用Excel来处理排产的计算逻辑，但是随着业务规模量的扩大，当数据量达到百万级时，传统的Excel计算能力就不够了。

但在上线AI算法和系统后，原本需要6至7小时一次的排产缩短到6至7分钟。由AI的算法和系统提供基于不同的业务目标的不同版本的排产，业务人员就可以根据自身经验，来做下一步的判断、调整和决策。

AI的价值必须可衡量，投资回报率（ROI）成为最终标尺是第三个也是最关键的硬指标。

TE今年的《行业技术指数》报告揭示了一个转折点：受访企业首次将财务目标置于产品创新之上。43%的管理者表示首要目标是增加企业利润，工程师群体中也有31%将利润列为首要目标。

在中国，这一务实转向更加明显。85%的中国受访者表示其所在企业已在不同程度上采用了AI技术，超过全球水平（82%）。在AI相关决策上，74%的中国受访者将成本列为AI应用的首要顾虑。

无论是视觉检测带来的效率提升，还是工艺优化保障产品性能，企业对于AI的运用能够“看得见、算得清”，才是这项技术真正走过“青春期”的表现。

02

中国企业务实转向：成本成为首要的顾虑不再怕监管，而是怕亏钱

在全球主要经济体中，中国企业对AI的态度最为现实。

杨玲朗在2026《行业技术指数》媒体分享会上回顾了从2022年底ChatGPT问世以来的心态变化。

杨玲朗提到，在2023年TE主要关注的是如何验证模型的能力以及它是否安全。TE意识到，AI真正好的前提，是企业内部数据得先治理好，如果数据标准不统一，AI不能理解数据，也不能真正帮助企业解决业务场景的问题。

“去年，我非常明显地感受到中国的企业管理层会更加关注AI是不是能够带来实际的业务价值，对于AI的投入到底可不可以给公司带来实际的成本节约。”

张超在发言中也谈到，2025年TE中国区销售额达到了46亿美元，同比增长了31%，在全球占比中举足轻重。“这样的业绩和我们持续的研发及AI投入是有关的，”张超说，“如果包括AI在内的各种技术投入不能带来效益，那么我们就不会这样去做。”

03

TE怎么做？——“不挑毛病，先拥抱”

当许多企业还在为“AI会不会取代我”而焦虑时，TE 从高层到一线，都在积极主动地拥抱AI。

张超在媒体分享会上透露，不久前TE在上海举办亚太地区女性工程师活动，两位事业部首席技术官在没有事先对稿的情况下，不约而同地谈到了AI，核心态度就是“去拥抱AI，不要只挑毛病”。

哪怕AI现阶段还不够完备、结果不太对、存在数据安全风险，也要看到它每天都在进步。这种自上而下的文化倡导，成为TE在 AI战略的第一块基石。

TE的企业文化包括让每一个员工都相信AI是“助手”而非“对手”。

在工程师群体中，这种文化被提炼为“AI First”思维。

TE高级总工程师、先进制造技术高级总监张丹丹博士解释道：“比如在技术开发的时候，首先想到有哪些AI工具可以帮助到我。”她分享了一张令人印象深刻的示意图：一位工程师坐在中间，周围围绕着一群AI助手，各有分工，还能彼此交流配合，7天24小时不间断工作。工程师不再是重复劳动的“螺丝钉”，而是AI团队的“队长”。

为了让“AI First”从口号变为能力，TE投入了大量资源进行培训和赋能。

在TE汽车事业部中国区，第一期智能体培训营就有60位业务部门的专家主动报名参加。杨玲朗总监说：“在我们事业部，是业务部门追着AI部门去做项目的。”这种用业务拉技术的生态，得益于TE对复合型人才的培养策略，既要懂业务逻辑，又要懂得AI能力边界，让AI真正成为“个人能力的放大器”。

与此同时，TE还通过开放式创新平台“TE AI Cup”竞赛与全球高校合作，今年吸引了27所高校超过300名学生深入TE工厂，参与真实的AI开发，新增的供应链与采购选题直接反映了企业的真实需求。对内培训赋能，对外联合育才，TE正在构建一个内外循环的人才生态系统。

