企业AI落地实战：圆桌对话经验精选

第一次登上圆桌分享企业级AI落地经验，梳理从试错到落地的实战案例。

核心看点：

1. 企业AI落地的真实业务场景与标杆案例

2. 数据治理瓶颈与针对性解决方案

3. 制造业AI应用的工程化路径与未来展望

昨天参加苏州本地的AI应用峰会，首次受邀圆桌分享。

紧张在所难免，台下坐满各行业企业家。

好在讨论主题是自己每天打磨的内容，讲开后逐渐进入状态。

以下为分享内容整理，同步至此，算是对企业AI落地的一点实践心得，与各位交流。

一、企业在AI方面有哪些探索？

起步阶段基本靠试错，踩坑无数。

最终能稳定运行、持续产生价值的场景，反而是最基础的方向——知识库问答。

这个方向大家可能听得多，但现实是：越朴素的场景，越容易实现规模化落地。

产品研发环节，我们也摸索出一批轻量但高效的AI应用。

例如：收到新需求后，让AI基于历史测试用例与内部归档数据，自动生成新用例。

再如，结合过往项目参数与团队配置，由AI辅助工时估算。

这些动作单看不大，但确实为团队节省了大量重复劳动。

业务层面，我们专注于流程行业的PLM系统。

去年推出“AI配方推荐”功能——用户输入产品性能需求，系统自动匹配最优配方，显著缩短实验周期、降低试错成本。

该功能已在西南某灯塔工厂正式投产。

二、AI落地过程中遇到了哪些挑战？

最大瓶颈不在技术，而在场景适配。

很多任务AI本身能完成，但场景定义模糊、数据质量差、流程不闭环、团队认知不到位，导致推进困难。

第一道坎——数据非标准化。

历史文档虽多，但缺乏语义层级标签，模型无法理解。例如测试用例如果没有特征标注，模型完全无法复用。

后期投入大量精力做数据清洗与语义标注，才让模型真正融入业务语境。

第二道坎——数据量匮乏。这是垂直模型落地的致命痛点。

做配方推荐时，企业内部配方数据极其有限。解决方案是什么？

我们将内部数据与公开文献结合，利用大模型理解文献中的实验逻辑（材料配比、工艺参数等），再通过仿真方式扩充数据集。

同时通过回测与误差验证确保数据可靠性。这样既补足了样本，也提升了模型泛化能力。

三、有哪些AI落地的启发？

这两年Agent热度高涨，大模型能力持续增强。

但对制造企业而言，更关键的是workflow（工作流）。

AI是工具，不是主角。

必须先把自动化基础打牢，让AI嵌入流程中——
例如内容生成、OCR、智能决策、知识检索等它擅长的环节。

AI接管这些重复性任务，才能真正释放生产力。

此外，多数企业预算有限，跑的是小参数模型。在这种资源下，与其追逐Agent，不如先让AI稳定融入现有业务流。

我们更倾向“工程化优先”策略：先搭好流程骨架，再逐步叠加智能能力。这样落地周期更短，迭代也更可控。

四、AI应用，未来两年的思考与期待

未来一到两年，我期待的是“模型越强，企业越强”，而非“模型越强，企业越焦虑”。

模型能否真正赋能企业，核心在于是否有高质量、专属的上下文数据。

这些上下文就是企业的培训体系、研发文档、产品规范——它们决定了模型能学到多少“业务真相”。

因此建议企业尽早做结构化积累：
哪怕只是规范测试文档、整理项目经验、统一报告格式，都是在为未来大模型铺路。

当然，模型并非万能。
上下文长度限制、注意力稀释等问题短期内仍然存在。

接下来要用工程化手段弥补这些缺陷——
例如上下文压缩、RAG增强检索、动态提示词拼接、工具调用等。

例如近期推出的“Claude Skill”——
每个任务封装为独立skill，包含提示词、工具与操作指令。

最后总结一句：

未来两年，AI应用的竞争将更多体现在“工程化能力”。
模型是引擎，数据是燃料，流程是传动轴。
三者打通，才能跑得更远。