一场百亿制造企业的AI圆桌，让我看清了高管的3大心结

就在这周六（6月6日，是个好日子~），我受邀参加舜宇光学的AI先锋赛开营仪式，并做了一场企业AI落地案例的分享。

舜宇是光学制造领域的头部企业，年营收数百亿，全球市场份额领先，这种体量的制造企业，CEO亲自挂帅AI大赛组长，说明现在AI对企业来说，已经不是做不做的问题，而是怎么要把它做好、怎么做才能不踩坑。

开营仪式上有一场圆桌论坛，舜宇CEO王文杰先生、飞书高管、以及内部几位业务负责人一起，面对面回答选手们的提问。我全程旁听，最大的感受是——高管对AI落地的顾虑，和我们想象的完全不一样。

这篇文章，我想把我从这场圆桌论坛中获得的观察和思考整理出来，和你聊聊：企业AI落地时，那些坐在决策位上的人，到底在顾虑什么？

一、"效率优先"是口号，"别添乱"才是真心话

舜宇CEO王文杰先生在圆桌上说了一段话，我印象极深：

"我一直认为，没有好的良率，也就没有好的质量，效率越高，其实错误就越多。"

这段话表面在讲生产逻辑，但如果你仔细琢磨，它其实给我们呈现出了一种管理者思维：高管对AI的第一反应不是能不能提效，而是它会不会加速犯错。

我在服务企业的过程中，最经常遇到的一类情况就是：

业务部门提了个需求，测算出某个流程环节如果用了AI，效率能提升40%，而当他兴冲冲地拿去给领导汇报时，领导第一个问题就把他问住了："如果错了怎么办？错了谁来兜底？错了能发现吗？"

这不是保守，这是理性。

因为对于一个年营收数百亿的制造企业来说，效率提升的收益是线性的，但错误放大的损失是指数级的。一条产线效率提升10%，一年省几百万；但一个检测环节漏掉1%的缺陷，下游的返工、退货、客户投诉，可能是几千万的损失。

所以把"良率"放在"效率"前面，不是在排优先级，而是在划红线——你可以在良率的框架内提效，但绝不能为了提效牺牲良率。

因此，在企业落地AI时，一个合理的切入点是：先解决"错了也能看见"的问题，再谈效率提升。

不要一上来就计算AI提效的ROI，这就像跟一个刚出过车祸的人讲"这辆车最高时速能跑300"——他不想知道能跑多快，他想知道能不能刹住。

举几个例子来看：

• 如果是质检场景，可以先进行人检+AI的双保险机制，而不是直接让AI替代人工；

• 如果是数据处理场景，先让AI做异常发现，先帮我们挑出有问题的数据，而不是直接做决策；

• 如果是报告生成场景，先让AI做素材校验，而不是直接生成内容。

先建立信任，再释放能力。这是所有技术落地的基本规律。

我在知识治理项目中一直会和客户强调：知识库建设最难的，是怎么做治理，把混乱的知识理顺。同样的逻辑，AI落地最难的不是AI工具不够用，而是组织还没建立起一套容错机制：出了错怎么办、谁来负责、怎么快速修正。这些机制没建起来，高管当然不敢放手。

二、做完就拉倒——1000个智能体，没一个在用

圆桌上，飞书的高管讲了一个让我差点笑出来的细节：

"有企业跟我说我们做了1000个智能体。我当时就很想问他，1000个智能体，日常在用的有几个？"

这不是段子，是真实发生的事。

过去一段时间，我也见过很多企业在推广AI时，模式出奇地一致：搞大赛→收方案→评奖→结束。评完奖，该干嘛干嘛，那些获奖项目像奖杯一样被摆上柜子，再也没人碰过。

为什么？我总结有三个原因——

第一个：项目立项时，就没想清楚谁会用。

很多AI项目的出发点，是技术能做什么，而不是先思考谁在什么场景下有什么痛点，这是典型的拿着锤子找钉子。大家觉得大模型能做知识问答，就做了个知识问答机器人；能做文档摘要，就做了个文档摘要工具。但做出来之后，目标用户是谁？他们现在的替代方案是什么？他们愿意切换的成本有多大？这些都没想过。

结果就是：做出来的东西能用，但没人要用。

第二个原因：只管0到1，不管1到100。

创新项目天然有"完成即胜利"的倾向——方案过了、Demo跑通了、评上奖了，就算成功了。但AI项目和传统IT项目有一个本质的区别：传统的IT系统，只要部署了就一定会用，你上了ERP，大家就不得不把流程搬上去；但AI工具是可选的，没人强迫你用智能体，不用也能把活干完。

