第一次上圆桌，我聊了聊企业做AI落地这件事

昨天参加了一场苏州本地的 AI 应用峰会，这是我第一次受邀上圆桌。

不紧张那是假的，毕竟台下坐的都是各行各业的企业家。

但还好，讲的是自己每天都在折腾的事，慢慢就放松了。

下面是我当时分享的内容，也想同步到公众号上，算是一些关于企业 AI 落地的浅识，和大家一起交流。

一、企业在 AI 方面有哪些探索？

说实话，我们刚开始也是到处试、到处踩坑。

但最后发现，真正能跑通、能稳定用下去的，其实还是最基础的场景——知识库问答。

大家可能听腻了，但现实就是：越朴素的场景，越容易落地。

此外，我这边负责产品研发，在日常工作中也摸索出一些小而实用的 AI 用法。

比如，新需求来了，我会让 AI 基于过去的测试用例，结合内部已归档的数据，自动生成新的测试用例。

再比如，结合历史项目经验和团队配置，让 AI 帮我做工时估算。

这些小动作，说大不大，但确实能帮我们团队省下不少时间。

从业务上看，我们做的是流程行业的 PLM 系统。

去年我们研发了一个“AI 配方推荐”功能——用户输入产品性能参数，系统就能自动推荐配方，帮企业减少实验周期和成本。

现在这个功能已经在西南的一家灯塔工厂上线使用。

二、AI 落地过程中遇到了哪些挑战？

最大的难点，其实不是技术，而是场景。

很多事不是AI做不到，而是场景没找准、数据乱、流程没打通、人也没准备好。

第一个坑就是——数据不规范。

以前我们的内部文档虽然很多，但缺乏语义标签，AI根本“看不懂”。像测试用例，如果没有特征标注，模型就完全没法利用。

后来我们花了大量时间做数据清洗和语义标注，才让模型真正理解业务语境。

第二个问题是——数据太少。这是做垂类模型最致命的痛点。

我们做配方推荐的时候，企业内部的配方数据量是非常有限的。怎么办？

后来想到一个办法：把企业内部数据和公开文献结合，用大模型去理解文献中的实验逻辑，比如材料配比、工艺参数这些，再做仿真性的数据扩充。

当然，我们也会做回测和误差验证，确保这些扩充数据是“靠谱”的。这样一来，既补足了数据，也提升了模型泛化能力。

三、有哪些 AI 落地的启发？

这两年 Agent 很火，大模型的能力也越来越强。

但我个人认为，对制造业企业来说，更重要的其实是 workflow（工作流）。

AI 是工具，不是主角。

我们要先把自动化的基础打好，让 AI 成为流程里的一环——
比如内容生成、OCR、智能决策、知识检索这些它擅长的环节。

AI 接手这些重复性任务，才能真正释放生产力。

另外，大部分企业预算有限，跑的还是小参数模型。在这种体量下，与其追Agent，不如先让AI稳定融入业务流。

我更倾向于“工程化优先”，先搭好流程框架，再考虑智能叠加。这样落地速度更快，也更容易持续迭代。

四、AI应用，未来两年的思考与期待

未来一到两年，我更期待看到“模型越强，企业越强”，而不是“模型越强，企业越慌”。

模型能否真正帮到企业，关键还是在于——有没有优质、独属于企业自己的上下文。

这些上下文，其实就是企业的培训体系、研发文档、产品规范，这些都决定了模型能学到多少“业务真相”。

所以我特别建议企业趁早去做结构化积累：
哪怕只是规范测试文档、整理项目经验、标准化报告格式，都是在为未来的大模型打地基。

当然，模型也不是万能的。
上下文长度、注意力稀释这些问题短期内都还存在。

所以接下来我们要做的，是用工程化手段去弥补这些缺陷——
比如上下文压缩、RAG增强检索、动态拼接提示词、工具调用这些方式。

再比如前段时间推出的“Claude Skill”——
它把每个任务都封装成独立的 skill，里面包含提示词、工具和操作指令。

最后，总结一句话：

未来两年，AI 应用的竞争，更多会体现在“谁能把模型工程化”。
模型只是引擎，数据是燃料，流程是传动轴。
谁能把这三样打通，谁就能跑得更远。