营销协会两天企业参访与思想交流：重新理解技术、组织与增长（新华三/精工钢构/精工科技/会稽山）

引言：技术变化越快，越需要想清楚企业为什么而变

两天参访，横跨信息技术、高端装备、建筑工程与传统消费品行业，也串联起企业家、科学家和管理学者对AI的不同判断。新华三展示了算力、网络与智能基础设施的协同价值；精工钢构讲述了复杂工程背后的技术创新；精工科技呈现出长期工艺积累和高端装备研发的分量；会稽山则让人看到，传统酿造工艺如何与数字化生产、产品溯源及品牌经营并行发展。

这些企业的规模、资源禀赋与商业模式并不相同，也不能简单地被归纳为某一种"AI转型模板"。但把它们放在一起观察，会发现一个值得传统企业经营者思考的问题：当技术正在降低知识获取、信息处理和部分任务执行的成本时，企业过去积累的哪些能力值得保留，又有哪些组织方式值得重新设计？

对这一问题，过分乐观与过分保守都可能误导决策。把AI视为万能解药，容易忽视投入回报和组织承受能力；只把AI看作写文案、做报表的工具，则可能低估其对业务流程和管理机制的长期影响。

本文的基本判断是：AI可能扩大企业的能力边界，但能否转化为经营成果，仍取决于业务场景、数据基础、组织协同、治理机制和长期积累。传统企业需要改变的是部分工作方式与能力配置；需要坚守的，是客户价值、专业品质、商业理性和责任边界。

一、从"使用AI"到"创造经营价值"：企业仍有一段路要走

人工智能进入企业的速度很快，但普及程度与经营成效应当区别观察。

斯坦福大学《2026年人工智能指数报告》在经济篇中引用的相关调查显示，2025年约88%的受访者表示，其所在组织已在至少一项业务职能中使用AI。该数据来自麦肯锡2025年6月25日至7月29日开展的全球调查，包含来自105个国家和地区的1,993名受访者；它反映的是受访者对所在组织使用情况的自我报告，并非对所有企业实际部署水平的普查。麦肯锡同期调查还显示，只有少数受访者认为AI已在所在组织实现全面规模化应用。

数据说明AI正在迅速进入企业，但无法直接证明AI已经普遍带来了显著的利润改善。员工使用AI整理会议纪要，与企业将AI嵌入客户响应、生产排程或供应链决策，是两种不同深度的应用。

例如，销售人员用大模型生成方案，能够节省初稿撰写时间；但如果客户资料散落在CRM、邮件、即时通信和个人笔记中，方案仍可能缺乏准确的价格、交期与项目背景。如果AI的输出还需要多轮手工核对，最终净收益可能小于最初预期。

💡 判断企业AI成熟度，不宜只看账号数量、使用频率或智能体数量，更应观察三个层面：一项任务是否完成得更好；一个跨岗位流程是否运转得更顺畅；企业的客户价值、成本结构或增长能力是否因此发生可验证的改善。

这也意味着，下一阶段的竞争不只是模型和技术的竞争，还会更加体现为技术、组织与经营能力共同演进的竞争。对于不同规模、不同行业的企业，这一进程可能快慢不一，路径也不必相同。

二、四类参访案例：值得学习的是能力形成的机制，而非照搬结果

🔵 1. 新华三：系统协同能力的重要性正在上升

新华三公开介绍的AI基础设施方案覆盖"算、网、存、云、安、维"等环节，强调算力调度、网络连接、数据存储、安全与运维之间的协同。这提醒我们，一项技术要在复杂业务中稳定运行，往往不仅取决于单一模型或设备的性能，也取决于底层系统能否协调工作。

制造企业同样如此。再优秀的销售团队，如果无法及时获取库存、生产能力和交付进度，也可能在客户响应上受限；再先进的设备，如果质量、采购与计划数据无法有效联动，整体效率仍未必提高。

对大型集团而言，系统协同可能涉及统一架构、主数据治理与跨区域管理；对中小企业而言，更现实的起点可能是打通少数关键系统、明确业务数据口径，并利用可控的模块化服务。新华三的启示是重视系统集成与工程化能力，而不是要求所有企业都自建算力中心或复制大型科技公司的投入方式。

