夜雨聆风此文是2026年月1月16日我在第一服务（2107.HK）年终工作总结会上的发言，发言主题是《AI如何在物业企业落地？》。此文是当时发言的录音整理而成，并让四个不同的AI大模型，对此发言内容，按照尽量保持口语风格的要求，进行了润色。因为录音文字内容太多，2.5万字，我又对AI润色后的文字进行删减，配上图，并让AI大模型拟定了6个章节标题。
各位同事，大家上午好，很高兴就“人工智能”这个话题跟大家做个交流，大家一定要坚信新一代技术的颠覆浪潮又出现了。
引言：AI浪潮下的物业新机遇
我是1998年大学毕业的，本科学的与计算机有关的专业，还干了两年程序员。但是，其实当时我对“技术是如何改变社会”这一点是没有认知的。干了两年程序员后，我发现自己不喜欢这个工作，所以就没有继续做下去。
后来回顾这段历史，我发现这就是个人认知的缺陷。为什么讲这个？因为我在2000年的时候放弃IT领域的工作，就相当于“1949年加入国军”是一个道理。大家都知道，阿里巴巴也好，腾讯也好，都是在2000年前后起步的。其实很多时候在这个社会，不只是看你能力多强，而是看你是否正好赶上了社会发展的脉络。所以这种对时代脉络的感知力，我认为对于我们任何人发展来说都是一个很关键的能力。
这些年我也看到了各种各样的变化，包括前几年炒得火热的“元宇宙”，我都没有感觉到会带来改变。为什么呢？因为我分析任何技术的价值，首先感知的是对我的研究工作会带来哪些积极的、很快能看到的效果。就像我们之前说的，什么事儿不明白，上百度搜索一下，是同一个逻辑。
现在你会发现AI的渗透力强到什么程度？前几个月，我看了OpenAI如何用AI干掉APP的产品发布会视频，这个视频展示了个人如何借助AI大模型确定旅游的日程，连具体的景点、酒店、餐厅、交通都给安排好了。以后什么APP都不需要了，直接问都给你订好了，这真的是在颠覆每个人的生活。
但是呢，我认为这一波的人工智能更多颠覆的不是C端，因为C端在互联网和移动互联网时代已经改造很充分了。这一波的变革，是对B端的改造。在这个对B端的改造过程中，首先这个浪潮里，哪个行业更容易大量应用这个技术呢？
物业管理行业显然是其中理想的行业。
为什么会是物业行业呢？因为这些年我研究AI，发现AI对事情判断的精度虽然在逐渐提升，但还达不到工业级的条件。工业级精度要求高，说两厘米就两厘米，两毫米就两毫米，弄大了弄小了都不合适。而物业行业整个在基层作业的过程中，其实对精度的要求没有那么高，有个80%多就差不多了。所以这个行业特别适合目前AI这种精度的水平，特别适合推广。
所以现在人工智能到底PK的是啥？就是谁能尽快应用AI找到落地的场景并推广出来，这就是B端的改造。那么我们这个B端到底是怎么改造？是不是我们每个人都下载一个DeepSeek，就叫拥抱AI了呢？其实不是那么简单，因为对B端的改造和对C端是不一样的。
我的理解是，我们课题组做学术研究，为什么大量用AI？其实我们课题组很少用AI帮我们生成内容，如果我问一个问题让生成，我还要花费很多的精力去判断所谓的AI幻想。那么我认为AI是干什么的呢？我觉得AI有个能力超强。例如说在学术界，我经常看各种各样的文献。过去看文献这个活特别累，可能一天只能看一篇，因为是全英文的，一个月顶多能看20篇就不错了。而且看完之后，经常全忘了，所以就得不断做笔记，这个过程非常漫长。
但是AI呢，有个强大的能力，就是你把这么多的文献扔给，会快速帮你阅读。之后我就能问：通过读这些东西，你能给我提炼出什么？
所以说，这对我们的一个启示在哪里呢？大家想想，我们企业的“文献”在哪里？对于任何一个企业来说，我们的“文献”就是工作中积累的各种经验、教训、作业方式、方法，以及与人打交道的逻辑。逐渐积累下来，这就形成了我们企业内在的材料。
