AI如何改变企业的数字化工作方式？5个来自一线的变化

AI 带来的一个明显变化，是企业尝试数字化创新的起点正在变得更加具体。过去，一项数字化应用往往需要经过较完整的系统规划和项目建设；现在，企业也可以先从日常工作中的一个具体问题开始验证。

海啊科技行政总监施翀已经在一些日常场景中感受到这种变化。他表示：“AI 在效率方面的提升越来越明显。特别是在 OA 系统上，企业资料库的搭建、会议纪要的总结分享、项目的协同推进。”

这些应用并不复杂，却直接对应员工每天都会遇到的信息整理和协作工作。相比先规划一个覆盖范围很大的 AI 项目，从具体、重复的工作切入，更容易判断技术究竟有没有产生实际价值。

因此，施翀给出的建议也很明确：“不要一开始追求大而全，先找一个痛点和重复场景切入，再逐步推广。”

这种推进方式也反映了 AI 应用正在发生的一种变化：企业关注的重点逐渐从“有没有 AI”转向“AI 能解决什么具体问题”。当一个场景真正跑通之后，再根据实际效果向更多流程延伸，AI 创新也会更贴近一线业务，而不是停留在技术概念或独立工具层面。

对企业而言，这也意味着 AI 应用未必需要从一个完整的大型项目开始。一个明确的问题、可用的数据和能够衡量的业务结果，往往已经足够成为起点。

企业最先感受到AI价值的地方，往往不是复杂的战略场景，而是每天都要反复处理的信息工作。

广州酒家集团利口福食品科创研究院院长已经明显感受到这种变化。他分享道：“智能体在工作中已经如影随形，开会再也不需要人工速记去做会议纪要了，每日重点工作、重点信息都有AI去完成整理。”

这些场景的价值不只是节省整理会议记录的时间。随着AI开始参与信息归纳和项目管理，原本需要人工持续处理的信息流也在发生变化。胡长利进一步期待，数字化系统未来能够更加主动地分析数据质量、完整性和真实性，并盘活企业已经积累的数据资产。

倍佳部长马永也观察到了AI逐渐进入业务流程的趋势。他表示：“AI的落地和业务自动化，越来越多的自动化场景深入了业务，各类系统都在尝试自己的AI能力，录单越来越简化，分析越来越成型。”

录入、整理和分析所需的人工操作减少以后，员工能够把更多时间投入异常处理、业务判断和需要专业经验的工作。这可能是AI现阶段最直接的价值之一：不一定替代某个完整岗位，而是先减少工作中大量重复的环节。

博登酷IT经理Suri则把下一阶段的重点放在知识沉淀上，希望能够“借助AI工具为企业沉淀知识库”。

会议、项目、产品和流程每天都会产生大量信息。企业真正面对的难题并不只是把这些内容保存下来，而是多年以后还能否快速找到、理解并再次使用。如果AI能够让分散的信息更容易被整理和调用，过去依赖个人记忆和经验的知识，也有机会逐步变成更可复用的组织资产。

对于产品型企业，AI已经开始进入设计、研发和工艺等专业工作，而且实际场景正在变得越来越具体。

某服装品牌研发团队分享道：“企业已经尝试通过AI自动识别设计图稿中的配色和面料信息，并根据识别结果自动创建配色和设计BOM，减少设计人员在设计文件和系统之间重复创建信息的工作。这一应用可以节省大量重复性的工作。”他期待下一阶段AI能够“切实解决用户遇到的问题，并能够支持业务发展的快速迭代”。

这个场景并不涉及AI取代设计人员，而是一个更加实际的问题：同一份产品信息如果机器已经可以识别，专业人员是否还需要在不同工具中反复录入和确认？

减少这些重复操作之后，设计人员能够把更多时间投入产品本身。

稳健医疗产品总监Vic则从产品全生命周期的角度思考AI，他反馈：“数字化需要贴近业务、理解真实痛点，并拉通企划、设计、研发、采购和供应商等业务节点。在此基础上，下一阶段应结合AI能力重构业务流程。”

这比单纯在已有流程里增加一个AI功能更进一步。AI进入业务之后，企业需要重新审视现有的工作设计：哪些环节仍然需要人工完成，哪些工作适合先由AI处理，哪些过去不得不存在的步骤，在新的技术条件下可以重新安排。

鲁泰纺织科长李丛提出的方向更加贴近工艺现场，他希望：“未来技术可以根据款式图初步推荐缝制顺序、设备选型和工艺要求，再由专业工艺人员进行调整确认；不同客户的技术标准也可以进一步与企业内部工艺知识进行匹配。”