🟢 2. 精工钢构：创新首先来自对真实问题的理解

精工钢构参与国家体育场"鸟巢"钢结构工程。在面对大型弯扭构件加工难题时，相关技术团队与高校协作，探索并应用了数字化无模成型技术。这一案例的意义，在于企业没有把既有加工方法视为不可改变的前提，而是围绕工程问题寻找新的技术组合。

这与今天企业应用AI的逻辑有相通之处：从业务难题出发，理解限制条件，再选择合适技术。AI可以在资料检索、方案比较、设计辅助、知识复用等环节帮助工程师，但其输出仍需要符合工程规范、试验验证和质量责任要求。AI的主要价值并非简单替代工程师，而是有机会减少部分资料整理、重复计算和常规分析工作，让专业人员把更多精力投入难题判断和创新。对存在严格安全要求的工程场景，人工复核和责任界定尤其不可省略。

🟣 3. 精工科技：专业工艺是制造企业的重要长期资产

精工科技公开展示的业务包括碳纤维原丝装备、碳化装备以及复合材料装备。高端材料制造离不开稳定的工艺控制、设备调试、质量检测与长期经验积累。设备之外，关键参数、异常处置方法、工艺改进记录与专家判断，同样构成竞争优势。

这给制造业带来一个现实问题：若部分经验仅保存在少数专家的头脑中，企业在扩产、人才更替或跨基地复制时就可能承受较高的学习成本。对工艺数据积累充分的企业而言，AI可以辅助知识检索、异常归因、工艺建议和培训，但前提是数据可信、记录完整，并由专业人员验证建议是否符合工艺约束。

这里需要区分参访事实与由此引出的管理推论：精工科技的高端装备布局是企业实践；利用AI沉淀工艺知识，是从该实践延伸出的可能路径，并非宣称其已实现上述全部AI应用。对工艺变化快、数据不连续的工厂，优先补齐设备采集、编码规范和现场记录，可能比直接部署大模型更有效。

🟡 4. 会稽山：传统工艺与新技术可以并行，但数字化不等于品牌成功

会稽山的价值首先来自黄酒酿造工艺、历史文化和长期形成的市场认知。其公开披露的实践则包括5G智慧工厂、生产过程数据采集、产品追溯以及基于区块链的数字酒庄探索。

这些探索说明，尊重传统并不必然意味着沿用全部传统管理方式。通过数字化记录与追溯，企业有机会提高过程透明度、改善质量管理，并在渠道和消费者沟通中形成新的服务方式。

但数字工具能否真正提升复购、品牌忠诚度或利润水平，还取决于产品力、消费趋势、渠道执行和持续运营，不能以"上线数字酒证"直接推导出"营销转型成功"。对资源有限的传统品牌来说，先解决质量追溯、库存可视化或会员运营中的具体问题，往往比同时推进多个概念性项目更稳妥。

四个案例共同提示我们：可借鉴的是发现问题、积累专业能力、推动跨部门协同和持续验证效果的方法，而不是将领先企业的规模、资源与结果视为所有企业可直接复制的标准答案。

三、传统企业值得优先推进的五类变化

变化一：从经验依赖走向可管理的组织知识

优秀销售人员能够判断客户的真实需求，资深工艺工程师熟悉设备与材料之间的细微关系，管理者凭借长期实践识别经营风险。这些经验是企业的重要资产，却也容易因人员流动、岗位分散而难以共享。

AI为知识整理和复用提供了新工具，但知识资产化并不是把所有文件上传到知识库。企业需要明确知识的责任人、适用范围、更新周期和验证规则，把技术规范、历史案例、专家经验与业务流程关联起来。未经确认的个人判断不能自动成为组织标准；过时的文档也不能因进入知识库就获得权威性。在条件成熟的领域，企业可以让新员工更快接触标准做法，让一线人员获得经过审核的专业建议——与培养少数优秀人才相比，这种方式更有机会扩大优质经验的使用范围。

变化二：从"人反复操作系统"走向"人机协作处理任务"