那么这些内在材料，我们是不是就可以喂给？当然前提是企业要做好保密——关于保密我们先不说——喂给之后，就会不断地整合这些知识。可能今天A同事知道优化服务流程的知识，但B同事不一定知道。
但是A同事把这个知识放到我们叫“数据仓库”的地方，放到数据仓库里头，其实B同事便能轻松运用这一知识，借助AI工具高效解决各类问题，这正是企业内部知识快速流转与落地的生动体现。其实这是在AI实施过程中一种非常重要的抓手，而不是简单地说我们会用了DeepSeek，一切就OK了。
但是，要想达到这个“OK”的状态，前提是我们得有高质量的数据“喂”给。所以真正的难题在于，我们怎么样把握企业这么大量的——包括项目基本数据、设施设备运转数据、人员配置数据，以及每个人的不同项目、不同地域、不同区域、不同员工的工作效率……如何把这些复杂的要素进行数字化定义。
正是因为面临数据定义带来的挑战，我们今天才要讲这个主题：AI是怎么来帮助我们物业企业优化服务流程的？
物业行业的核心痛点：非标+动态+过程不可控
其实，我们物业行业在服务过程中有一个非常大的难点，过去来说就是服务过程不可控。特别典型的，服务过程不可控是啥呢？我就随便举例，这都是我几年前做的数据了。我们给两个保洁员身上安了定位器。
保洁员1干得挺好，因为这是楼道保洁岗位，正常保洁曲线应该是他坐电梯到楼上，然后一层层把这楼道扫下来，他的轨迹曲线应该类似保洁员1的曲线。
但保洁员2，他就是水平线，说明他待在原地没干活。尽管他的表面工资很低，实际上他没有干工作，其实企业为他付出的成本是很高的，而且他大部分时间都是无效的。
这种事情其实在我们物业行业很常见，因为在这个环境里，我们物业行业的过程是不可控的。那么制造业是什么结构问题？制造业的问题特别简单。我就随便找了一个汽车行业的例子。
制造业启示：BOM思维与过程可控性
我当年在吉林大学念硕士的时候，有门生产运作管理的课程，需要到一汽大众生产线的现场，观察他们怎么装配汽车。恰好我观察的是生产线工人安装汽车的前风挡玻璃。因为汽车生产过程都是“混线生产”。什么叫混线生产呢？就是捷达、高尔夫、速腾、迈腾多类型产品在同一条生产线上并行生产。如果这时候对于生产线工人来说，他就想：“我这个玻璃是安装到速腾上的，还是安装到捷达上的呢？”因为整个生产线是流动的，只要生产线工人去思考，那不乱套了吗？
实际操作非常简单。生产线工人只要记住永远是把排在最前面的第一块玻璃，安装到面前的汽车上，就这么简单。然后怎么安装？两个工人拿真空吸盘，把排在第一块的玻璃放在夹具上。固定之后机械手就给汽车玻璃涂一层胶。因为原先用人涂难度大，人涂的时候手都抖动，导致胶不均匀；机械手不抖动，效率高。
涂完之后呢，这两个工人拿着真空吸盘，两个人分别站在汽车两边，就把汽车风挡给安装上了。安装完毕之后，这时候你会发现整个生产线配合过程中，原先排第一块的玻璃没了，第二块玻璃自动变成第一块玻璃，自动往前推，就跟我们的超市的货架摆放其实也一样。
所以整个过程完全可控，完全可控的效果就是什么呢？就是品质的稳定性和质量的稳定性。这就是他们所追求的。也就是说，一线工人一定不能用脑子去思考，一线工人但凡用脑子思考，他的品质一定是波动的。一线工人所有的作业，一定是肌肉记忆。那么这种肌肉记忆对于我们服务业来说，就是形成服务的意识。服务意识就是一看到问题就知道怎么解决，不要去想。
有人说，汽车企业的生产管控过程的体制是怎么控制呢？整个控制就是有一套复杂的ERP系统。这个ERP系统中，其实非常重要的一点就是“产品BOM表”。什么叫产品BOM表呢？就是说假设矿泉水，你会发现这个水瓶是由哪些部件来构成呢？是有瓶盖、瓶体、标签，还有多少毫升的水。这就是一个最简单的产品BOM表。