在这个场景里，人和AI承担的任务很清楚：系统负责识别信息、调用已有经验并给出初步建议，专业工艺人员负责判断和修正。真正值得被技术替代的，未必是专业人员，而可能是专业人员每天不得不重复做的那部分工作。

经过多年数字化建设，不少企业已经积累了大量业务数据。接下来的问题，是如何让这些数据真正参与工作，而不只是停留在系统里供人查询。

华翔羊毛衫信息部高级经理陆澍峰已经把这一问题延伸到客户报价场景。随着历史产品数据在PLM中持续沉淀，企业能够将积累的经验应用于更加结构化的报价流程。对于下一阶段，他期待“AI嵌入系统进行真正的AI分析，并能结合业务给出决策建议”。

更具体地说，当报价中的技术参数出现异常时，AI可以承担初步识别和提示，再通过交互协助业务人员核对信息。过去积累的历史数据因此不只是用来查询，也有机会成为识别问题和辅助判断的依据。

健合集团ITBP助理经理谭福平提出了另一组具体场景：规格录入、测试模拟和配方推荐。他将这一期待概括为：“真正让数据活起来，而不是仅仅留在数据。”

这句话点出了AI与企业数字资产之间一个很实际的关系。结构化数据能够被保存和追溯只是第一步，当这些数据能够进一步参与研发分析和判断时，企业过去投入的数据建设才可能产生更多新的应用价值。

IMMI数字化负责人Allen则把AI的判断能力延伸到了市场与研发之间。他表示：“期待数字化实现产品数据自动分析，打通前端市场反馈和研发环节，并利用AI沉淀和分析产品数据，辅助预判市场需求，帮助企业更快筛选优质款式，缩短产品研发的试错周期”。

报价、配方和产品筛选属于不同的业务场景，但提出了相似的需求：企业已经不满足于知道数据记录了什么，还希望系统能够发现异常和关联，为下一步行动提供更及时的依据。

当系统之间的数据逐渐连接起来，AI的作用也可能不再止于一次查询或者一次分析。分析结果能否重新回到业务流程，成为另一个值得关注的方向。

真爱美家信息化工程师张芹芹提出了一个典型的制造场景。她分享道：“随着企业逐步形成数据底座，未来可以进一步连接不同业务系统和设备端的IoT数据，再结合AI和大数据分析，对产品质量、能源消耗及不同工艺路线进行比较，并将分析结果持续反馈至PLM，进一步优化工艺。”

这里形成的是一条更加完整的数据链路。业务系统和设备不断产生数据，分析技术识别其中的差异，结果再返回产品和工艺管理环节，为下一轮调整提供依据。

如果这样的循环真正运行起来，数字化系统便不只是记录业务执行结果，也开始参与持续优化。不过，这类应用也提出了更高的基础要求。

健合集团谭福平对此有非常明确的判断：“只有数据质量真正提高了，数据才能提供更为可靠的信息和支持决策的证据，也为AI时代提效建立基础。”

如果数据不完整、标准不统一，不同系统之间又缺乏连接，AI依然可以产生分析结果，但速度更快并不意味着判断更加可靠。

因此，企业过去投入的数据治理、流程标准化和系统连接并没有因为AI出现而失去意义。相反，当AI需要真正进入研发、决策和生产优化时，这些基础工作的质量会直接影响AI能够发挥多大价值。

把这些企业实践放在一起看，很难找到一条适用于所有企业的AI路线。

有的企业先解决会议纪要和信息整理，有的开始把AI放进设计研发，有的更关心历史经验如何被重新调用，还有企业已经在考虑AI能否参与配方、报价、市场判断和制造优化。

这种差异很正常。企业的数字化基础不同，需要解决的业务问题也不同，AI自然不会按照同样的顺序进入每一家企业。

但这些实践也呈现出一些共同特征：

• AI应用正在越来越贴近具体工作。企业开始更清楚地判断哪些重复任务适合自动化，哪些专业工作可以先让AI完成初步分析，又有哪些判断仍然必须保留人的专业经验。
• 企业过去积累的数据正在变得更加重要。没有可靠的数据、清晰的流程和能够连接的系统，AI很难稳定地进入业务核心。
• 企业真正需要回答的，也许并不是有没有一套宏大的“AI战略”，而是能否找到一个明确的业务问题，并把合适的数据、技术能力和人的专业判断放在一起。

当这些条件真正结合起来，AI带来的影响才不会停留在效率提升上。它会逐渐改变企业完成工作、沉淀经验和作出业务判断的方式。