传统管理软件擅长记录交易、规范流程和控制权限，但员工常常需要在不同系统间查询、复制和核对数据。具备工具调用能力的AI智能体，有望减少部分重复操作，让员工以更自然的方式发起查询、草拟方案或处理低风险任务——销售人员有望减少在客户、库存、报价和合同系统间反复查询的时间；采购人员可以更快整合供应商信息与历史价格；管理者则可以通过自然语言获得经营数据的初步分析。

这些设想能否落地，依赖系统接口、业务权限、数据准确性与流程设计。涉及付款、重大合同承诺、产品放行、人身安全等高风险操作时，应采用适当的人工作业确认、权限分级和审计留痕。AI可以参与业务执行，但责任不能因为引入智能体而变得模糊。

变化三：从周期性汇报逐步走向更及时的经营感知

月报、周报和例会在企业管理中仍有价值，但对于交期异常、客户流失风险、库存波动等时间敏感的问题，信息传递过慢会增加经营损失。在数据采集较完善、口径较统一的场景中，AI有机会帮助识别异常、汇总原因并提出可供讨论的应对选项——例如提醒销售主管关注停滞商机，或将生产进度与订单承诺进行对比，识别潜在交付风险。

不过，"实时"并非所有企业当前都具备的条件。没有准确、及时的数据，AI生成的预警可能只是更快传播的错误信息。因此，经营感知能力应当随着数据成熟度逐步提升，先实现关键业务可视，再追求更自动化的预测与协调。管理的价值不仅在于掌握信息，更在于建立将可靠信息转化为及时行动的机制。

变化四：从固定岗位边界转向更灵活的人机分工

当部分标准化任务由AI辅助完成，岗位的工作内容和团队协作方式可能发生变化。销售方案经理可以得到技术知识助手的支持，质量工程师可以更快查阅历史异常案例，项目经理能够减少重复的信息汇总工作。

但任务效率提升不等于可以按照相同比例减少人员。岗位还承担沟通、复核、判断、协调与责任，人员削减也可能损害组织韧性。通常更稳妥的做法是先梳理任务与流程，再调整岗位职责、考核方式与培训内容，最后根据真实工作量和经营效果审慎配置人力资源。

尤其需要防止一种新的负担：员工除了完成原有工作，还要额外花大量时间修正AI结果、整理知识和补充数据。如果没有同步调整流程，所谓"智能化提效"可能变成"数字化加班"。

变化五：从局部节约成本扩展到审慎探索增长机会

降低重复劳动成本，是AI应用最容易理解的起点；更长远的机会，则可能来自专业能力扩散、客户响应改善、新产品开发与跨区域服务。例如，通过经审核的产品知识和多语言支持，中小企业可能更高效地服务外部市场；通过技术方案知识库，经验有限的销售人员可能更快组织复杂项目的初步方案。

相应收益能否兑现，还要看客户是否买单、团队是否真正采用、交付质量能否保持，以及新增收入能否覆盖软件、集成、运维和治理成本。因此，增长机会应作为值得验证的假设，而不应作为无需证明的投资结论。

四、技术可以更新，企业经营的五个原则仍值得坚守

1. 客户价值仍是判断技术投入的起点。客户并不直接为一家企业使用了多少AI工具付费，而是为可靠的质量、合理的成本、及时的交付以及更好的服务体验付费。AI项目若长期无法改善这些结果，其战略意义也需要重新评估。

2. 品质、安全与专业判断仍不可放松。无论是复杂钢结构工程、碳纤维装备还是食品生产，都存在明确的工艺、安全和质量边界。AI可以提高信息处理效率，却不能取代必要的试验、检验和行业规范。对于高风险场景，保持人工审查及可追溯的决策记录，是技术应用的前提之一。

3. 成本收益、现金流与资源约束依然存在。AI项目容易低估的支出包括数据清洗、系统集成、人员培训、模型调用、人工审核、持续维护和安全合规。即使某一环节缩短了工作时间，如果节约的工时无法转化为产能提升、费用节省或新增收入，也未必形成可兑现的财务回报。评估投资应同时看短期效率、长期能力建设和不确定性，而不是只比较一次演示前后的耗时差异。

