推荐语

AI如何重塑制造业？三一集团CIO许国强分享实战经验与深度思考，揭示工业数字化转型的机遇与挑战。

核心内容：
1. 三一集团AI应用的典型案例：售后服务智能诊断与外观检测自动化
2. 制造业数字化面临的三大难题：数据基础薄弱、物理世界复杂性、全球合规要求
3. IT人员转型方向：从代码编写者升级为AI训练师与数字化战略制定者

杨芳贤

53AI创始人/腾讯云(TVP)最具价值专家

重工业制造的数智化与AI未来如何迭代？三一集团一直是值得研究研究的案例。

2022年10月，我曾写过一篇关于三一重工数字化转型的深度报道《3年投入超150亿，三一重工的灯塔征途》。文章发出后，也在三一集团官方公众号的得到转发。

三年过去，AI时代来了。三一走到了哪一步？制造业的数字化遇到了什么新问题？这些问题在2025年10月11日晚有了新的答案。

我关注到深圳IT部落主持人大智与三一集团CIO许国强进行了一场2小时的直播。许国强分享了关于AI与制造业的真实思考和IT实战经验。我把这次访谈的核心内容梳理出来，分享给关心制造业AI数字化的朋友们，仅供交流。

许国强的职业轨迹很清晰：曾在IBM做开发，阿里做数据分析，华为实验室研究算法与产品，2022年进入三一集团。职场18年时间，他完成了从代码编写者到数字化战略制定者的转变。

直播中，许国强认同一个判断：IT组织未来会变成第二个HR组织。逻辑很直接——当AI可以处理大部分重复性工作时，IT人员的核心任务就是训练数字员工，让每个岗位都配上AI助手。这不是比喻，是三一集团正在做的事。

他分享了两个场景。第一个是售后服务：以前服务人员需要根据设备型号、故障现象查阅大量技术文档；现在拍张照片，AI就能从设计数据、制造记录、历史案例中找到问题和解决方案。第二个是外观检测：一台设备下线后的质检，以前需要40分钟人工检查，现在通过摄像头和大模型，几分钟完成。

他直言制造业数字化AI的困难。数据基础薄弱是第一道坎。互联网公司天生就是数据驱动，制造企业很多流程还停留在纸质或Excel阶段，数据质量参差不齐。物理世界的复杂性是第二道坎。从一块钢板到一台挖掘机，涉及九大工艺环节，每个环节都与物理设备深度绑定，传感器采集、实时反馈、设备联网，这些都需要大量投入。

访谈中有个细节值得注意。许国强谈到，三一集团在2022年十一期间组织全员学习DAMA（数据管理知识体系），目的是统一话术——什么是主数据、什么是参考数据、数据模型怎么定义。这看起来是技术培训，本质上是组织变革。因为数据治理不仅是IT部门的事，也是业务部门的事。研发管物料的一部分属性，采购管另一部分，如果概念不统一，系统再先进也没用。

安全合规是另一个容易被忽视的问题。三一的设备遍布全球，不同国家对数据采集、存储、使用的法规完全不同。沙特要求设备数据必须本地存储，美国港口禁止使用中国设备，原因就是担心数据泄露。所以三一启动了"一国一策"项目，每个海外项目立项时都要通过数据隐私合规评审。这不是技术问题，是法律问题、政治问题。

对于IT人的焦虑，许国强的回答很现实。他承认开发人员会大幅减少，因为辅助编程工具越来越强。他自己在今年2月有个触动：需要做项目评估，以前要写代码处理数据，现在用大模型生成Python代码，几分钟搞定，而且质量很好。但他认为这不是坏事，是倒逼IT人升级。升级的方向只有一个：与业务融合。

他反复强调一个观点：IT人员不能只是技术提供者，要成为价值创造者。什么是价值？能量化的业务成果。不是上线了多少系统、写了多少代码、解决了多少bug，而是合同审核效率提升了多少、生产良品率提升了多少、成本下降了多少。做不到这一点，IT部门就只能是成本中心。