那么有了产品BOM表的话，如果突然间甲方向我订货1万瓶水，我立马就知道我要准备多少升的矿泉水、多少个瓶盖、多少个瓶体什么的。瓶身是用塑料制作的，我就知道需要采购多少吨塑料来做成瓶体。工厂全是靠产品BOM表来驱动，这就是整个管理体系。
物业版“服务BOM表”：从经验到标准化
物业行业其实整个的生产控制过程，比汽车行业复杂。我研究物业管理六年时间，越来越觉得物业管理太难研究了。难度在哪里呢？根本原因，就是约束条件太多。其中一个约束条件就是物业费不足，其实大家都知道，如果钱到位的话，服务都不是问题。我曾经调研过北京一个房龄超过20年的公寓楼。该公寓楼物业费20块钱/月/平方米。五星级的大堂，地面的拼花大理石都20多年了，和新的一样。
除了钱之外，制约物业行业发展还有另外要命的事情，物业行业难在“非标”了。像汽车行业生产上百万辆汽车，实际上就几个产品，批量生产就完了。所以说，整个的制造过程，可以用一套静态的体系和静态的环境去管理。
物业项目的“非标”特性，就会导致什么？一个项目就是一个产品。那么服务过程中，一个项目一个产品意味着啥呢？物业企业市场扩展得越厉害，项目越多，就会发现产品管理团队越大。而且管理难度不是简单的几何增长，而是指数级的增长，复杂度越来越大了，就越来越容易失控。所以五、六年，物业行业流传“规模不经济”，我那时候就在想，为什么会规模不经济呢？当时我并不明白，现在回过头一看，其实，每个项目的非标特性，如果没有一个强有力的产品管控体系，就都导致了失控。显然，我们行业这块没有做透。
而且还有更要命的是啥呢？汽车在制造过程中，哪个汽车组装得不好，可以把这个车拿出来再修补一下。整个生产过程中不会受到消费者影响。我们的服务不仅是非标的，而且服务的过程同时业主也在使用空间。举个简单例子，我突然间想上厕所，恰好保洁正在打扫厕所，你说你去还是不去呢？你去的话，保洁员就得出来。所以说，保洁员在正常的作业过程中总是被各种各样打断。物业服务本身特别复杂。
物业行业难在非标，而且服务过程也是环境动态的。动态就导致了我们在设计“产品BOM表”的时候，不可能像汽车企业，可能只需要几十个产品BOM表就够了；我们这个行业，假设你有100个项目，每个项目就是一个产品，就要设计一个产品BOM表。
所以说，这时候我们行业其实普遍面临的问题是什么呢？就是服务非标化和环境动态化两个痛点。这两个痛点导致物业企业生产管控过程很难。
服务非标化，意味着同一个项目不同楼栋，保洁差异性也大，A楼B楼要求可能又不太一样。环境动态下，意味着设备运行状态波动、人流量变动经常影响服务过程，包括设备故障会导致服务过程频繁维修，导致服务过程难以量化监督。量化监督怎么办呢？我们必须得构造我们服务BOM表，并通过数据标准定义服务，实现过程可控。仿造产品BOM表，服务BOM表就是服务具体内容、怎么干的、甲方的要求、服务的频率、责任处理之类的内容……
如何设计服务BOM表呢？先举个例子，例如一个小区，物业企业不可能每个节点都是按照同样的频率、同样的品质，“撒胡椒面”似的服务。这是不现实的。一定是根据人们的变化来调整。哪块是我们重点，例如我们学校教学楼一楼，每天人流量特别大，楼层越高人越少，保洁频率肯定低，就这个道理，所以这个需要动态去判断。
这时候我们切入点一定是来破解静态体系和动态环境的管理矛盾。也就是说，我们原先总尝试想用静态的标准制度，来控制数千个动态的作业，这是不现实的。
以我们现在的会议室为例，整个屋子有很多控制点，地毯、桌子、屋顶、墙面等。这样的会议室可能是我们物业企业独一无二的会议室。当我们想用一个静态标准来控制数千个作业对象的话，而且我们的服务又是7×24小时，注定我们整个过程，一定是低效的，一定是规模越大越容易失控。
这时候怎么办？就必须根据每个项目的动态特征，观测关键的指标，来设计某一个项目的服务内容，形成服务BOM表。过去没有AI的时候，我们想用加装摄像头、传感器把所有的事情都记录下来，投入成本太高了。现在已经用低成本的技术，我们都有非常成熟的方法。
