企业实践
制造企业做AI，开始分化了：豪迈、临工、玫德、杰瑞走出了四条不同路径
9月5日山东 CIO 联盟组织的山东工业 AI 应用落地论坛这场交流里，豪迈、山东临工、玫德、杰瑞都分享了自己的AI实践，但它们并没有走出一条标准路线。
制造企业做AI，已经开始分化。9月5日山东 CIO 联盟组织的山东工业 AI 应用落地论坛这场交流里，豪迈、山东临工、玫德、杰瑞都分享了自己的AI实践，但它们并没有走出一条标准路线。豪迈越来越重视统一平台、智能体、技能和系统连接；山东临工从一个个具体业务场景往深处推进，并开始出现业务部门主动提出AI需求；玫德已经把AI推进扩展到组织、人才、流程、激励和文化；杰瑞甚至开始借助AI重新思考IT部门本身应该做什么。同样是制造企业做AI，起点不同，路径也完全不同。这几条路径放在一起看，比单独看某一个案例更有意思。因为它们实际上回答了很多企业都在问的一个问题：“我们企业做AI，到底应该从哪里开始？”以下“四种路径”是AIHUB根据现场分享做的归纳，不是企业给自己的官方定义，也不是成熟度排名，而是四种不同的切入方式。
豪迈这次分享中，一个很明显的信号是：他们已经不只是在考虑做几个AI应用，而是在思考怎样形成一套企业可以持续使用的AI能力。豪迈介绍，通用AI助手2.0将重点增加三类能力：统一智能体平台，把不同模型、工具和技能组合起来完成复杂任务；技能广场，把已经验证过的AI能力沉淀下来，让其他部门复用；MCP市场，通过标准化方式把企业内部更多系统和工具连接进来，让AI能够调用既有业务能力。这背后其实是一个很现实的问题。如果研发做一个AI助手，质量再做一个，财务再建一个，生产又单独开发一个，每个部门各选模型、各做知识库、各接系统，很快就会出现一批新的“AI烟囱”。所以当AI应用开始增多以后，企业迟早会遇到：哪些能力应该重复建设，哪些能力应该变成公共基础设施？但豪迈的经验里还有另外一面。他们在知识库建设初期也走过弯路。一开始认为把企业资料尽可能多地放进去，数据量足够大，AI问答效果自然就会好；实际运行后，才逐渐把注意力转向知识质量、治理和具体业务场景。这件事情很重要。因为它说明：
山东临工的路径特别值得很多传统制造企业参考。因为它比较完整地展示了企业AI从“推动”到“需求自然产生”的过程。临工在现场回顾：2024年开始探索AI并建设基础技术能力；2024—2025年，主要还是信息化部门主动联系业务部门：“我们一起找一些AI场景来做。”到了2026年，一个非常重要的变化出现了：开始有越来越多业务部门主动找到IT，说：“我们这里有一些高价值场景，一起合作落地。”我们认为，这可能比“上线了多少个AI应用”更加值得关注。因为一个企业真正进入AI应用阶段的重要标志，很可能不是IT部门有多少AI技术人员，而是：
玫德的分享又是另外一个视角。在下午工作坊里，玫德开场讲的并不是“用了哪个模型”，而是：组织、人才和平台怎么保证AI真正落地。其分享中明确提出：AI落地首先是一把手工程。没有高层的认可、支持和方向，仅靠下面的技术团队很难持续推进。技术基础上，玫德建设了包括算力、算法以及快速应用开发等在内的平台能力；但更值得注意的是平台之外的东西。他们专门建立AI团队；通过流程保证项目推进；对优秀AI应用给予激励；持续做全员培训；组织AI应用大赛；还持续征集优秀AI案例并给予奖励。这其实触碰到了很多企业AI试点之后必然遇到的问题。第一两个AI项目，靠几个热心的IT人员往往可以做起来。但到了十个、几十个场景以后，真正困难的往往变成：业务为什么愿意参与？谁负责场景？谁提供数据？谁改变原来的流程？谁评价项目效果？员工为什么愿意使用？一个部门成功的项目为什么到了另一个部门就复制不动？这些已经不是“再换一个更强的大模型”能够解决的问题。所以玫德给我们的启发是：