访谈持续了两个小时，涉及的话题很多：数据治理怎么做、AI项目怎么落地、短期收益和长期价值怎么平衡、新员工怎么招、现有员工怎么培养。但核心就一句话：AI时代，IT人要么与业务深度绑定创造价值，要么被AI替代。

这不是危言耸听，是正在发生的事。

三一集团今年校招已经取消了"软件开发工程师"岗位，改成"AI工程师"。职称评定增加了AI知识考试，不通过就没有申报资格。组织在变，岗位在变，评价标准在变。

许国强的分享没有太多宏大叙事，更多是具体问题的具体解法。但这些解法背后，是一个千亿级制造企业在AI时代的真实探索，也是一个从业18年的IT人对行业变化的冷静判断。

许国强，图片源于网络，经Sora风格化处理

以下是部分访谈实录，经润色处理：

主持人： 传统企业搞数字化转型，基础设施可能做得不够好，数据也没梳理清楚，又要投入很多钱买硬件、网络设备，但投入很多钱又不能马上见到价值。所以很多时候IT部门被认为是成本中心。怎样让IT的价值能够被企业高层或业务部门看得见？

许国强： 这是个非常现实的问题。不仅是制造企业，任何企业的数字化价值都过于隐性。首先要把隐性价值做到显性，显性的方式就是量化。

以前说数字化带来效率提升、成本下降，很多时候很难量化。特别是把业务搬到线上，业务人员可能觉得工作量增加了，效率更慢了。但我们要考虑短期价值与长期价值的衡量关系。

我在阿里的时候，阿里作为互联网原生企业，把IT团队定义为业务中心，不是成本中心。每个团队都能创造业务价值。我一直给团队灌输这种理念：数字化团队一定能创造业务价值。如果不能与业务一起把价值量化出来，那就是IT部门没有做到位。

你的衡量标准不能是上线了多少系统、开发了多少代码、解决了多少问题，那样肯定会变成成本中心。与业务共建的时候，做的任何项目、任何产品，都要面向价值导向。

现在AI时代更好了。以前是信息化，把业务搬到线上，容易搞成两张皮。现在全员都在思考AI能带来什么帮助，IT与业务一起从技术上赋能。业务想出来的价值肯定不是实现什么功能，而是对业务带来什么价值——比如合同审核效率提升了、生产过程中良品率提升了、问题被发现了。

比如我们有个场景，以前需要40分钟检查整机外观，现在通过摄像头和大模型，几分钟就能检查出来。这时业务就能切身感受到IT与业务的结合，不会把你当成成本中心。因为我们做的效率提升、成本下降、模式创新，都有量化的经济价值来衡量。

简单说就是：千万不要以上线产品数、功能数作为衡量价值的产出，一定要与业务共同看业务价值来衡量。

制造业的数字化AI转型也面临很多挑战。

主持人： 在工作中有没有使用AI的经历，可以分享一些具体案例吗？

许国强： 分两个层面分享。第一是在企业里，我们在各个领域全员提出了1000多个想法，在一些场景上落地了。

比如售后服务场景。三一是集团型企业，有多个事业部——挖机、起重机等，每个事业部的产品不同，服务人员需要的技能也不一样。现在通过拍照，能够快速从设计、制造、以前的服务案例中检索到问题在哪里，快速诊断，甚至从产品说明中找到维修方法。这样对服务人员的专业能力要求越来越低，把更多专业知识沉淀到知识库里，通过大模型快速挖掘出来。

制造型企业一直以来最大的问题就是老师傅的知识经验没法传承。隐性知识要显性化。老师傅几十年的制造经验、诊断经验很难传承，现在刚好能运用起来。

还有外观检测。车生产完后需要检测外观，以前要人拿着清单一个个看，现在通过摄像头，车开过去就拍下来了，快速就能诊断出来。

我个人来说，在华为的时候就开始研究AI能力，包括GPT2.0时代。但那时只是研究没什么用。今年DeepSeek出来后，我发现已经离不开它了。我的任何方案，包括今天这种交流，都会用DeepSeek帮我看一看，任何方案都让它帮我诊断一下。所以今年过年回来后，差不多一周时间就把DeepSeek私有化部署起来，快速用起来。