4. 对人的尊重、合理激励与清晰责任仍不可或缺。AI介入后，员工的工作方式可能改变，但领导力、跨部门合作、责任意识和业务判断仍然重要。企业需要解释转型目标，提供培训与参与机会，并在考核中避免鼓励员工隐瞒错误或过度依赖自动化。越是依靠智能工具，越有必要让员工理解其适用范围：什么时候可以采纳建议，什么时候需要追问依据，什么时候必须由人作出最终决定。

5. 诚信、信任与长期主义仍是品牌的基础。AI能够生成更个性化的营销内容，但精准性、真实性与合法性仍需业务验证。数据能够帮助企业理解消费者行为，却不应替代对客户尊严和长期信任的重视。品牌的生命力并不来自更高频的内容产出，而来自持续兑现承诺。

五、如果只谈机会、不谈失败风险，AI转型就很难成为严肃的经营议题

企业家论坛上的讨论提醒我们，技术进步与管理进步并不同步。AI越是容易被使用，企业越需要清楚它会在哪里失灵。

⚠️ 第一类风险：错误输出与错误放大。大模型可能产生缺乏依据但表述自信的内容；若继续连接业务系统，错误可能从一份文案扩大为错误报价、错误审批建议甚至错误操作。对客户承诺、财务判断、工艺参数和合规事项，企业应设定事实核验、审批门槛、异常回退和审计追踪机制，不能仅凭模型语气决定可信度。

⚠️ 第二类风险：数据、商业秘密、版权和合规问题。将合同、客户资料、研发文件输入外部工具，可能涉及个人信息、商业秘密、知识产权或跨境数据流动风险。私有化部署与混合部署可以提供不同控制手段，但并不自动等于"数据绝不出域"。企业应明确数据分类、接口权限、日志留存、第三方服务条款和人员责任，再决定技术架构。

⚠️ 第三类风险：投资回报不确定与供应商锁定。模型能力迭代迅速，采购初期成本只是总拥有成本的一部分。若企业过度依赖单一模型、封闭接口或特定服务商，未来迁移、价格变动和服务中断可能带来额外成本。应重视接口可迁移性、数据可导出性、退出安排和供应商责任划分。

⚠️ 第四类风险：组织消化能力不足。业务部门不愿改变、管理者不愿开放数据、员工担心被替代、IT团队缺乏运维能力，都可能让试点止步于演示。管理层需要对转型节奏负责，建立业务牵头、技术协同、法务和安全参与的机制，并为员工提供合理的学习与调整空间。

⚠️ 第五类风险：对AI的过度依赖。如果年轻员工长期直接采用生成结果，缺少独立思考和专业训练，组织可能在表面提效的同时失去基础判断能力。企业应保留关键技能训练、抽样复盘和问题追责机制，让AI成为能力放大器，而非专业能力的替代品。

美国国家标准与技术研究院（NIST）的AI风险管理框架将治理、风险识别、测量和管理作为持续性的工作，而非部署前的一次检查。对传统企业而言，具体措施不必复杂到照搬大型科技公司，但风险管理应从试点设计时就同步纳入，而不是上线后再补救。

六、如何开始：把战略判断落实为可验证的业务试点

AI转型不存在适用于所有企业的统一步骤。对于尚未建立系统化应用能力的传统企业，可以将最初约90天作为一个探索周期，用于形成场景选择、价值测量和风险治理的基本方法，而不是承诺90天内完成组织重构。

第一步：明确业务问题，建立基准

优先选择问题明确、发生频繁、数据相对可获得、业务负责人愿意参与的场景。诸如销售方案制作、招投标知识查询、合同条款比对、客服知识辅助、质量记录检索，都可纳入候选清单，但并非每个场景都适合立即自动化。试点启动前应留下基准数据：实际耗时、返工率、错误率、客户响应时间、现有费用和处理量。没有基准，便很难判断试点究竟带来了多少改善。

第二步：设置价值目标，也明确不可突破的边界

每个试点至少回答四个问题：谁是业务负责人？希望改善哪一个指标？哪些输入数据可信且获准使用？出现错误时由谁复核并承担责任？

试点结果要同时衡量效率与质量。若生成合同审查意见更快，却提高了遗漏重大条款的概率，这样的应用就不能仅凭节省工时宣布成功。对高风险任务，宁可先采用"AI提示+人工确认"的辅助模式，也不必急于追求端到端自动执行。