AI落地的前提：构建企业数据底座
其实就我刚才说的，物业企业内部用AI，不是上来就用公开的DeepSeek或者“千问”，它们没有能力。虽然AI知道的事很多，但是我们怎么激发的其表达欲望，激发其生成能力。这个能力在于你的提问。但提问的背后，在于提问者对物业管理有深刻地理解，在于企业内部有一套完整的数据底座的支撑。
AI时代的数字化建设，核心不是说我们开发了什么软件，那个时代已经翻篇了。未来的IT公司一定是数据驱动的业务型公司，数据治理就是基本的能力。
2025年有家央企后勤部门找我们课题组做了一个数据治理的研究项目。最近又有一家央企后勤部门来找我们课题组做数据治理的研究。这些央企也都很清楚，数据孤岛、garbage in garbage out还是时刻折磨企业的数字化进程。正如大型央国企后勤系统已意识到数据治理是AI落地的前提，物业企业同样面临这一基础建设任务。把数据底座搭建好，这是绕不过去的点。
数据底座必然要对服务对象的空间、设备、人流量、环境流动这些信息，做数字定义。做数据定义之后，其实各种各样的AI工具，就会快速帮企业测算出这些设备要怎么修，维护标准全都有。当我们尝试借助AI去解决管理对象非标、服务环境动态的矛盾点，首先就要干这个事。否则的话，企业没办法相信，喂给AI的东西一定是企业可控的、信得着的东西。
因为我们知道服务的空间是什么，知道项目的物业费金额是多少，知道项目实施的标准是什么。如果底层数据不打通，企业怎么敢相信AI生成的服务方案是适合我们的？
完整的物业企业运营流程应该是7个步骤。我们行业过去基本从第五步开始，就是从制定作业计划开始，形成我们的工单，然后大家按工单干活，企业内部项目自己检查品质，企业再进行品质飞行检查。但是一个核心话题没有解决：为什么这个工单要做呢？其实并不清楚这个工单是不是有必要做。这时候就要往前推。前面从第一、第二到第四步，决定这个工单是不是做。因为同样一件事，不同的条件下，例如报事报修，如果物业费1元和物业费5元，1元的项目就不需要处理，5元的项目就需要处理。
未来的物业管理一定会走向阳光透明。如果企业没有基础数据，怎么阳光透明呢？怎么去跟业主讲清楚到底怎么回事？企业自己都没法精确测算。
早在2023年，我们林大物业管理专业课程体系做了一个非常大的变化，因为之前我们专业课程体系是从第五步开始设立，讲物业项目怎么做服务计划，包括预算。现在关键的起点课程是数据治理。数据治理必须有两个“前导课”，建筑物概论、设备设施管理。当就把我们管理的两个对象搞明白，完成数字化定义的知识之后，就导入FMEA课程。外加合规性课程，主要讲授国家物业管理的法律法规，以及强制标准，在通过服务设计制定SOW（工作说明书）、SLA（服务水平协议）。
同样的道理，物业企业要想破解静态体系和动态环境的矛盾，以及设计服务BOM表，必须把第一步到第四步的产品研发逻辑构建得非常扎实。就是说，物业企业把每一个项目的服务BOM表设计出来，就是AI落地的关键。
例如说某个项目BOM表要求，洗手台台面不能有水渍，我们就可以通过移动摄像头检测，发现服务缺陷。我们测算过，一名年轻的保安员，一天工作6小时，能扫楼10万平方米。因为他借助移动摄像头，把地面、天棚、墙壁、各种设施设备记录下来。现在AI对动态影像的识别能力已经很好了，只不过现在贵在哪里？买Token（AI算力消耗）可能比较贵。随着算力成本越来越强，未来Token的成本也会越来越低。
服务BOM表怎么生成呢？