主持人： 在引进AI技术到研发、供应链管理或其他核心业务环节时，遇到的最大阻碍是什么？怎么克服的？

许国强： 不仅是AI项目，数字化项目在制造企业面临的基础比较薄弱。我们要解决数据治理、业务在线的问题。

三一现在有两项重要工作：AI是一个，还有一个是业务数据实时反馈。任何项目推进，首先要保证业务在线，同时保证业务执行过程实时反馈。这是基础。

第二个问题是，做项目时很容易把价值目标识别不出来。感觉这个东西要做，做了后对体验可能有提升，但很难量化。

传统企业经常遇到的困惑是：大家很难把价值讲清楚，或者量化出来。以前强调建设，不强调运营，现在要把价值体现在运营期。项目在运营期价值体现出来了，这个项目才能结项。

所以结项时在立项时就要想清楚，项目的价值是什么。以前立项时大家都想功能——这个功能也要、那个功能也要，变成大而全。实际用起来时，有些功能可能一年也没用过几次。

立项时就要想清楚：这个功能对业务带来什么帮助？不是说有这个功能可以用，而是用了后，对某个业务价值一定带来改善。

还有一点，要快速取得成绩。不能传统瀑布式开发搞一年，到年底项目风险已经很大了。一年累积下来的风险，项目组很难主动暴露，到一年后已经积重难返，无法快速调整。

所以过程中要做好管控。比如一年的项目，第一个月、第二个月一定要取得阶段性成绩。这个成绩既能鼓舞团队士气，让成员有成就感，也能为项目建立良好基础。

项目立项初期很重要，要把目标、价值想清楚。过程中要短期内快速出成绩，不断叠加，形成整个项目成功的结果。

主持人： 有些项目短期内能看到收益，有些项目是基础设施建设或长期价值的，比如数据治理，很漫长很难见效。在AI转型、数字化转型中如何平衡短期利益与长期价值的冲突？

许国强： 问题挺有意思。IT要建设一大堆东西。业务说我只要个录入系统，你结果搞一堆主数据、合规这些，他很难理解。我们要分解，短期的时候理解成业务指标，长期的是能力建设。

举例说，我做设备数据平台，业务要的是看到设备施工情况这个应用。我要构建的能力是什么？从设备采集，通过大量传输，构建数据平台，建ODS层、DM层、中间层等等。

业务说为什么搞这么大开发工作量？我们把短期和长期理解清楚。当然要建一套体系，有新需求过来时，ODS、DM层、中间层可以直接满足。这是我们在认知上要理解的。

短期看，要看设备运行情况。长期看，要构建什么？把数据存下来，基于丰富数据集做预测——设备诊断预测、故障预测。这些预测能力建立在大量数据沉淀基础上。

短期效益是业务现在最关心的，业务目标能否快速实现。长期是累积对业务模式本身变化，对IT体系能力能否沉淀。关注点不一样，但并不冲突。IT人员与业务人员沟通经常对不上，各说各话，导致好像是对立的，但方向其实一样。