杰瑞是这次交流中另一个很值得长期观察的样本。杰瑞在现场说得很坦率：2024—2025年，AI更多还处在研究和储备阶段。真正大规模推动，是从2026年2月左右开始。他们内部甚至用了一个非常有冲击力的说法：“IT暴力转型”。集团管理层对AI推进提出了非常明确的目标，包括在快速扩张过程中控制人员规模增长，以及提质增效。但杰瑞真正有意思的地方，不只是“做了多少AI场景”。而是AI开始改变原来的IT建设方式。从现场分享可以看到一些信号：AI已经进入研发、财务、采购、CRM等业务；业务人员开始参与需求、PRD和原型；财务SOP可以先被拆成流程，再由IT进行代码化；AI Coding也已经进入一些内部系统开发；同时IT仍然负责技术标准、安全、审查和维护。这带来一个非常大的问题：如果未来做一个小应用、写一个流程、连接一个系统的成本越来越低，那么IT部门最重要的价值还会是“写系统”吗？杰瑞目前给出的方向已经开始发生变化：IT需要更深入业务；识别真正的问题；推动流程和管理变革；给业务提供工具、规范和基础能力；而不是继续只是一个“业务提需求—IT负责开发”的响应部门。所以杰瑞这条路线，我们更愿意称为：IT重构 + 管理变革。它其实已经超出了“AI项目”的范畴。AI开始成为重新思考企业数字化组织方式的一种力量。
一、豪迈：先把AI变成可以反复使用的企业公共能力
豪迈这次分享中，一个很明显的信号是：他们已经不只是在考虑做几个AI应用，而是在思考怎样形成一套企业可以持续使用的AI能力。豪迈介绍，通用AI助手2.0将重点增加三类能力：统一智能体平台，把不同模型、工具和技能组合起来完成复杂任务；技能广场，把已经验证过的AI能力沉淀下来，让其他部门复用；MCP市场，通过标准化方式把企业内部更多系统和工具连接进来，让AI能够调用既有业务能力。这背后其实是一个很现实的问题。如果研发做一个AI助手，质量再做一个，财务再建一个，生产又单独开发一个，每个部门各选模型、各做知识库、各接系统，很快就会出现一批新的“AI烟囱”。所以当AI应用开始增多以后，企业迟早会遇到：哪些能力应该重复建设，哪些能力应该变成公共基础设施？但豪迈的经验里还有另外一面。他们在知识库建设初期也走过弯路。一开始认为把企业资料尽可能多地放进去，数据量足够大，AI问答效果自然就会好；实际运行后，才逐渐把注意力转向知识质量、治理和具体业务场景。这件事情很重要。因为它说明：
模型会变，知识会变，场景会变，工具会增加，部门需求也会不断变化。所以如果给豪迈这条路线一个标签，我们更愿意称为：平台化 + 运营化。不是先做一个“大而全”的平台，然后等业务来用，而是：公共能力建设 → 真实场景使用 → 发现问题 → 再迭代平台。企业AI平台不是“建设完成”就结束了，而是需要持续运营。
二、山东临工：从“IT找业务做AI”，到“业务带着问题来找IT”
山东临工的路径特别值得很多传统制造企业参考。因为它比较完整地展示了企业AI从“推动”到“需求自然产生”的过程。临工在现场回顾：2024年开始探索AI并建设基础技术能力；2024—2025年，主要还是信息化部门主动联系业务部门：“我们一起找一些AI场景来做。”到了2026年，一个非常重要的变化出现了：开始有越来越多业务部门主动找到IT，说：“我们这里有一些高价值场景，一起合作落地。”我们认为，这可能比“上线了多少个AI应用”更加值得关注。因为一个企业真正进入AI应用阶段的重要标志，很可能不是IT部门有多少AI技术人员，而是：
临工目前也形成了两类基础能力。一个是AI训练平台，主要围绕数据采集、标注、训练，服务工业视觉、质量检测、安全生产和SOP规范检查；另一个是AI创新平台，主要支持Agent开发，并把AI能力通过接口提供给业务系统。具体场景则很杂，也很“制造业”。视觉识别、维修助手、文档智能识别、三检审核、翻译、会议纪要、办公流程……它没有要求所有问题都由一个“大模型”解决。实际上，临工很多生产现场场景依然依赖工业视觉和专门算法，而知识处理、流程辅助、Agent等场景才更多发挥大模型能力。因此临工这条路更像是：业务部门开始能够识别什么问题值得用AI解决。
到了2026年，又从单纯的“技术驱动”，开始变成：技术 + 业务双轮驱动。这可能是大多数制造企业比较现实的一条路径。先从一个个能验证价值的场景往前走，同时逐渐形成公共技术能力。
三、玫德：AI做深以后，最终会变成一个组织问题
玫德的分享又是另外一个视角。在下午工作坊里，玫德开场讲的并不是“用了哪个模型”，而是：组织、人才和平台怎么保证AI真正落地。其分享中明确提出：AI落地首先是一把手工程。没有高层的认可、支持和方向，仅靠下面的技术团队很难持续推进。技术基础上，玫德建设了包括算力、算法以及快速应用开发等在内的平台能力；但更值得注意的是平台之外的东西。他们专门建立AI团队；通过流程保证项目推进；对优秀AI应用给予激励；持续做全员培训；组织AI应用大赛；还持续征集优秀AI案例并给予奖励。这其实触碰到了很多企业AI试点之后必然遇到的问题。第一两个AI项目，靠几个热心的IT人员往往可以做起来。但到了十个、几十个场景以后，真正困难的往往变成：业务为什么愿意参与？谁负责场景？谁提供数据？谁改变原来的流程？谁评价项目效果？员工为什么愿意使用？一个部门成功的项目为什么到了另一个部门就复制不动？这些已经不是“再换一个更强的大模型”能够解决的问题。所以玫德给我们的启发是：