把服务BOM表设计出来，本质就是服务设计，对应的是制造业的产品研发。服务设计首先要理解各种服务缺陷产生的规律。其实，服务缺陷产生规律，大的规律是两个方面。第一个是设施和设备，即使是没人干扰，也会自然损耗。就像这个会议室，假如我们一年不用，地毯、桌子也会积灰，这是一种自然的损耗。其实我们课题组曾经做过一个积灰实验。我们连续七天在窗台上放置一个白色纸条，观察春天灰尘积累的情况，总结提炼北京春季灰尘积累的特征，这就是规律。
另外一种更难预测的损耗是什么呢？就是每一天人流量的变化，导致的缺陷产生很多不规律的事情。为什么我越来越感觉物业管理研究特别复杂？因为我们不得不去理解服务过程的一些规律。如果没有掌握这些规律的话，很难让我们的服务更加精密。所以我们未来行业的整个管理能力，其实在这方面有很大提升空间。目前，我们能明面压缩的成本，能压缩早就压缩了，再压缩就出事了。所以说，更多地挖潜其实是在聚焦服务研发实现服务能力提升层面。2025年我们课题组毕业的一个硕士，研究了保洁员如何有效地去打扫卫生间的话题。通过两名保洁员长工具和短工具的配合使用，实现卫生间效率提升。这种规律一定是基于大量数据系统才能分析到的。
数据从哪来的？这就是我们平时不断积累的工作知识。我们过去没有把服务过程的隐性知识提炼好，更没有对其数据定义。在家扫地和在项目扫地，完全是两个概念，项目扫地是工业化扫地，这是需要设计的。例如，同样三元物业费的两个小区分列马路两侧，因为业主不一样，小区风格不一样，小区建筑房龄不一样，两者间服务的规律自然不一样，这些细致的规律过去我们没有系统研究过。
有了这样的认知之后，我们整个AI落地的时候，上来不能直接使用AI工具，不能用AI改造既有流程，而是要把服务过程积累的隐性知识、对象、经验进行数据治理，建立物业数据底座，支撑BOM模块化。打通的数据层是基础，通过空间和设备的标准化为算法层提供输入。算法层基于业务规律构建模型，物业企业才能在现场应用，才能有效控制服务过程。
建立数据的底座，我们必须对空间做建模。过去构建空间数据挺难，必须得有BIM系统。现在不需要，现在对空间建模，主要提取一些关键数据。虽然数据采集挺麻烦，也是苦功夫，但是采集数据的逻辑已经很清楚了，用一些临时部署的设备，用来数据提取和测算，才能逐渐地把服务过程中哪些高频的问题找到，最终才能把服务BOM表设计出来。
另外基于数据应用各种函数。例如，物业企业对项目人流量变动测度了一个月，通过引入时空序列模型，对人流量进行预测，外加天气情况——例如下雨天、下雪天对保洁压力是不一样的，目的是提升保洁排班效率。所以说过去想做难度很大的事情，现在AI全都具备。量化保洁的排班工作，提供多少人力，人力成本多少，立马就出来了。过去因为没有做系统性的分析，物业行业其实现在要做的事情，就是把我们行业往工业化逻辑推进。
物业行业现在做得还不够细致、系统，整个服务过程可控和品质稳定，全都依赖项目经理能力。物业企业的服务质量与可持续发展，不应仅建立在基层员工的技能水平和职业操守之上，更需依托完善的管理体系、标准化服务流程及技术赋能。
大量的函数其实不用做了，过去一年我明显感觉到，AI在这方面能力上飞速进展。我们课题组的研究生花了两年时间设计的卫生间保洁算法，现在这些算法都不用做了。这些AI已经都具备了。我们过去不知道AI有这能力，我发现AI成长速度超出你想象。
AI缺的是什么？缺的是我们企业的数据。那么，数据层具体来做什么呢？数据层其实就是对空间的定义和对设备设施的定义。
以空间定义为例，例如数据定义这个会议室，我们至少要知道房间多大面积、使用属性、各种构件等。建筑无非就是若干空间摞在一块，每个空间定义完后，加一块儿就是建筑物的定义。如果项目有建筑图纸，直接把图纸扔给AI，生成的效率更高。我觉得AI特别适合阅读，反而不是生成。
设备设施定义相对复杂一些。设备设施定义不仅包含诸如供配电、给排水等11项系统，还需要定义系统内部和之间的关系，包含组态关系和运营依赖关系。什么是组态关系呢？例如新风系统由哪些部件构成。什么是运行依赖管理？要想判断新风系统运行是OK不OK，一定是关注几个关键的指标，这就是依赖关系。