所有项目开始时，要快速构建成绩。一两个月就应该满足业务某个需求。通过不断累积小的胜利，让他觉得跟你一起合作是有可为的。你不能搞半年，人家哪有耐心等你？

短期收益一定要满足。不仅满足业务人员，IT人员也要满足。现在社会节奏这么快，一个项目不能以几个月为单位看成绩，绝对不允许。

长期来看，一定要想清楚：体系能力怎么建？积累大量数据后，带来的新模式创新会达到什么样。这要与业务人员一起共建。

要用短期成果养长期建设，用长期建设托起短期成果，两者相辅相成。把大项目拆分成小项目、各个阶段闭环，快速敏捷打胜仗。

主持人： 数据合规性和安全性非常重要。数据治理、安全这些工作比较辛苦，搞得好可能没啥事，搞不好就要背锅。您怎么看待数据和安全性？

许国强： 我以前在互联网公司，互联网早期对数据隐私不太重视。后来去华为、来三一，我觉得数据问题非常重要，特别是数据治理确实是非常辛苦的活。

我们在2022年十一期间，全集团做了个很大的活动——学《DAMA》。DAMA是一本数据治理的工具书，对数据治理的基本概念、方法论做了详细说明。我们全员学习，在集团层面统一话术：什么叫主数据、参考数据、数据模型。所有人在话术上全部统一，都要理解这些基础概念。

因为数据治理不是技术人员能治好的，它是业务概念。数据来自业务过程，需要业务人员参与制定数据规则。所以必须在概念上保持一致。

比如物料数据，研发管一部分，采购管一部分。大家要知道这种分工是合理的。这些基本概念对齐后，从上到下的认知拉齐了，大家对这个工作做完后还是很认可。这是第一点。

第二点，数据治理不是以治为治，是以用促治。我们做一些应用场景，比如经营看板，要从经营看板反推业务流程，把相关数据采集做好、数据质量提升。

现在面向AI时代，需要大量样本构建。比如服务案例，这是知识，治理好后给到服务助手应用。以用促建的方式，至少有目标感，目标清晰，用了有成就感，价值也能体现。不是简单做基础工作，做一年下来，大家觉得除了没出事，出了事往死里打。这样对积极性有损害。很多企业数据治理人员流失率非常高，都不愿意做这个事。

所以我们以用促建的方式，大家从上到下形成共同认知。

关于安全合规，三一尤为重视。我们业务在海外对全球化过程中的法律合规风险非常重视。

我们启动了"一国一策"项目。以前可能一个大区有统一要求，比如欧洲有GDPR要求。我们是一国一策，比如沙特的要求不一样，设备数据要首先落在本地、落在沙特。所以我们把核心重点国家的法律法规对信息化建设、数据存放使用要求，都落实到系统里。任何海外项目立项时，都有专门的数据隐私合规评审。

主持人： 很多传统IT在这方面比较薄弱，能多分享点经验吗？

许国强： 第一点，在项目立项时就要识别清楚、暴露清楚。否则到过程中，像牛鞭效应一样，纠正代价非常大。

立项时有checklist，涉及产品架构、网络方式、存储方式、是否涉及隐私数据。因为很多国家对个人隐私数据失衡很重视，企业里会经常遇到，比如CRM系统涉及客户个人信息。是否涉及个人隐私数据，每个国家都有对应标准，用清单方式管理。立项时一定要说清楚。

第二点，三一还有个特殊情况：物理设备。不像互联网没有物理束缚。了解三一的朋友应该知道"挖掘机指数"——中央财经定期公布，反映宏观经济。这个数据从每个设备上采集。

这个数据敏不敏感？在国内可能没感觉。去年美国港口设施就不允许用中国设备，因为如果我们设备出口到美国、采集数据，实际上可以获取他们港口的基本信息。

所以对每个国家，根据法律法规政策要求，评估要不要上黑盒子、能不能采集数据。就算法律允许采集，也需要获得用户授权。

数据有几个概念要注意：你是数据拥有者还是处理者。对设备来说，三一不是数据所有者，只是处理者，数据所有者属于客户。

如果做出海，最基本的概念一定要理顺，在项目、日常运作中都要应用、关注，特别是个人数据。

主持人： IT人在职业生涯中会遇到技术瓶颈或价值迷茫，您以前有没有遇到过？怎么突破的？

许国强： 我最早学数学，第一份工作做IT开发。10年左右开始做数据分析、数据挖掘、算法。当时也是一种转型。

做IT开发，很多时候变成填代码，没有创造性。当时就有技术焦虑。所以开始转数据挖掘、数据分析。来三一之前，我在华为的一个实验室当主任，实验室是基于算法应用的团队。在那里主要想尝试AI与业务怎么结合。

