ARTICLE · 1097336
AI走到今天,该给制造业一个答案了
2026云栖大会期间，灵核数智创始人陈弘旋与知名财经作家吴晓波、阿里云制造行业高级解决方案架构师陈浩、青岛张氏力拓精密机械有限公司总经理张焕鑫共同参加了云栖大会Live特别节目——《新⽣代企业家的智能突围》，围绕AI生产力、制造业AI落地与企业组织变化等话题展开对谈，以下为对谈纪要。
（灵核数智创始人陈弘旋与财经作家吴晓波等人在直播现场）
今年第五次参加云栖大会的吴晓波，感受到一个明显变化：过去几年，大会更多围绕开发者、模型、算力等技术议题展开；到了今年，ToB场景被明显放大，大量产业应用开始出现。AI和制造业这“两股力量已经发生了交集”，并开始形成真实的生产力。
过去，人们习惯从技术角度讨论AI：模型又多了什么能力，Agent还能完成什么任务。但当AI真正进入工厂、供应链和企业经营，问题开始反过来：制造业到底需要AI解决什么？
这场对谈中，几位嘉宾使用的并不是同一种场景语言。阿里云谈系统、权限、责任和ROI；制造企业谈库存、停机和不良率；灵核谈经营目标、业务经验和具体工作。但这些不同的场景语言却指向了同一个变化：当AI开始进入真实产业，产业也开始按照自己的问题和规则，重新定义AI的价值。
01
从AI能做什么到制造业需要AI做什么
过去几年，AI首先经历的是技术能力的快速增长。陈弘旋连续两年参加云栖大会，他感受到的一个变化是：底层技术与产业应用者之间的距离正在缩短。随着模型、算力和基础设施不断成熟，制造企业不再需要从底层重新搭建一整套AI能力。
但技术供给越来越丰富，企业的问题反而变得更具体。陈浩在现场把企业AI应用分成了三个层次：知识检索、文档处理、办公辅助等场景可以积极使用；涉及ERP、MES等跨系统操作，需要在权限审批、异常监管逐步到位后推广；生产安全、资金支付等高风险自主决策则仍需谨慎。他同时提醒到：企业不必一味追求更强、更新的模型，而应从高频、低风险、可快速验证的场景开始，让实际效果决定后续投入。
到了制造企业这一端，评价标准更加直接。张焕鑫分享企业AI实践时，谈到的是库存周转、非计划停机、不良率等指标。他提到，近半年使用AI工具分析ERP、MES中的数据后，部分指标相较此前改善约7%—8%。相比之下，该企业在此前投入一两百万元建设“炫酷大屏”，最后却成为他口中“含泪走过的教训”。
从“大屏”到具体经营指标，制造企业评价技术的尺度已经发生变化。企业不仅要看AI能不能完成任务，还要看它能不能进入原有业务、异常如何处理、投入之后带来了什么变化。
陈弘旋在现场提到，AI在制造业中的应用，“最重要的是真正能够赋能它的经营，体现到最后是它的经营报表上”。灵核实践中的GSA（Goal-Signal-Action），也是从经营目标出发，再找到影响目标的信号和具体行动。吴晓波也提醒，并不存在“买一套方案就叫AI化”这回事，最终还是要回到业务基本面，回到资产负债表、现金流表，问AI到底能帮什么。
从这个角度看，AI与制造业的关系正在发生一次转换：过去更多是技术告诉产业“我能做什么”；现在，产业开始告诉AI“我需要你做什么”。
（陈弘旋在直播间现场介绍GSA理论）
02
AI越深入制造业，越会遇到数据外的经验判断
过去谈产业AI，一个常见判断是企业首先要有数据。但制造业AI越往深处走，就越会发现：仅有数据还不够。真正决定一家企业如何处理非标准问题的，往往是数据背后的经验和判断。
一个订单出现异常应该怎么处理、一个客户突然停止下单意味着什么、一次质量波动应该先排查哪里——这些问题不一定存在可以直接从数据库里调出来的标准答案。
吴晓波在对谈中提到，一些在垂直行业深耕20年、30年的软件和产业服务企业，因为长期积累了大量数据和Know-how，在AI时代重新获得了价值。过去难以格式化的技能和经验，也开始有机会被AI重新利用。
