作者:彭昭(智次方创始人、云和资本联合创始合伙人)
物女皇:管AI如用人
这是我的第442篇专栏文章。
一位自谦“不懂AI”的70岁制造业老董事长,聊了一个小时就当场拍板合作。
不到一年,他那家传统轮胎厂里,就实打实跑通了十几个AI场景。
听到这事,我挺感慨:多少企业天天研究AI,看了半年还在原地打转,怎么偏偏一位70岁的“门外汉”,下手既准、跑得又快?
给我讲这故事的,是研华(中国)工业物联网事业群总经理蔡奇男。
最近,我们合作完成了《边缘智能应用框架与工业智能体分级白皮书——工业AI的核心不是智能而是信任》,即将在11月27日正式发布。当我们聊起“企业怎么迈出AI第一步”这个话题时,蔡总一上来就提起了这位董事长。
那天见面,满头白发的老董事长不是一个人来的,身边特意带着厂里两位年轻工程师。
蔡总记得很清楚,整整一个小时,老人家没有纠结高深的技术概念,也没问“你们的AI有多聪明”,全程只盯着两个问题:
第一,这套方案,研华过去在工厂里实践过没有?账到底算不算得过来?
第二,系统搭起来之后,能不能交给我们自己的工程师接着干?
他嘴上说着不懂AI,问出来的却全是制造业人最老辣、最切中要害的问题。
第一笔预算:不为“聪明”买单,只为“可控”掏钱
别小看上面这两个问题,再加上他特意带在身边的两位年轻工程师,其实道出了大多数制造业老板面对AI时的真实底牌:请外援可以,但绝不当冤大头;买技术可以,但命脉必须攥在自己人手里。
在一线摸爬滚打了这么多年,蔡总太懂这群制造业掌门人的谨慎了。
为什么过去不少技术厂商拿着酷炫的Demo进厂,聊得热火朝天,最后客户却批不下一分钱预算?蔡总把工业客户真正愿意掏钱的前提归为三类,我将其总结为制造业老板批预算前的“三道闸门”。
第一道是“毛利闸”,看能不能在车间里抠出真金白银。
制造业做的是一分一厘的精细生意,经历过上一轮数字化洗礼的老板们,早就对只会做展示大屏的“花架子”免疫了。AI进厂,不能停留在概念演示上,必须直接落到产线的核心指标上。这正是蔡总常说的“经济账”:到底能省多少人、提多少速、把良率往上拉几个点?交不出真实效益,连门都进不去。
第二道是“规模闸”,看能不能走出“样板陷阱”。
工业AI最怕做成精雕细琢的“盆景”,靠几个算法工程师驻场半年,在单一车间搞出一个完美案例,根本不算本事。真正的大考在于,当这套方案推向全球三十多家工厂,面对跨度十几年的新旧设备、五花八门的工业协议、天差地别的管理习惯时,还能不能低成本、稳健地跑起来?无法规模化复制的方案,单点做得再漂亮,对大型制造企业来说也是沉重负担。
第三道则是决定生死的“主权闸”,看核心家底能不能留在自己手里。
制造业向来讲究“数据不出厂”,同行可以买到一模一样的进口机床、一模一样的管理软件,一家工厂凭什么活得比别人好?靠的就是几十年攒下来的工艺配方、参数微调和老师傅的排障经验。如果上了AI,核心数据外传,或者系统变成黑盒、改个参数都得求助于外部厂商,企业反而会处处受制于人。
用蔡总的话说:“工具可以外面买,设备可以外面买,但最终的Know-how,必须长期在企业内部持续增长。”
这也是为什么那位70岁的老董事长,非要带着自家年轻工程师去谈合作。比起一个替自己干活的黑盒,他更需要一套自家团队接得住、养得大的能力。
第一把钓竿:终结IT与OT拉锯,工业AI其实姓“信”
针对老董事长的第二个顾虑,研华给出的办法是“先做样板、再带人”。
双方合力跑通第一个样板项目后,紧接着用一两个月的时间,培训厂里的工程师。结果不到一年,这家轮胎厂落地的十几个AI场景,绝大部分都出自这批天天跟橡胶密炼、硫化工艺打交道的车间工程师之手。
蔡总管这叫“送钓竿”。
池塘里的鱼是什么习性,守塘人最清楚;工业现场的工艺细节与门道,终究没法全指望“外来的和尚”。
这其实点中了传统数字化转型的顽疾:IT与OT之间的鸿沟。
过去企业上一套信息系统,往往由IT部门主导开发,其他部门只能排队提需求——懂工艺的人不会写程序,会写程序的人听不懂工艺。喊了这么多年的IT与OT融合,今天今天终于迎来终极解法了吗?
答案藏在一场正在发生的“拆烟囱运动”里。
过去的套装工业软件像“满汉全席”,功能被整包锁死,吃不吃都得整桌端走;而在如今边缘智能三层架构中,负责把原始数据转化为行业能力的“领域智能层”(即最懂行的那一层),正在转向“框架+Skill(技能)”的新模式。
这把新“钓竿”的构造可以概括为“一横多纵”,如下图所示:
“一横”是跨行业共用的底盘,把数据与知识服务、MCP标准工具接口以及智能体运行环境提前铺好,企业不必重复造轮子;
“多纵”则是把最难经营的产业Know-how拆解成标准化的Skill积木,既有厂务节能这类跨行业复用的通用件,也有深耕特定工艺排产的行业专用件。
当封闭软件变成可复制、可共享甚至可交易的模块,“积木经济学”便真正转了起来。

