AI进入运营现场：企业如何评估成效？

AI进入千行百业，不光从各种角度提高了效率，更深层次还从动作、流程、组织三个层面改变了企业的运营管理。

5月29日，中国邮政广州邮区中心江高邮件处理中心，机器人分拣员抓取快递包裹。新华社 资料图

在制造工厂，传感器、工艺参数和视觉检测系统，共同读取生产现场：环境湿度如何稳定控制，粉料和流体参数如何调整，极片翻折、撕裂、异物等缺陷如何被标记并进入复检、剔除或参数回调。AI把环境控制、工艺调整和质量处置连成一条连续动作链。

在电商平台，智能系统与管理者通过多轮交互，推演定价、促销等策略如何影响未来需求；当某个城市的商品订单升温，系统继续结合历史销量、促销节奏、区域订单和仓网能力，生成前置仓配置、补货和调拨建议。AI把需求判断送入供应链流程，让补货、调拨和履约沿着同一套数据向前推进。

再看废旧衣物回收。一件旧衣上了传送带后，近红外光谱识别纤维成分，视觉系统识别颜色、纹理、污渍和磨损，算法综合判断其进入再生纤维、工业用料、替代燃料还是人工复核通道。能确定的直接分流，边界样本进入复核并回写样本库。AI把经验判断变成了可以持续校准的分拣规则。

以上三个例子可以看出，AI真正进入了运营现场。它先接收现场数据，再把分散数据整理成可用信息，让数据不再孤立成点；随后连接这些点，形成链路；链路进入岗位动作、流程任务和组织协同；组织让很多条业务链可以同时运行、相互调用、共同迭代，AI由此持续闭环学习，执行结果再回到下一轮规则、参数、权限和Agent策略中。

把这些场景摊开来看，AI进入企业运营大体有两条线：一条线是它进入哪里，是动作、流程，还是组织；另一条线是它走到哪一步，是在线化、数字化、智能化，还是闭环学习。下面这个矩阵可以对齐讨论口径。

基于上述观察矩阵，本文将从动作、流程、组织三个运营层级，以及四大能力阶段的纵深推进，详细剖析AI如何真正重塑企业的运营现场。

一、动作敏捷化：从“经验判断”到“即时处置”的跨越

动作层最适合用旧衣分拣来说明。废旧衣物进入回收体系后，关键步骤是判断它们到底是什么。棉、涤纶、锦纶、羊毛、氨纶和混纺材料常常交织在一起，衣物表面还可能带有污渍、水分、图案和磨损。过去依靠人工经验，分拣员要看、摸、辨、分，遇到相似材料还要反复确认。

东华大学团队研发的“织觉智鉴——废旧纺织品智能化分拣系统”，把这个动作拆成了三个连续环节。第一步是采集。衣物经过检测工位时，近红外光谱仪读取纤维成分的光谱特征，高分辨率视觉系统同时捕捉颜色、纹理和表面状态。第二步是融合判断。算法把光谱曲线和视觉特征放在一起，对混纺材料、污渍干扰和表面遮挡进行综合识别。第三步是输出去向。系统把“这件衣服是什么材料”的判断，直接转化为分拣通道、再利用方向或人工复核提示。公开报道显示，团队历时26个月，深入20余个回收站点和产业基地，采集分析9000余组样本数据；系统能在1秒内以98%的准确率识别多种面料成分，处理效率达到3600件/小时。

这个案例的关键，恰恰在于识别结果继续进入分拣动作：能确定的进入对应通道，边界样本进入复核，复核结果又可以补充到样本库。这样，一线动作从“凭经验猜材料”变成“按系统判断处置材料”。动作变轻，来自判断被直接送到了岗位手里。

智能质检也可以用同样方式理解。在电芯制造装配环节中，卷绕后的电芯会进入AI检测工序。据公开报道，某国内大型电池制造工厂的检测环节配备多个摄像头，融合高精度CCD相机和AI检测技术，对图像进行实时分析，识别极片翻折、撕裂、异物等缺陷；利用计算机视觉实现微米级质量检验，并用深度学习优化过程控制和能源管理。这里的链条是：图像进入系统，算法定位缺陷，质检系统标记异常，现场执行复检、剔除或参数调整。产能、成本和缺陷率的改善数字有意义，AI把“看见缺陷”变成了“当场处置缺陷”。

