# “AI 只能做参考”这是我在一家集团制造企业听到最清醒的一句话
**作者**: HuangMing
**日期**: 2026-05-05T05:00:34.000Z
**来源**: [https://x.com/Zhm20220917/status/2051527452778959013](https://x.com/Zhm20220917/status/2051527452778959013)
---
## 一、进门后，最先聊的不是 AI
很多企业谈 AI，开头不是模型，而是一张表。
那天走进一家集团体系里的制造企业，现场并没有出现“我要一个大模型”的豪言。真正先被拿出来讨论的，是 ERP、飞书、多维表格、数据魔方、生产台账、各部门报表，以及那些每天重复填、重复传、重复核的数据。
企业侧的表达很实在：他们已经有系统，也已经在集团平台里跑流程。但一到业务现场，就会出现一个尴尬的问题。
系统不少，数据却没有真的变成生产力。
一个参与讨论的业务负责人提到：工程、机加工、车间执行，很多环节都高度依赖老员工。
现场工程师说的一句话特别能概括这个状态：
「不管是工程还是机加工，对员工的技能水平依赖度比较高。」
这句话听起来不像 AI 话题。
但它恰恰是 AI 入企的起点。
## 二、这家企业不是没有数字化
这类企业最容易被外面误解。
外面的人一听“传统制造”，会以为企业还停留在纸质单据和 Excel。可实际走访后会发现，他们不是没有数字化，而是已经被多个系统切成了几段。
集团有系统。
财务有 ERP。
采购、仓储、生产、订单、车间执行，也有各自的数据入口。
飞书已经承担了一部分协作平台角色，原始业务单据会流转进飞书，再分发到车间，执行过程中累计成本，最后回到集团体系里闭环。
听起来链路很完整。
但现场真实的问题是：一旦业务要看“综合视图”，比如某个订单现在卡在哪里，某类物料为什么迟迟不到，某个成本差异来自哪里，大家还是会回到部门台账、人工追问、二次统计。
系统是分层存在的，业务却是连续发生的。
## 三、最值得听的一句话
会议里还有一句原话，我觉得特别关键：
「很多时候，各部门的台账有很多共通之处，一些数据是可以串联使用的。」
这句话不是技术语言，却比很多“AI 战略”更接近落地。
因为企业 AI 化第一步，往往不是把所有资料喂给模型，而是先找到那些可以串起来的共同字段。
- 订单号。
- 物料编码。
- 客户需求。
- 生产节点。
- 外协状态。
- 入库时间。
- 成本归集。
这些字段如果散落在不同部门，看上去只是各自的小台账。一旦串起来，就会变成管理驾驶舱、异常预警、自动报告、成本分析和生产排程的基础。
AI 不是凭空长出来的。
AI 是长在数据结构上的。
## 四、现场复原：真正的问题藏在报表里
当时有一段讨论，大意是这样的。
> 我提问：现在最想先解决什么？
企业侧没有说“要机器人”，也没有说“要大模型问答”。他们更关心业务报表。
“各部门现在都有台账，但很多数据其实是重复的。能不能用一个平台串起来，减少重复填报？”
> 我接着追问：飞书已经用了，为什么还要再讨论？
企业侧的大意是：飞书投入过，员工也熟悉，所以不希望再上太多平台。问题是，到底用飞书多维表格做二开，还是通过数据魔方、接口抓数来做业务报表，这件事要和集团系统一起评估。
这段对话非常真实。
它说明企业不是抗拒 AI，也不是抗拒系统。
他们抗拒的是“再来一套系统，但没有减少任何工作”。
## 五、入企第一课：别急着卖新平台
很多服务商一进企业，就想做一个新平台。
但这类客户最怕的也是新平台。
因为平台多到一定程度，员工不会觉得“数字化更先进”，只会觉得“又多了一个地方要填”。
这家企业的思路很清楚：
- 前期投入过飞书，已经形成部分工作习惯，那就优先评估能不能沿着飞书继续做。
- 如果飞书多维表格能承接业务报表、流程节点和简单的跨部门协同，就不要过早把复杂度推高。
真正应该做的是三个动作。
- 第一，梳理现有台账中重复出现的字段。
- 第二，把订单、物料、生产、成本这几条线先做一个最小闭环。
- 第三，先用报表和提醒解决管理可见性，再谈 AI 助手和自动决策。
企业最缺的不是“更聪明的回答”，而是“现场发生的事能被及时看见”。
## 六、生产排程为什么不好做
会议里我们还提到一个非常制造业的问题：
生产计划现在仍然有很多人工排程。
交期不稳定。
计划容易被插单打乱。
采购、外协、仓储和车间之间的信息不是实时联动。
这时候如果直接说“做 AI 排产”，很容易过度承诺。
AI 排产不是把订单丢进去，让模型自动给一个完美计划。
它至少依赖几类基础数据：
1. 设备能力
2. 工序节拍
3. 物料齐套
4. 外协周期