第三步：计算真实收益，再决定扩展

建议将投资回报拆分为可兑现的成本变化、可验证的新增收益与持续运行成本。节约的工时是否确实减少加班、释放交付产能或增加客户服务量，需要有经营证据；新增商机是否带来毛利贡献，也应与原有业务趋势区分。同时记录数据治理、接口改造、模型调用、培训、人工审核和运维成本。将这些因素纳入评估后，企业才能决定是继续扩展、优化场景，还是停止一个不经济的试点。

第四步：从单点应用走向流程协同，但不急于全面铺开

如果销售方案辅助取得稳定效果，可以进一步探索与报价、合同和订单信息的衔接；如果质量异常检索效果良好，再评估与设备数据、工艺知识库和维护流程连接的价值。每增加一个系统接口，就需要重新审视数据质量、权限、责任和失效方式。规模化部署应以试点达标与组织承受能力为前提，不宜仅凭战略热情推动全员同步上线。

对企业管理者而言，重要的不是第一个试点是否令人惊艳，而是能否形成持续发现问题、验证价值、控制风险、复制有效经验的机制。

七、企业家需要回答的，不是"上不上AI"这么简单

在AI时代，董事长和总经理或许不需要了解每一种模型的技术细节，却有必要参与几个关键判断。

企业的优势主要来自工艺、技术、品牌、渠道、服务还是组织能力？这些优势中，哪些可以通过数据与知识沉淀获得进一步增强？哪些场景最影响客户价值或经营成本？企业的数据基础和管理成熟度是否足以支撑智能化应用？员工需要怎样的培训和激励？企业愿意承受多大的技术、合规与经营风险？

这些问题没有一个标准答案。拥有复杂信息系统的大型集团，与依赖少数核心工艺专家的中小工厂，采用的技术架构、投入节奏和治理方式都可能不同。企业家需要做的，是让AI相关决策服从企业战略与经营约束，并促使业务、技术、人力和财务部门共同承担转型责任。

回看这两天的参访，新华三呈现的是系统工程能力，精工钢构展示的是面向难题的技术创新，精工科技体现的是专业工艺的长期积累，会稽山则说明传统文化与现代经营工具可以相互补充。它们不构成一个统一的成功公式，却共同提醒我们：企业竞争力往往来自长期形成的专业能力、协作机制和价值判断，而新技术可能使这些积累在更大范围内发挥作用。

AI不会自动把一家传统企业变成先进企业；忽略数据质量、组织阻力和经营回报的投入，甚至可能造成新的成本与风险。与此同时，在适当的业务场景中，AI也确实为知识复用、员工赋能、服务改善和增长探索提供了过去不容易获得的工具。

技术带来新的可能性，企业负责把可能性转化为可信、可衡量、可持续的经营成果。守住长期价值，在可验证的变化中寻找新的增长空间——这或许是传统企业迎接智能时代，更值得实践的路径。

📖 资料来源与引用口径：

[1] Stanford HAI《The 2026 AI Index Report — Economy》（"企业AI采用率88%"引自第三方组织调查，为自报采用率口径）

[2] McKinsey & Company《The State of AI in 2025: Agents, Innovation, and Transformation》（2025年11月5日；调查时间2025年6月25日-7月29日，105个国家和地区1,993名受访者，结果具自报与样本口径限制）

[3] 新华三官网"灵犀智算解决方案"等公开产品介绍（"算—网—存—云—安—维"全栈协同）

[4] 精工钢构官网（国家体育场"鸟巢"钢结构工程及无模成型技术介绍）

[5] 浙江精工集成科技股份有限公司官网（原丝装备、碳化装备及复合材料装备产品介绍）

[6] 会稽山绍兴酒股份有限公司《2025年社会责任报告暨可持续发展报告》及官网"数字酒庄"产品介绍（5G智慧工厂、黄酒追溯与数字酒庄）

[7] 美国国家标准与技术研究院（NIST）《AI Risk Management Framework》（2023）与《Generative AI Profile》（2024）

原文作者：杨周斌（2026-10-12）；本文据其参访总结整理发布。