二、流程集成化：打破数据孤立，构建端到端的整体智能

流程层一开场要看的，是数据有没有从孤立走向链路。以电商供应链为例，一个商品能否更快送达，前端看起来是配送速度，后端牵动的是选品、预测、补货、仓网和调拨。流程做好，并不要求每个动作都智能，也不要求每个节点都由算法决策；关键在于订单、商品、促销、库存、仓网、履约状态等信息是否准确，能否被放到同一条链路里形成整体判断。某个城市的订单变多，系统要形成更具体的运营安排：哪些SKU要放进前置配送中心，放多少，从哪个区域配送中心调过来，怎样兼顾现货率和仓配成本。

国内某电商智慧供应链开放平台介绍，销量计划以商品信息、历史销售信息、促销方式、时段等数据为基础，基于机器学习算法和多层次预测模型，对入仓商品进行预测，智能补货则在预测基础上形成补货建议。在区域配送中心和前置配送中心的两级网络中，通过分析过往订单中的商品关联购买情况，结合需求预测技术，提出选品算法，以最大化本地订单满足率和211达成率；针对库存调拨问题，则把需求预测、迭代优化和仿真模拟集成到端到端调拨算法中，直接输出兼顾现货率和仓配成本的调拨方案。

把这个过程放到运营现场，就能看清AI具体怎么起作用。第一，系统读取订单、商品、促销、库存和仓网状态，让数据从分散记录变成同一链路上的可见信息。第二，算法判断哪些商品更适合进入前置配送中心，减少远距离履约。第三，调拨模型计算从区域仓到前置仓的库存移动方案。第四，补货和调拨建议进入库存管理流程，运营人员看到的是可执行的补货量、调拨路径和仓配安排。第五，订单履约结果、缺货损失和库存周转继续回到下一轮预测、补货和调拨规则。

三、组织协同化：沉淀共同事实，支撑多业务的高效并发

组织层要讲的，已经不是某一条业务流程继续往下走，而是整个组织体系如何支持各个并发业务。企业同时面对多个客户、项目、产品、区域和交付任务时，需要一套架构把业务、数据、应用和技术分别管理起来：业务架构说明组织要支撑哪些能力和责任边界，数据架构统一事实口径，应用架构安排系统和Agent如何接力，技术架构提供权限、安全、算力和稳定性。TOGAF等企业架构方法也通常将企业架构划分为业务、数据、应用和技术等架构域，用来分别管理价值创造、信息资产、系统应用和技术底座。

放在AI进入运营现场的语境里，组织层关心的是整个组织体系如何承接多个并发业务，因此市场上也诞生了一类利用AI技术把复杂市场信息转化为清晰决策与可执行增长计划的服务企业。

一个品牌客户提出增长需求后，这类服务企业的系统可以先接入社交、电商、新闻、问答、评论等多源数据，识别品类趋势、消费者情绪、关键词、人群差异和竞品动作。随后，AI把这些内容生成洞察材料、会议摘要、竞品对比和下一步建议。销售拿它确认客户关心的问题，分析师用它校准数据口径，交付团队用它划定方案边界，客户成功团队用它沉淀复盘。会议结束后，客户反馈、待确认事项、关键负责人和授权边界继续进入同一工作台。

这就是组织层的具体机制：AI把原本分散在渠道、文档、会议和人员经验里的信息，整理成同一套事实、边界和下一步。组织因此少了一轮“各说各话”的解释，多了一张可以共同修改的工作底稿。这个工作底稿继续沉淀到行业模板、销售话术、交付清单和培训材料中，也会反过来影响后续项目的权限边界、责任分工和KPI口径。