下午分享中，玫德还介绍了一些已经进入生产领域的优化实践。例如钢板切割排版、生产排产和温度控制等，现场给出了材料利用率、排版时间、人工投入等业务结果数据。这也说明，组织体系最终还是要落回业务结果。因此，我们把玫德这条路线概括成：体系化 + 组织化。它回答的问题不再只是：“一个AI项目怎么做出来？”而开始变成：“一家几千人的制造企业，怎样形成持续产生AI应用的能力？”AI规模化以后，技术只是其中一部分，组织能力开始成为基础设施。
四、杰瑞：AI开始反过来改造IT本身
杰瑞是这次交流中另一个很值得长期观察的样本。杰瑞在现场说得很坦率：2024—2025年，AI更多还处在研究和储备阶段。真正大规模推动，是从2026年2月左右开始。他们内部甚至用了一个非常有冲击力的说法：“IT暴力转型”。集团管理层对AI推进提出了非常明确的目标，包括在快速扩张过程中控制人员规模增长，以及提质增效。但杰瑞真正有意思的地方，不只是“做了多少AI场景”。而是AI开始改变原来的IT建设方式。从现场分享可以看到一些信号：AI已经进入研发、财务、采购、CRM等业务；业务人员开始参与需求、PRD和原型；财务SOP可以先被拆成流程，再由IT进行代码化；AI Coding也已经进入一些内部系统开发；同时IT仍然负责技术标准、安全、审查和维护。这带来一个非常大的问题：如果未来做一个小应用、写一个流程、连接一个系统的成本越来越低，那么IT部门最重要的价值还会是“写系统”吗？杰瑞目前给出的方向已经开始发生变化：IT需要更深入业务；识别真正的问题；推动流程和管理变革；给业务提供工具、规范和基础能力；而不是继续只是一个“业务提需求—IT负责开发”的响应部门。所以杰瑞这条路线，我们更愿意称为：IT重构 + 管理变革。它其实已经超出了“AI项目”的范畴。AI开始成为重新思考企业数字化组织方式的一种力量。
五、四条路看起来不同，但正在走向同一个地方
把四家企业放到一起，我们会发现：豪迈首先碰到了平台和复用；临工首先碰到了场景和业务价值；玫德开始解决组织和规模化；杰瑞开始重新思考IT本身。但这四个问题，很可能不是四选一。一家企业继续往前走，迟早都会遇到它们。场景越来越多，就会需要统一能力；有了统一平台，没有真实业务需求也没有价值；场景开始规模复制，就一定会遇到组织、人才、流程和激励；AI Coding和Agent越来越强，又会一定程度上重新定义IT和业务之间的边界。所以我们现在更愿意把制造企业AI看成四个逐渐交织的层面：平台场景组织IT工业AI真正进入深水区以后，改变的可能不只是某一个软件功能。而是企业组织数字化能力的方式。六、普通制造企业到底应该学哪一家？
答案可能不是复制任何一家。真正值得学习的，是：他们为什么从这里开始。如果企业已经有比较强的数字化基础和IT开发团队，可以较早考虑统一AI公共能力。如果企业刚开始进入AI阶段，先从一个数据条件好、业务价值明确、可以量化效果的场景做起，可能更现实。如果已经出现几十个AI试点，却总是难以推广，那问题可能已经不在模型，而在组织、流程和激励。如果企业IT本身开发能力很强，那么AI Coding和Agent带来的变化，甚至可能要求重新思考IT团队到底应该做什么。这也是为什么我们越来越不赞成：先拿一个AI产品，再到企业里寻找场景。更合理的路径可能恰恰相反：先看企业现在处在哪个阶段，真正的问题是什么，再决定需要什么AI能力。写在最后
上一篇文章里，我们说：工业AI正在进入深水区。如果第二篇还要再增加一句，应该是：豪迈、临工、玫德、杰瑞提供的价值，不在于告诉其他企业“标准答案是什么”。恰恰相反。它们告诉我们：不同企业可以从不同地方开始。但最终都必须回答同样几个问题：AI到底解决了什么业务问题？用了哪些企业数据和知识？怎样进入原来的业务系统和流程？怎样形成可以反复使用的能力？怎样证明它真的创造了价值？这可能才是制造企业下一阶段真正值得讨论的问题。连接工业知识，让AI真正进入业务。山东CIO联盟 · AIHUB进入深水区以后，已经没有一条所有企业都可以照抄的标准路线。