来三一后，我开始向管理角度发展，更主要是从集团业务战略分解到数字化，如何支撑战略。

这种迷茫肯定有，来自技术焦虑。大模型来了，大部分人肯定有焦虑。这个焦虑来自于我们对开发人员的评估价值体系，与以前的理解不一样了。特别是开发团队，像Copilot这种辅助编程工具，越来越多可以替代编码工作。很多CIO跟我聊过，他们给我的概念是：开发人员肯定会大幅度下降。

我2月份有个很大的触动。当时要做项目评估，需要对材料进行整理。以前写代码可能需要一个结构去抽取，后面用大模型快速生成了Python代码，我一看基本不知道怎么改了，写得确实很好。这时我也有焦虑：开发人员到底如何转型？

所以我反复强调业务价值与业务理解、价值追求。IT人员可以做更多事情。

第一，IT与业务的边界关系应该逐渐模糊，不能形成独立的两条线。对业务了解的IT人员对业务非常有帮助，因为你有数字化思维、技术思维、AI协同思维。

第二，就算在IT体系里继续做，除了成本优化、效率提升，还有模式创新。我们很多数字化工作是支撑现有业务运行，但未来应该通过AI、通过数字化创新新的业务出来。

比如三一的采购系统，传统IT体系只是把采购流程做好、做在线、体验好。但有没有想过把这个平台往产业链协同做，跟产业上下游一起做？这本身就可能带来价值创造、新模式变化。

IT人员千万不要沉溺于技术，应该了解业务、了解新模式。IT人员的薪酬成本很高，这么高的薪酬，如果数字化真正能够引领公司业务、带来模式创新，你的价值才能得到充分释放。

主持人： AI时代到来后，对未来IT行业人才需求会有哪些变化？我们应该怎样提前布局？

许国强： 这个问题我们部门已经开始操作了。对人员来说分两部分。

第一部分是新员工，特别是应届生。我们今年启动校招时就已经调整了。以前叫"软件开发工程师"，现在招聘里已经没体现了，我们叫"AI工程师"。

同时我们强化了业务侧人员招聘。你要理解业务，我们需要业务背景的人员——分析师也要加进来，不仅仅是开发。所以把开发工程师定义成AI工程师，不仅招技术的，要招偏业务理解的。因为以后AI或数字化只是工具，你要快速适应，要对业务有判断力，不然连提示词工程都不知道怎么做。

对我们现有员工，三一数字化体系每年做职称评定。今年我加了准入条件：由AI执行小组出题，考AI发展和技术知识。考试通过了，才有申报资格。

所有人才能力建设，一定围绕AI、围绕业务这两个维度。刚才提到的T型人才模型很重要——业务、IT、AI结合。但我更关注业务场景能力和AI应用能力。

当然不是所有人，有的人确实适合专门做技术深入研究，这部分人可能也不排除。但对大部分人来说，应该把AI应用能力与业务场景能力锻炼起来。

主持人： 对AI应用能力是硬技能，但在职场上，软技能也非常重要——怎么跟业务部门沟通、理解需求、做协调。这对IT人也是蛮大的挑战。

许国强： 我们搞IT时间比较长，以前习惯敲代码：你告诉我需求，我帮你实现，你就不要烦我。你的业务我也不想了解，把需求说明文档写清楚，我帮你实现。未来千万不能变成这样。

这是过渡阶段。当时我自己要选择不再做纯开发，而偏向算法、偏向业务，也是这个想法。一定要对业务有热情，不是被迫了解业务的。我们数字化是干什么的？是要与业务服务、与业务一起共建。说得高一点，数字化是为了公司业务实现共同共创的，不是简单交付的定位。

