ARTICLE · 980340
一家生产企业决定用AI减少研发返工,第一步不是上系统你
这家企业已经有业务系统、有多年积累，也有经验丰富的员工。它现在要解决的，不是再多一个工具，而是让原本散落在不同环节的标准和经验，更早进入新品研发过程。
最近，CellDance 和一家成长型生产企业开了第一次 AI 项目对焦会。
出于客户保密要求，本文隐去企业名称、人员、产品和业务数据，只讨论这次项目中已经确认的经营问题与部署价值。
会议之前，客户已经做了不少准备。
内部资料整理过，业务规则梳理过，工作流也画出了一版。老板对 AI 的期待并不模糊，希望它进入核心业务，而不是停在写文案、做 PPT 这些外围工作。
看起来，下一步应该直接讨论功能。
但真正聊下去以后，大家发现这家企业最值得解决的问题，并不是「AI 能生成什么」。
而是另一件更朴素的事：
一项业务做到后面，才发现前面的选择不符合要求，于是多个部门一起返工。
这成了整个项目的起点。
后置返工与前置预防的对比
企业付出的，往往不是一次操作成本
生产企业的一项新品需求，通常要经过多个岗位共同完成。
前端理解客户，专业人员形成方案，采购、质量和生产等环节分别加入自己的判断。每个岗位都在做正确的事，但他们掌握的标准并不总在同一个时间出现。
有些要求，前端不知道。
有些信息，后端才掌握。
有些经验，留在少数员工的记忆里。
当关键判断出现得太晚，一次小错误就不再是一个人的修改，而会变成整条链路的退回。已经花掉的沟通时间、准备工作和试制成本，很难完整地出现在一张报表上，却会持续侵蚀交付速度。
很多企业把这种情况归结为「员工不够细心」或者「部门之间配合不好」。
但如果同类问题反复发生，仅靠提醒员工更认真，通常不会让它消失。
更值得追问的是：
后面才会用到的规则，能不能在前面做选择时就被看见？
这正是 AI 可以产生价值的位置。
这次部署，核心是把纠错向前移动
客户最初提出的设想里，包含资料分级、智能推荐和方案生成。
如果只从功能看，这似乎是一个「让 AI 帮忙选东西、做方案」的项目。
CellDance 对它的判断不一样。
这次部署的核心，不是让 AI 替代专业人员给出最终答案，而是把企业已有的规则、历史经验和业务约束组织起来，在前端工作开始时提供辅助。
过去，专业人员先凭经验完成方案，后续岗位再检查是否符合要求。
未来希望形成的方式是：在方案形成之前，AI 先调用企业确认过的资料，帮助员工排除明显不合适的选择，找出可以复用的历史经验，并提示仍需人工判断的部分。
最后的专业判断仍然由人完成。
看起来只是把检查提前了一点。
对经营结果的影响却可能完全不同。
后端发现问题，是返工。
前端发现问题，是筛选。
AI部署真正值得验证的三类价值
这次项目尚未正式上线，因此我们不会提前宣布节省了多少成本、缩短了多少时间。
但项目要验证什么，已经很清楚。
AI部署需要验证的三类经营价值
第一类价值：减少无效投入
新品研发最怕的不是某一步慢几分钟，而是整条链路走了一段之后重新开始。
如果 AI 能让一部分规则更早参与筛选，企业有机会减少无效方案、重复准备和后段退回。
它节省的不是一次点击时间，而是一次错误选择带来的连锁成本。
这类价值需要用返工次数、重复工作量和实际采用情况验证，不能只看 AI 生成速度。
第二类价值：加快客户需求转化
客户提出的需求，并不总是一份结构完整的任务书。有时是一张图片、一段描述，或者一个还没有想清楚的方向。
业务团队需要把这些模糊信息翻译成企业内部可以执行的条件。
AI 如果能够协助整理需求、查找相近历史经验并形成早期候选，企业就有机会更快和客户确认方向，再决定是否进入成本更高的开发环节。
这里的价值不是「AI 会做提案」。
而是企业能否更早发现双方理解不同，减少用真实成本反复试错。
第三类价值：把个人经验变成组织能力
企业经营时间越长，积累的资料越多，查找和复用反而可能越来越难。
员工知道「公司以前做过」，却不一定知道文件在哪里；新人看到很多历史资料，也不知道哪一份仍然有效。最后，组织明明拥有经验，工作仍然依赖少数熟手的记忆。
AI 部署提供了一个重新整理这些经验的机会。
哪些资料可以复用，哪些规则必须遵守，哪些判断只能由专业岗位完成，都要在部署过程中被重新说清楚。
当这些内容能够被查找、被引用、被更新，企业得到的就不只是一个 AI 工具。
它开始拥有一套不会完全跟着个人流动的业务记忆。
从个人经验到组织业务记忆
CellDance不会从“做一个大系统”开始
这类项目很容易越谈越大。
资料要治理，系统要连接，多个部门都希望加入自己的需求。最后，第一步还没有验证，方案已经变成一场全面改造。
CellDance 更倾向于先锁定一段最值得验证的工作。
从一个可验证的业务步骤开始
用有限、经过确认的资料，让 AI 完成一次辅助筛选或历史经验调用，再由业务人员判断结果是否真的减少了查找、重复或返工。
首轮验证只回答三个问题：
- ◆ AI 的输出有没有真实进入工作，而不是停在演示里
- ◆ 人工检查以后，是否仍然节省了完整工作时间
- ◆ 原来的一段重复工作或返工，是否因此减少
如果答案是否定的，就继续调整，或者停止扩大。
如果答案开始变成肯定，再讨论连接更多资料和业务环节。
我们不希望企业为一张完整蓝图付出高昂试错成本。更稳妥的方式，是先让一个真实结果发生，再决定下一步。
这个案例给中小企业的启发
不少老板会问，公司数据还不够整齐，是不是不能开始做 AI？
这个案例给出的答案不是简单的「能」或「不能」。
企业不必等所有数据都整理完再开始，也不能绕过资料质量直接上工具。
更现实的做法，是先找到一项反复发生、代价可见的业务问题，再盘点解决它所需的那部分资料。
范围可以很小。
判断标准必须真实。
老板可以先问自己的团队四个问题：
公司哪类工作经常做到后面又退回来？ 哪个后段标准如果提前出现，可以减少这次返工？ 这些标准和历史经验现在存在哪里？ 谁最有资格判断 AI 给出的结果能不能用？
能回答这四问，就已经比讨论「公司要不要上 AI」向前走了一大步。
这家生产企业的项目才刚开始。
它最终能够创造多少价值，还要由后续真实使用来回答。
但方向已经发生了变化。
AI 不再是一个等待采购的工具，也不是一个要替代谁的概念。
它开始进入企业最具体的经营问题：怎样少做一次无效工作，怎样更快回应客户，怎样把多年经验留下来。
这也是 CellDance 理解的企业 AI 部署。
不是先追求系统有多大。
而是先让一项经营结果，有机会变得更好。