5. 人员班次
6. 优先级规则
7. 异常反馈
任何一个环节的数据不稳定，AI 给出的排程都只能停留在建议层。
所以这个企业更适合的路线不是一步到位智能排产，而是先做“排产辅助”。
比如先做订单状态看板。
再做物料齐套预警。
再做异常节点提醒。
最后再把经验规则沉淀为排程建议。
AI 化不是跳过管理基本功，而是把管理基本功变成可计算的东西。
## 七、AI 答案只能做参考
这场讨论里最清醒的一句话，是企业自己说出来的：
「AI 的东西只能做参考，而必须以现行的一些实质的东西去做最终的结果。」
这句话背后有一个小案例。
企业里曾经出现过用 AI 辅助判断材料申请的情况，结果 AI 给出的回答和真实标准不一致，导致采购环节判断偏差。后来还是回到国家标准、制度文件和实际依据来修正。
这个细节特别有价值。
很多企业一开始会把 AI 当成“更快的老师”。
但在制造业里，AI 更应该先被当成“更快的助理”。
它可以帮你检索。
可以帮你比对。
可以帮你生成初稿。
可以帮你提醒风险。
但最终依据必须回到现行标准、工艺规范、合同条款、质检规则和真实业务数据。
这不是保守。
这是工业场景里必须有的边界感。
## 八、培训不是让员工挂视频
会议过程中我还记得一个很扎心的细节：
集团曾经做过 AI 培训，内容包括小软件应用、AI 写材料、AI 写表格公式等。
但因为培训有学时要求，一些人变成了“挂视频”。
这件事在企业里太常见。
AI 培训如果只做成课程，很容易变成完成任务。
更有效的方式，是把培训嵌入真实工作。
- 比如让采购人员用 AI 做一次标准比对，但必须附上依据来源。
- 让生产主管用 AI 生成一版周报，但数据必须来自指定台账。
- 让工程人员把某类常见问题整理成知识卡片，再由 AI 生成问答。
- 让财务和业务一起定义成本字段，训练 AI 帮忙解释差异，而不是直接判断对错。
企业员工不是不愿意学 AI。
他们只是不愿意学和自己工作没关系的 AI。
## 九、这类企业的解决方案
如果让我给这家企业设计第一阶段方案，我不会从大模型知识库开始。
我会从“业务报表加字段治理”开始。
> 第一步，做台账盘点。
把各部门正在维护的表列出来，只看三件事：字段是否重复、口径是否一致、更新频率是否稳定。
> 第二步，做一个最小业务闭环。
以订单为主线，串起物料、生产、仓储、成本和交付节点。先不要追求全量自动化，只要做到关键节点能看见、能追责、能预警。
> 第三步，在飞书多维表格或现有协作平台上做轻量应用。
减少平台切换，让员工在熟悉环境里完成数据更新。
> 第四步，再引入 AI。
AI 先做报告生成、异常解释、制度检索、标准比对和知识问答。它不直接替人做结论，而是帮助人更快找到依据。
## 十、真正的干货：用“参考权”管理 AI
这次走访给我最大的启发，是一个词：参考权。
很多企业问 AI 能不能替代人。
更好的问题是：AI 在这个环节拥有多大参考权？
- 在会议纪要整理里，AI 可以有很高参考权。
- 在周报初稿里，AI 可以有较高参考权。
- 在物料标准判断里，AI 只能有中等参考权，必须附来源。
- 在采购拒绝、质量判定、安全规范、财务合规里，AI 只能有低参考权，最后结论必须由制度和负责人确认。
企业 AI 化不是把人拿掉。
是把不同业务环节的“AI 参考权”分级。
分级之后，AI 才不会既被神化，也不会被一两个错误彻底否定。
欢迎对企业AI应用感兴趣的朋友们评论交流
下一篇继续分享【制造业企业】如何让AI加速数据驱动的企业运转。
## 相关链接
- [HuangMing](https://x.com/Zhm20220917)
- [@Zhm20220917](https://x.com/Zhm20220917)
- [4.2K](https://x.com/Zhm20220917/status/2051527452778959013/analytics)
- [Upgrade to Premium](https://x.com/i/premium_sign_up)
- [1:00 PM · May 5, 2026](https://x.com/Zhm20220917/status/2051527452778959013)
- [4,276 Views](https://x.com/Zhm20220917/status/2051527452778959013/analytics)
- [View quotes](https://x.com/Zhm20220917/status/2051527452778959013/quotes)
---
*导出时间: 2026/5/6 00:18:00*