这就意味着，AI项目的成功标准不是做出来，而是三个月后还在用。而从1到100的推广，需要的东西和0到1完全不同：需要培训体系、需要场景适配、需要持续迭代、需要有人负责后续的迭代规划。

圆桌上有个领导说得非常直白：

"如果以后不能用，不能推广，只能你一个人用，其他人都不能用，就不是好项目。"

第三个原因：没人对推广AI负责。

在大部分企业里，很少有人能讲清楚，AI项目做出来，谁负责让人把它用起来。

创新团队负责做Demo，IT部门负责技术支撑，业务部门负责"配合试用"，但没有一个人或一个团队的KPI是：让这个AI工具在N个部门、M个场景中持续使用。

这就像你做了一道好菜，但没人负责把它端上桌、让人尝到、让人复购。菜再好，也只能在厨房里凉掉。

所以我在帮企业设计AI项目机制时，有一个硬性要求：立项时必须讲清楚三个问题：谁会用？用多久算成功？谁对推广负责？三个问题答不出来，就说明项目还要再讨论。

这是在用制度对抗人性中"不愿负责"的惰性。

三、AI突破不了部门墙——能力的天花板不在模型，在组织

在圆桌上王文杰总提了这样一句话，我觉得信息量极大：

"人工智能体，目前还不能突破部门墙，所以不要追求大而全。"

这句话很多人可能一带而过了，但在我看来，这是整个圆桌论坛中最有含金量的一句话。

因为它点出了AI落地的一个根本性矛盾：AI的能力边界，不是由模型决定的，是由组织决定的。

为什么这么说？

AI的能力在飞速提升，这一点毋庸置疑。但在企业内部，一个AI工具能不能发挥作用，不取决于它能不能做，而取决于它能不能拿到数据、嵌入流程、与人协同。

举个最简单的例子：你做了一个采购审批的AI助手，它能自动比价、自动生成审批建议，看起来很棒。但如果采购数据在A系统，供应商数据在B系统，历史报价数据在C系统，而这三个系统分属三个部门、三种权限体系——你的AI助手连数据都拿不到，能力再强也白搭。

我在服务东风集团时做过一次调研，发现一个现象：同一个业务场景，如果只涉及一个部门，AI落地平均周期是2-3个月；如果涉及两个部门，周期拉长到6-8个月；如果涉及三个以上部门，大概率会被无限期搁置。

原因很简单——每个部门有自己的数据权、流程权和利益考量。AI要跨部门运行，本质上是在重新分配这些权力。这可不是一个技术团队能解决的问题，它需要的是组织层面的推动力。

所以所谓"不要大而全"，不是在讲方法论，是在讲现实——不是大而全不好，是你的组织接不住大而全。

这对我们的启示是什么？

AI落地，先在墙内打透，再想跨墙的事。具体怎么做呢？

• 选场景时，优先选部门内就能闭环的场景，不要上来就做跨部门协同；

• 做方案时，先用部门内部已有的数据，不要先考虑打通系统；

• 验证价值时，先在一个团队内证明它真有用，再拿结果去说服其他部门主动开放数据和流程。

让其他部门主动来求合作，而不是被动配合你打通——这是两种完全不同的推进逻辑，成功率也会差一个数量级。

四、AI最好的产品经理不在IT部，在车间里

圆桌会上一名飞书高管分享了一个案例，我觉得值得所有做企业AI落地的人认真听——

东风康明斯，做发动机的企业。连杆装配环节，一年要装20万件，一件都不能错——装错了就是发动机爆缸。原来靠人工检查，后来想上视觉检测系统，但现场工况不允许、部署成本高、周期长，就一直搁置了。

结果通过一次AI大赛，一名一线装配员工想了个方案：在现场加一个摄像头，拍摄连杆上的数字，通过AI图像识别判断两个连杆数字是否匹配，如果数字对得上，说明装配没问题，如果对不上，就说明可能装错了。第一版方案做到大概95%准确率，但对生产来说还不够，因为这种质量场景基本不能接受明显漏判。虽然很高了；

后来他做了迭代，第二版方案中，他结合现场知识增加了判断规则：装配错了后，中间会出现一条裂缝，于是又让AI识别裂缝。把“数字匹配”和“裂缝识别”结合起来，把准确率提升到98%，但仍只是勉强能用。

再后面他把那2%的错误样本拿出来分析，发现问题出在四位数字的最后一位。因为光线原因，第四位经常读不准。但现场规律是：两个连杆的前三位基本一致，只要前三位匹配，基本就能判断是同一组。所以他们把原来识别四位数字，调整为重点识别前三位，最后准确率做到99.8%。