四、能力阶段：从在线化、数字化到智能化和闭环学习

前面三个部分讲的是AI进入哪里：动作、流程和组织。换一个角度看，同样的案例也呈现出横向能力阶段的递进：在线化、数字化、智能化、闭环学习。每一个阶段都有运营接入，区别在于接入的对象不同。在线化接入现场事实，数字化接入流程链路，智能化接入判断和建议，闭环学习接入规则更新。

第一阶段是在线化。旧衣分拣中，材质、颜色、污渍和分拣去向进入系统；质检中，图像、缺陷、设备状态和工艺参数被记录；供应链中，商品、订单、促销、库存和仓网状态进入平台；市场营销场景中，客户声音、会议反馈、代码仓库、设计文档和运行日志进入统一工作台。在线化让运营事实有了入口，也让后续动作、流程和组织协同有了可接入的对象。

第二阶段是数字化。数字化关注的重点，是数据口径是否统一，链路是否打通，流程状态是否可信。订单、库存、工单、仓网、客户反馈和研发任务不再停留在各自系统里，企业才能看到流程全貌。数字化是流程做好的基础；没有正确的信息和整体判断，AI预测再强，也很难进入补货、调拨、排班、交付和研发安排。

第三阶段是智能化。系统判断材料成分，视觉质检识别微米级缺陷，供应链系统预测区域需求并计算调拨方案，识别趋势、情绪和人群差异等。AI在这一阶段承担识别、预测、匹配、生成和推荐，但它仍然要回到运营接入：判断要进入分拣通道、质检处置、补货调拨、客户会议材料和研发项目看板。

第四阶段是闭环学习。执行结果回到系统以后，企业可以更新动作SOP、参数阈值、复核规则、补货公式、库存上限、授权路径、KPI、培训内容和Agent策略。闭环学习的思想，是组织做好的关键：上一轮执行中的偏差、复核、客户反馈和安全风险，会变成下一轮工作的规则，帮助组织体系持续支持多个并发业务。闭环学习的目标是自适应、自进化，是无人干预，这超越了智能化的阶段。

结语：读懂AI，先看它改了哪一步工作

企业评估AI应用的成效，可以先从小处发问：它从哪个现场进入，读入了什么数据，形成了什么判断，交给哪个岗位、流程或角色，执行结果又回到哪条规则。一个电芯的缺陷标记，一件旧衣的材料识别，一次前置仓补货，一次客户洞察会，一次代码变更提示，都可能成为AI进入企业运行的起点。

从实践看，AI进入运营体系大体有两条路径。

一条是自下而上。企业从高频、重复、可验证的现场动作切入，让AI先把一次判断变成一次处置。质检能否更快发现异常，分拣能否更准识别材料，补货能否更及时响应需求，客服能否更快生成下一步建议，这些“小处着眼”的场景带有精益改进的意味。它们投入相对可控，反馈更快，也更容易让一线看到AI如何改变具体工作。

另一条是自上而下。企业从数字化转型和组织架构入手，先让业务、数据、应用和技术具备承接AI的基础。订单、库存、工单、客户、设备、项目和权限状态被准确记录，部门之间的数据不再各自沉淀，流程才有可依赖的事实；业务架构明确角色和责任，数据架构形成统一口径，应用架构连接系统与Agent，技术架构提供接口、安全、权限和算力，AI判断才有机会进入多个并发业务。这个路径往往投入更大、周期更长，短期未必立刻显现投资回报，却会决定企业能否把AI从单点应用带入持续运行。

两条路径并不冲突。自下而上的小场景，让企业看见AI改变工作的真实价值；自上而下的数字化转型和架构迭代，让AI具备跨流程、跨部门、跨业务复制的条件。很多时候，企业是在小场景中形成理解，再反过来知道该建设什么样的数字化基础；也会在数字化转型中获得更完整的数据和流程，再推动更多AI场景落地。终局是原生AI认知并自我迭代。

读懂AI，最终还是要看它改了哪一步工作。更进一步，还要看这一步工作能否进入流程、进入组织、进入下一轮规则。AI的价值因此从一次判断，走向企业持续运行方式的更新。

（作者朱阳，系长江商学院运营管理教授；王小龙，系长江商学院案例研究部高级研究员）

来源：朱阳、王小龙/长江商学院