更重要的是,能力的“拼装权”第一次从IT程序员手里交还给了车间。
在海外成熟市场,许多企业甚至不再要求厂商交付现成的完整智能体,只采购Skill积木,按自家的流程自主定义。
绕开了繁琐的代码门槛,车间里懂流程的OT工程师调用积木就能自主搭出应用,蔡总所期待的“全员AI”才真正落了地。
顺着这一变化回看中国工业互联网争论十年的老命题——到底姓“工”还是姓“互”,其实也有了最终答案。
到了工业AI时代,它既不独姓“工”,也不独姓“互”,而是姓“信”。正如此次对谈中蔡总提到的“二八法则”:平台方把80%的共性底座与标准积木搭好,用可靠与透明赢得信任;制造企业则放心把20%的差异化应用交给自家懂工艺的工程师,去现场自由拼装。
当懂工业的人真正握住了驾驭AI的工具,横亘多年的IT与OT隔阂也就迎刃而解了。
第一个场景:不要“高大上”,而要“小题大做”
钓竿到手,第一步往哪迈?
蔡总给出了四个字:“小题大做”。
在工厂里落地AI,最忌讳一上来就追求“高大上”,更务实的打法,是找准一个具体的小切口,扎进去做深、做透。
至于这第一个切口怎么挑,标准其实很朴素:先看问题够不够痛,过去是不是费人、耗时、质量异常多;再看数据够不够用,光有开关机记录判断不了设备健康状态,有时还得下笨功夫,去打通十年前老旧子系统里的数据;最后看投入产出是否符合预期。
在我看来,“积小胜”之所以有效,是因为它顺应了实体企业智能化的真实爬坡规律。
无论身处哪个行业,这条爬坡路径都高度相似:最初往往是单点场景的“设备级破冰”,从一台设备、一个能耗点切入。这一步门槛最低、见效最快,多数企业会在此停留半年至一年,先把信任建立起来。站稳脚跟后,便进入“工厂级运营”的深水区,随着多个智能模块逐步叠加,AI系统的建议被授权为“规则内执行”;此时真正的卡点往往不在技术,而在组织协同:谁来签字?出了事谁担责?跨过这道权责关,最终才谈得上跨厂区、跨系统的“集团级协同”。

单一场景跑通之后,更难的一步来了:什么时候敢把决策权交给AI系统?
研华自家的昆山园区在做厂务能源调控时,就完整走过了这一过程。
过去冰水机组调节,全靠工程师盯着PLC、SCADA上的数据自己拿主意。导入智能体后,每逢需要调控,系统会直接弹出三个方案,逐一列明建议温度与预期节能效益。
三个方案,最后谁来定?
蔡总答得很干脆:“由工程师来决定。”
这不仅省下了翻资料排查的时间,更关键的是,工程师对系统的信任,恰恰是在这一次次勾选里建立起来的。
“一次、两次、五次、二十次……工程师发现AI每次给的建议都很稳、很靠谱,信任建立起来了,才愿意慢慢把控制权移交过去。”对于放权的前提,蔡总排了明确的优先级:安全第一,其次是正确性,再其次是稳定性。
今天很多工厂的AI还停在“系统给建议、人来拍板”这一级,常被外界看作走得不够远。我反而觉得,这个过程恰恰是在给AI“攒履历”,一次次验证攒下来,信任就有了实打实的依据,不再只是凭感觉。
之后,系统才能水到渠成地从L2“智能建议”迈向L3“执行协同”,人的角色也随之从“人在环中”转向“人在环上”。此前,每一个关键决策的闭环都必须经过人来分析、拍板和验收;而在授权之后,系统在规则内自动执行,工程师则从繁琐的日常操作中抽身,转向设定目标、把控边界与处理异常。

写在最后
聊到这里,蔡总打了个很传神的比方:工业AI赢得信任的过程,和带一名新工程师没什么两样。先培训引导,再看每次交出来的结果,“发现这个年轻人很靠谱,就委以重任、授权,甚至晋升”。只不过过去带的是人,现在换成了AI。
因此,工业AI的信任难题,解法往往不在IT技术,而在企业的“用人之道”里。
董事长们未必懂算法,但最懂怎么用人。
把企业现成的用人章法搬到AI身上,几乎严丝合缝:前期验证是“试用期”,先在指定场景里证明自己;授权上线是“转正”,得有具体负责人签字;调控边界则是“岗位职责”,划清什么能动、什么不能碰。
而当AI一级级晋升时,和它共事的人其实也在同步晋升——从事事经手的操作者,变成定规则、担责任的管理者。
关于人与AI如何共同进化,我们留到本系列的下一期对谈再展开。
本文为研华科技与物联网智库联合推出的系列对谈《工业AI的核心不是智能,而是信任》配套文章,文中客户案例均为匿名表述。