此外，还有整个设备的静态档案、维保档案、实时应用的数据等——这些数据都要逐渐地提供上来。
数据层数据获取之后，就可以把服务对象的属性集建立起来，构成了服务BOM表的部分内容，自然整个物业服务过程中问题就能回答很清楚了。
只有建立起完整的数据底座，物业服务才能真正实现“阳光透明”。什么叫阳光透明？阳光透明不就是你能跟业主说我能给你做啥，我做到什么程度，我如何正确地做，我什么时间做的问题吗？这些事情其实物业公司用过AI工具，已经做得很好。或许有人问为什么会做得很好呢？因为算法都定义得非常完整。
例如AI通过阅读物业公司提供的建筑物某个空间人流量的变动曲线，就可以分析最佳的空间作业时刻。
AI如何赋能：从知识整合到工单生成
一旦建筑物每个空间和设施设备都进行了数据定义，就可以根据AI分析的结果，给物业企业归纳哪些服务缺陷产生的频率更高一些，而这个高的频率最后导致什么问题产生。借助桑基图，就可以通过可视化曲线流向，定位出容易出问题的环节和区域在哪里。物业企业就根据服务特色、物业费的高低，判断哪些服务缺陷可以修改，哪些不用理会。紧接着生成工单和实施流程，就能证明这个工单为什么生成。过去的工单，我们没法提供依据，经常被业主投诉牵引物业服务，很是被动。
而且现在AI能力提升到生成作业日程。AI根据项目每天的情况，自动生成整个作业日程，每个员工在什么时间，在哪里做什么事情，你今天干啥，明天干啥，都生成得清清楚楚。这样，服务的过程和安排，都根据服务BOM表驱动，而服务BOM表早就内嵌了动态体系和动态环境的因素。
一旦这样逻辑运行下去的话，物业企业内部的品质管控流程将大幅度优化，彻底改变明朝用锦衣卫管控大臣，东厂管控锦衣卫，西厂管控东厂的庞大成本支出。
现在AI能力已经提升到帮助物业企业形成服务标准的程度。例如，室内地面尘推作业的标准，包括适用的地面类型、作业步骤控制点、“8”字作业路径，以及服务效率及成本。
当我第一眼看到AI生成的服务标准，连我这个做了多年企业标准的人来说，真是颠覆了很多。机械作业竟然细致到每小时可以作业1500平方米，大概每平方米能省几分钱，全都做出来了。我们当时做完之后，实事求是讲，让我惊呆了，我没想到AI进化的速度比我们想象得要快。
对物业企业成本管控而言，AI还会进一步帮助物业企业分析成本优化的点。哪些设备是需要“坏了再修”，哪些设备是提前预警去修，哪些设备是要按照计划去维护。对业主的体验而言，物业企业知道什么是关键时刻，以往我们只是凭经验，知道有的地方人流量小，服务频率和力度不高，但是现在AI可以把这个事情量化。过去我们不会做那么精准，过去我们其实管控得并不是那么精准。
结语：未来竞争力在于行业理解+数据治理
在此次交流的尾声，我觉得还是有三点体会和总结。
过去常说，AI就是算力、算法和数据。其实，算力会越来越便宜，硬件成本下降速度是非常快的，我们也不需要把太多精力都放在算法上，未来我们工作的核心就是抓数据，从资产管理的角度去管理数据。
表面来说，AI是平权，其实是对大部分人是平权的，的确拉低了大家对知识认知的门槛。这也意味着，在AI时代，有一些过去认为有一定技术门槛的工作岗位，其实已经不需要了。但是，今天能够真正在物业行业垂类驾驭AI，往往来自你对这个行业的深刻理解，而且从业人员还有广博的知识，能够不断产生知识的人，更加强化了他的竞争优势。
AI落地不仅是技术问题，更是流程再造与人员能力转型。传统物业管理的流程是“基于人”和“基于经验”的。AI要求流程必须是“基于数据”和“动态触发”的，需要通过“服务BOM表”将服务拆解成数据颗粒。也就是说，落地AI前，必须先理顺业务逻辑，将隐性知识显性化，显性知识标准化，标准知识数字化。