这个案例本质上不复杂，就是“加个摄像头 + 大模型处理 + 现场规则优化”。一年的Token费不过1000元，而如果用传统高精尖的视觉系统，成本可就不止这个数了，他提到这个方案，一年能省出60万。

这个案例最让我震撼的不是方案有多巧妙（当然方案确实也很厉害），而是谁发现了这个场景。

不是IT部门，也不是管理层，而是一名天天在产线上的一线员工。

为什么？因为只有天天干这件事的人，才知道真正的痛点在哪里、约束条件是什么、什么方案可以用最低限度的AI能力实现最可行的效果。

但这里有个巨大的矛盾：能发现场景的人没资源推动，有资源推动的人发现不了场景。

一线员工知道痛点，但他不会写方案、不会做汇报、不会申请预算。管理层有资源，但不可能下到产线上去看每个工位的细节。IT团队有技术，但他们对业务的理解永远隔了一层。

这也是我做企业做咨询时经常讲的：企业不缺场景，缺的是一条让一线场景向上流动的通道。

很多企业搞AI大赛，本质上就是在弥补这个缺失。用比赛的形式，激励一线员工把自己身边的问题提出来，把藏在车间里的需求暴露给管理层和IT团队。

但大赛是脉冲式的，一年搞一次，搞完就没了。而真正可持续的场景发现机制应该长什么样呢？

我觉得可以从下面三个点来尝试：

第一：降低门槛，让问题更容易被暴露。不要要求一线员工写PPT、写需求文档，就用最简单的方式——语音说、拍照拍、甚至就一句话：这个环节很烦，能不能用AI帮我一下。比如舜宇就做了一个“AI场景分析Skill”、一个飞书多维表格做的"AI场景收集看板"，让一线员工随时提交，随问随答，不需要任何格式。

第二：建立一个“场景翻译"的角色。需要有人负责把一线模糊的痛点描述，翻译成可被评估的需求。这个人需要既懂业务、又懂技术，不一定懂很深，但要能起到桥梁的作用。在很多企业里，这个角色是由业务部门里那个对AI最感兴趣的人来担任的。

第三：快速验证，小步快跑。不需要做完整方案，先用最简单的工具（比如多维表格+AI字段、龙虾Skill、一个简单的Prompt）跑一个最小可行版本，让一线员工看到效果。只要他看到AI真的帮到自己了，他就会主动去发现更多场景。

上面三个点并不是什么高大上的方法，但本质上是帮企业建立起一套场景发现机制。一线员工不需要变成AI专家，他只需要保持一个习惯：遇到困难的事，想一下AI能不能帮我。就足够了。

五、AI落地靠的是少数人，但这不是终局

飞书高管在圆桌上提到了一个现象，我深有共鸣：

"你会发现，在很多企业里面，有那几个人，一个人或者几个人，真的是叫超级员工。他们用AI用得很熟，能解决很多问题。"

他说的"超级员工"，我在几乎所有服务过的企业里都见过。有的企业叫“AI先锋”、有的企业叫“AI赋能师”，这类员工通常都会走在其他同事的前面，他们会主动接触最新的AI工具，当他们已经用AI把自己的工作效率提升3倍时，别人还在等IT部门开发工具；别人还在找教程学AI时，他已经把使用心得整理成了文档在部门内分享。

这些人，是现阶段企业AI落地的真正推动者。

那是不是找到这些人，你的企业AI战略就稳了？当然不是。超级员工是现象，不是解法。

为什么？因为超级员工的出现，恰恰说明你的组织AI能力是点状的。某几个人特别强，意味着大部分人很弱。如果你把AI落地的希望寄托在几个超级员工身上，那你的AI战略本质上就是"人治"，不是"机制"。

人治的问题是什么？这个人离职了、转岗了、干不动了，AI落地就断了。

我就亲眼见过一个积极拥抱AI的客户，好不容易通过办大赛、评优秀，花了1年时间，组建了一支战斗力极强的“AI先锋小队”，结果半年不到，就被挖走了2名核心骨干，对组织的AI落地节奏产生了不小的影响。