陈弘旋把企业内部的资产分为四类：信息、数据、知识和经验。信息和数据可以进入系统，一部分知识和经验可以写进SOP、操作手册，但真正到了工作现场，仍然有大量判断依赖人。这些判断过去很难被完整写进软件，也很难从一个优秀员工完整复制给另一个人。
灵核实践中的“AI下单员”就是一个例子。最开始，它从邮件、业务系统、群聊中获取订单，识别不同客户的编码和格式，再按照企业内部规则转成内部订单。但随着它持续参与业务，遇到的问题开始超出标准流程：客户是不是下错了订单？一个过去持续下单的客户为什么突然没有订单？内部连续出现的错误，是不是已经开始影响客户信任？
这些问题仍然需要人的判断。AI带来的改变在于：过去一次工作完成后，很多新的判断依然留在人身上；现在，它们有机会继续沉淀下来，在下一次类似情况出现时被重新使用。陈弘旋把这种变化概括为：“过去企业叫效率容器，现在是判断容器。”
AI进入制造业越深，真正需要理解的就越不只是数据，还有产业长期运行形成的经验。AI带来的新可能，是让工作不仅产生结果，也让工作过程中产生的新判断，继续成为下一次工作的经验。
（陈弘旋在现场讲到企业已从“效率容器”转变为“判断容器”）
03
最懂业务的人也要进入AI建设
既然经验与判断仍在现场，接下来的问题就是：谁来把这些经验变成AI能用的能力？
陈弘旋把组织放在AI Agent进入工业场景的几道鸿沟之首；吴晓波则把当前最大的挑战概括为“认知鸿沟”。两种判断都把问题指向了技术之外：当AI真正进入企业，组织和人的认知能不能跟上，同样决定落地的深度。
真正知道一个岗位每天怎么工作、什么情况算异常、什么结果才算对的人，仍然在业务现场。但要真正完成AI落地，还需要人来理解技术、工具和数据，同时能够理解和拆解业务。中国制造行业多、业务复杂，要找到同时具备这些能力的复合型人才并不容易。
这也是过去企业数字化建设长期存在的一道鸿沟：最懂业务的人，往往不是建设系统的人；建设系统的人，也很难理解企业里的每一个岗位。
随着模型、Agent和相关工具逐渐成熟，一部分技术复杂度可以进一步由产品承担。陈弘旋在谈到FDE时提到，在制造业场景中，FDE不应只被理解为一个技术岗位，而可以视为一种企业业务专家与AI技术团队共同建设AI生产力的机制，也就是“AI FDE”。灵核正在把对技术的理解、工具选型等能力进一步产品化、Agent化，希望真正把找业务这件事情还给企业的业务人员。
在灵核的AI FDE实践中，企业最懂业务的人提供真实的任务、规则、异常和判断，技术侧降低AI建设的门槛。过去更多是技术团队建设系统，业务人员学习怎么使用；现在，业务人员开始参与定义AI应该做什么、怎么做，以及什么才算做好。他们不再只是AI的使用者，也开始成为企业AI能力的共同建设者。
最终，一家企业真正形成的AI能力，不只是它采购了什么模型、部署了多少Agent，而是能不能把自己的业务问题、产业经验和组织能力，持续转化成AI能够使用的能力。
（吴晓波在现场提到企业中的“认知鸿沟”）
04
AI越深入产业，越需要理解制造业本身
回看这场对谈，大家谈论的对象始终是AI，但越往后谈，制造业出现的频率越来越多：从模型和基础设施，到系统、权限和ROI；从生产指标，到业务经验和人的判断；最后又回到谁来参与AI建设。
这并不是AI变得不重要了。恰恰是因为AI开始真正进入产业，制造业自身的运行规律才变得越来越重要：技术决定AI能够走多远，产业本身的底层逻辑决定AI最终往哪里走。
对于中国制造而言，这一轮AI也并不是从零开始。过去几十年形成的产业体系、供应链能力，以及沉淀在企业和产业人身上的Know-how，都是AI真正进入制造业之后可以进一步放大的基础。陈弘旋在最后谈到，希望成为“顺势而为的一代”：站在上一代制造企业家积累的基础上，借助新的技术，把过去形成的经验和优势继续放大。
对灵核而言，“从制造中来，回到制造当中去”，正是希望参与这个过程：与最懂业务的人一起，让AI真正成为企业自身的生产力，助力中国制造持续伟大。