04

真金白银的落地

在TE的制造与运营体系中，AI是可以直接贡献到效率、成本和质量的生产力工具。其中最具代表性的是AI视觉检测。

张丹丹在分享会上提到，目前TE全球已经部署了超过800套AI视觉检测系统，而且不再是过去“一个工厂装一两套”的试点节奏。

在亚太地区，有的工厂一次性就部署了几十套甚至上百套。这些系统替代了传统的人工目检，不仅检测速度更快，而且一致性更高，大幅降低了漏检率和误判率。张丹丹直言：“这些项目确实能够为企业带来看得见、算得清的价值。”

从“一两套”到“上百套”的量变，背后是ROI被验证后的信心质变。

在生产工艺控制领域，TE拥有大量的注塑机、冲压机等设备，生产过程中涉及数十个工艺参数的协同控制，不同批次的原材料也可能带来质量波动。过去，工程师靠经验和反复试错来调整参数；现在，AI模型能够实时监控工艺数据，自动推荐或直接执行最优参数组合，从而稳定产品质量、降低废品率。

张丹丹说：“通过AI对制作工艺的关键参数进行控制和优化，能够很好地保障产品性能，并提升竞争力。”这种优化带来的价值直接体现在材料利用率提升和废品成本下降上，同样是可量化的ROI。

除此之外，材料工程师的日常工作也正在被AI深刻改变。

TE高级专家材料工程师、TE中国材料实验室负责人黄忠喜博士分享道，为了满足公司2032年范围3碳排放相较2022年基准降低30%的可持续发展目标，团队需要大量对比低碳材料与现有材料的性能指标。以前，把所有可用材料的数据放进Excel，靠人工逐一比对，完成一项筛选任务需要2到3个小时。现在，借助AI工具，同样的工作在5分钟内就能完成。“节省下来的时间可以去思考更多新的材料应用，”黄忠喜说。

从2小时到5分钟，AI并没有取代工程师，而是把工程师从繁琐的数据比对中解放出来，让他们专注于更高价值的创新工作。

05

智能体元年，瓶颈在哪？

当AI从“有没有”走到“好不好用”，技术曲线的下一站自然指向了Agent智能体。

2026年被TE内部视为“智能体爆发的元年”。杨玲朗在媒体分享会上判断：“现在是智能体爆发的元年，处于刚开始并持续推进的阶段。”

智能体不同于传统的大模型对话工具，它能够自主理解任务、调用工具、执行多步操作，甚至与其他智能体协作。然而，从试点到规模化应用，制造业企业面临着两个明确的瓶颈。

第一个瓶颈是流程复杂度。杨玲朗指出，制造业的流程非常复杂，“用单个智能体去解决特定复杂流程具有挑战性”。解决方案往往需要多个智能体的融合，并且还要与其他数字化技术协同，才能解决特定场景问题。这就要求AI工程师必须透彻理解业务流程的本质，同时业务人员也要真正懂得AI的能力边界。

双向理解，是智能体落地的第一道门槛。

第二个瓶颈来自系统和数据层面。智能体通常需要与企业内部多个系统打通，并获取不同来源的数据。如果内部系统之间接口不统一、数据标准不一致，智能体就无法有效工作。

杨玲朗强调：“数据的治理、数据的一致性、数据能否被智能体很好地采用，是一个挑战。”

在这方面，TE会先对数据进行分级管理，不同级别的数据共享需要经过严格的审批流程，既保障安全，又促进协同。张丹丹补充道：“我们有自己专属的大语言模型平台，能够接入内部数据。”

从数据治理到平台建设，TE正在为智能体的规模化应用铺路。虽然挑战存在，但杨玲朗认为，只要清楚挑战具体的差距点在哪里，就能知道如何解决。

06

AI不是目的，创造价值才是

恰如张超在分享会最后所言：“企业在当前环境下更加关注价值创造的现实考量。一开始AI属于很新奇的东西，到现在要回归落实到本来的初心。”

无论是全球800多套AI视觉检测系统的规模化部署，还是供应链排产从6小时到6分钟的极致提效，TE用一个个“算得清账”的案例证明：AI不是用来替代人的，而是用来放大人的。

工程师身边多了一圈AI助手，业务专家手里多了一套智能工具，材料科学家从2小时的数据比对中解放出来去做真正的创新。而在可持续发展的长跑中，AI也在帮助TE以更低的成本、更高的效率逼近减碳目标。

当越来越多的企业开始像TE一样，把AI从“话题”变成“算盘上的数字”，这场技术革命才真正走进了下半场：不是谁用得最早，而是谁用得最值。