所以，超级员工要挖掘、要培养、要激励，但更关键的是：怎么把超级员工的能力变成组织的能力？

飞书的HR负责人林总在圆桌上分享了一个三步法，我觉得很有参考价值——

1. 全员普及：降低门槛，让所有人先用起来，消除畏难情绪

2. 挖掘种子：从用得好的人里面找骨干，给他们更多资源和更深的培训

3. 骨干变讲师：让骨干把经验抽象出来，讲给更多人，形成闭环

这三步法的核心逻辑是：从个人能力到方法论，再到组织能力的转化。关键环节是第三步——让超级员工成为赋能者，不仅自己做得好，还要教别人做得好。

但说实话，这三步法执行起来最难的就是第三步。因为能做好一件事，和能把这件事教给别人，是两种完全不同的能力。很多超级员工的知识是隐性知识，不是显性知识。

这就回到了我一直在强调的知识治理问题——

把超级员工的隐性知识变成组织的显性知识，本身就是知识治理的核心任务。

具体怎么做？

不是让超级员工写操作手册（他写不出来，也不愿意写），而是让他在做任务的过程中，用AI记录自己的操作流程和决策逻辑，或者让他带一个学徒做同样的任务，学徒负责提问和记录，通过对话把隐性知识给挤出来，最后把提炼出来的方法论，做成可复用的Prompt模板和知识问答智能体。本质上这是一套知识萃取流程，也是我帮企业做知识治理的关键一步。

总之，从人到方法，从方法到工具，从工具到组织能力。这是AI落地从"人治"走向"机制"的唯一路径。

六、高管真正想要的：不是AI创新，是“离了你也能跑”

圆桌的最后，主持人问了一个很关键的问题：项目评审中你觉得最有价值的是什么？

王文杰先生的回答，我觉得是整个论坛的点睛之笔：

"能推广的才是好项目。只能你一个人用，其他人不能用，也不是好项目。越多人使用，用得越好，那么这个项目就是好。"

翻译成管理语言就是：你做的东西如果不具备可替代性和可复制性，那就是你的个人技能，不是组织能力。

这个判断标准，和大部分人对AI创新的理解完全不同。

很多人以为AI项目的价值，在于技术有多先进、方案有多新颖、效果有多惊人。但在高管眼里，创新性是最不重要的指标。因为创新性意味着"只有你能做"，而高管要的是"换了谁都能做"。

这背后说明了一个道理：组织能力 = 个体能力的可复制性。

一个AI方案如果只有创建者自己会用，那它对组织的价值就是1个人。但如果这个方案能被10个人、100个人、1000个人使用，那它对组织的价值就是10倍、100倍、1000倍的放大。

这就是为什么王文杰先生反复强调"聚焦"——聚焦在良率、效率、敏捷性三个方向，不是因为他不重视其他方向，是因为聚焦才能标准化，标准化才能推广，推广才有组织价值。

我在帮企业做AI大赛的项目评审标准时，通常也会建议设立四个维度的打分规则：

注意，创新性权重最低。不是不重要，而是在组织落地的语境下，可替代性和可推广性比创新性重要得多。

总结：理解"怕什么"，才能知道怎么做

回头看这场开营仪式，我最大的感触是：企业AI落地最难的部分，是组织上要先对齐认知。

做方案的、写代码的、卖工具的，关注的都是"AI能做什么"。但坐在决策位上的高管，脑子里想的却是：

• 出了错谁兜底？

• 做完了有没有人用？

• 跨部门推不动怎么办？

• 关键人走了会不会乱？

• 这个能力能不能变成组织能力而不是个人技能？

这些是决策者的本能思考。如果不理解这些顾虑，AI技术架构做得再漂亮，高层也不会有什么反应。

我在企业AI落地的实践中，也整理出了一个判断项目可行性的三层框架：

第一层：该不该做？不是所有场景都适合AI，先判断ROI和风险。

第二层：先做什么？不是先做最有技术含量的，而是先做：错了能被看到、有人愿意用、一个部门就能闭环的项目。

第三层：怎么持续？项目能不能在立项时就设计好推广路径、明确指定推广责任人，最终能把个人能力转化为组织能力。

这三个层次，本质上就是在回应高管的“三个怕”——怕出错、怕没人用、怕不可持续。

AI落地，先解决不敢用，再解决不会用，最后才是用得更好。

这个顺序不能反。

舜宇是制造业的标杆企业，王文杰先生是真正在一线推动AI落地的CEO，他的顾虑不是个例，而是代表了大量企业高管的共同心声。

如果你的企业也在决策要不要做AI项目，你更关注的是AI能做什么？还是顾虑AI对组织的影响？

如果是第一种，我建议你找我聊聊，先把关注点掰回来；如果是第二种，就更欢迎找我聊了，因为我做的事情，就是在帮企业把AI从一个想法，落到一个能用、可控、能推广的样板场景里。尤其是当你们已经有一批AI想法，但还不确定哪些值得先做、怎么验收、怎么推广时，这类问题越早想清楚，后面的试错成本越低。

我是申悦，AI创业者、独立讲师、企业AI顾问。提供企业AI培训、AI落地方案咨询、AI智能体设计和运营陪跑服务。服务过东风集团、海亮集团等世界500强企业。如果你的公司正在做AI转型、流程重构、知识库建设和智能体落地，欢迎加V详聊合作：s2dongman