IT人员有个很重要能力：要想办法把老师傅头脑里的隐性知识显性化。这也很重要，因为AI训练需要业务流程规则。老师傅经验是训练大模型、训练智能体好不好的关键。

IT人员千万不要自我催眠，认为来个需求我做了、交付了，工作就做到位了。这种想法我一直跟团队讲不要有。就算没有AI来临，这样也容易被淘汰。这种变化不是AI给我们带来压力，而是我们本身给自己加了思维禁锢，认为我是这样的。其实它不符合组织对IT人员的要求，不是现在的新命题，是传统命题。

主持人： AI技术在企业广泛应用后，会出现新兴岗位。新兴岗位跟传统IT岗位之间应该怎样协同合作，构建更高效的工作模式？

许国强： 我认为新岗位衍生不是凭空出现的，现在这些人本身就可以转型。我就这么说。

首先，IT人员一定是企业里最聪明的一拨人，至少智商是最高的。这一点我一直这么认为。今天接触的企业比较多，我觉得IT人员确实如此。情商可能营销人员高一点，但智商IT人员一定很强。

现在衍生出来的AI工程师、AI训练师等等，还是技术范畴为主。了解业务后，有很好技术背景去做，比其他岗位做得更好。这是天然优势。这是第二点。

第三点，这个问题不是AI时代带来的挑战，而是如果你想职业生涯走得更远，本身就应该拥抱业务。当然极个别要往技术底层钻，一定是非常少量的情况。

特别现在，大家也看得清楚，去年还有大量企业做基础模型训练，现在基本都放弃了，都做应用、推动。做微调可以，做RAG可以，做AI工程，不需要在很深场景下再去做。

当然技术一定要重要，我们需要一拨人深入钻研，这种人我在团队里非常重视。但对他们来说，就算没有AI，也要拥抱业务，一定要与业务结合，职业走向发展才会更顺畅。

主持人： 对于AI浪潮下比较迷茫的IT打工人，您有什么建议？

许国强：一定要深入业务。在IT管理上，IT很重要的要素是要承接集团、公司组织的战略使命，对这个事进行分解。你对战略理解，对业务战略要保持一致，一定要保持一致。

现在所有企业战略里离不开数字化。数字化不仅仅是工具，同时是一种思维方式。我从集团角度要与集团保持一致。下面同事做商务领域的、营销领域的，就要与营销业务战略保持一致。这是很重要的锻炼机会。

我一直认为IT人员比业务人员更有机会学会管理。因为跨部门交流时，你能不能管理他情绪，能不能从他那里得到真实需求，能不能让他结构化表达工作要求，这就是对你能力的锻炼。很多人放弃了这样的机会。

这实际上是对管理基础的训练。IT人员有很好的机会，但很多人主动放弃了。这是第一点。

第二点，每个团队往上走的，一定是主动积极。特别在我们领域，还要加上前瞻性、开放能力都很重要。

我团队里你的想法、前瞻性——能不能天马行空想问题，我看中这种品质。你有宏观视角，敢冲敢打，这些人才能从企业里冒上来成为管理者。与业务结合是锻炼基础能力的很重要机会。共情能力等等，作为管理者必须具备这些能力。

主持人： 对于未来IT人的价值定位，应该怎样展望？

许国强： 千万不能把自己定位成技术提供者，否则路可能会越走越窄。当然也需要一些人在技术上深入钻研，但我们大量IT从业者，在职业发展过程中，方向绝对不是大部分人往窄的方向走，而是要与业务结合。

前段时间看到一个观点：IT团队未来应该变成什么样的组织？IT组织应该变成HR组织。

为什么这么说？现在我们把大模型作为参谋，未来是碳基生命与硅基生命的结合——数字员工。我的采购、人力资源、财务岗位，大部分可能都会用到数字人。IT人员是干什么？训练这样的数字人出来。所以要变成第二个HR团队。

技术有纵深的深度，业务有宽度，AI要协同。这样T型的人才模型很重要。业务人员和IT人员之间的界限应该越来越模糊。非常专业的还是需要做专业的，但业务人员可以来IT团队任职，IT团队人员要去业务任职，带来新的观点、新的碰撞，对企业更加有利。

（完）