一、先跑起来的场景，都有一个共同点

鞍山钢铁引入"数据+AI"后，数据处理效率提升超过50%，年降本超过3600万元。他们的核心痛点：生产数据散落在十几套系统，工程师要花大量时间手动清洗、对接口径。

上海电气风电开发了"风智""风枢"两个平台，资料查找效率提升80%，运维成本每年减少数亿元。设备运维从"等故障报修"变成了"预测性维护"。

两个案例方向不同，底层逻辑一致：先跑起来的场景，数据已在线、流程相对标准化。

这是央企AI落地的第一个规律。

二、谁在拍板，谁在担责

复盘这些案例，一个细节容易被忽略：这些项目是怎么立项的？

据经济参考报2026年5月20日报道，国资委已召开中央企业“AI+”专项行动深化部署会，要求央企在编制“十五五”规划时将AI列为重点。

这意味着，AI不再只是IT部门的技术试验，而是被纳入战略层面的考量。

但问题随之而来：当AI成为一把手工程，责任链条怎么划？

鞍山项目，背后是分管生产的高管直接牵头，因为降本收益可以直接量化。

上海电气风电的“风智”平台，则是运维一把手拍板——设备停机损失是硬成本，上AI的动机足够强。

反观那些推不动的单位，往往卡在一个点：AI的价值由谁来背？ IT部门推业务部门不配合，业务部门想用但没有预算审批权，最后变成“谁都不担责、谁都不推进”。

三、踩过的两个大坑

坑1：数据没准备好，就急着上模型

鞍山钢铁能成，有一个前提：他们的数据治理已经推进了三年。在上AI之前，设备参数、工艺记录、质量检测数据已经完成了标准化清洗。

但很多单位恰恰相反：数据还散落在Excel、纸质单据、各部门私有系统里，就急着采购大模型、上马AI项目。结果模型训练了一两个月，发现数据质量不达标，效果远低于预期。

教训：AI是厨师，数据是食材。食材不新鲜，再好的厨师也做不出好菜。

坑2：试点成功，推广时数据断层

上海电气风电的“风智”平台，在本部推行顺利，但往下属子公司推广时遇到了新问题：子公司设备型号差异大、历史数据口径不一致，同样的模型，效果打折扣。

他们后来花了两三个月重新做子公司侧的数据清洗和模型微调。

教训：试点时选标杆单元没问题，但推广前必须预留数据对齐和模型适配的时间窗口。

四、两个数据值得细看

越秀地产"悦智检"系统，用AI视觉做自动化巡检，异常处置时间从60分钟缩至10分钟，从试点到全面推广仅6个月。

魏桥集团2个月内员工自发创建800多个AI助理，电解铝车间工人自己开发了"智能问数助理"。当工具足够简单，一线员工的创造力会超出管理层的想象。

五、本周可以先做的一件事

对照上述案例，建议各单位本周可以做一件事：

梳理本单位的“高频、标准、可量化”业务场景。

具体来说，找到符合这三个条件的场景：

1. 高频
   ：每天或每周都要做的重复性工作
2. 标准
   ：流程相对固定，有明确的输入和输出
3. 可量化
   ：做了之后，能用数据说清楚收益

比如合同审核、报表生成、设备巡检、客服问答，都属于这类。

先从这三个维度筛出1-2个场景，作为AI落地的切入点，比直接上马大模型更稳妥。

话题互动

如果你是企业数字化负责人，现在有两个选项：

A. 优先选择数据基础好的业务单元做试点，快速出成果

B. 选择痛点最强烈的业务单元，哪怕数据基础薄弱

你会怎么选？

关注「皇城21号」

每日聚焦AI+精准干货

助您AI+决策与效能提升！

周一 AI+行业周报｜情报官看风向

周二 AI+政策合规｜划红线排雷区

周三 AI+科技算力｜算账本看底座

周四 AI+标杆复盘｜抄作业避大坑

周五 AI+人才引擎｜调组织看队伍

周六 AI+工具实测｜选武器看试点

周日 AI+轻松时刻｜调心态轻启发

🏙️ 皇城21号发布 | 中文天下文化出品