AI的价值不在于把单个任务做得更快，而是带来更好的经营结果。
在制造业，一个常见的场景是：AI将原本需要数小时的排产缩短至几分钟。单从任务效率看，试点似乎已经成功。但设备切换、物料延误、紧急插单和质量波动等问题仍依赖人工协调，在制品库存和交付表现并未改善。排产的速度提升了，系统履约能力却没有变化。
这种“局部提速、整体停滞”的反差并非孤例。合同审阅助手提高了法务初审速度，但授权与审批环节未变，最终审批周期并未缩短；客服团队使用AI生成回复，响应速度虽提高，质检和纠错负担反而加重。这些场景暴露出同一个问题：AI优化的往往是单个任务，而经营结果取决于整条价值链。一个节点上的效率提升，很可能只是把等待、复核和风险推向下一环节。这意味着，AI项目要真正产生经营价值，企业必须将供应商延迟、设备故障和部门冲突等例外情形纳入流程设计与异常处理。
管理者若仅以“哪里能部署AI”为线索寻找机会，容易陷入工具论陷阱。本文从产品与客户价值、流程与运营、组织与决策、商业模式与生态系统四个领域，分析AI如何真正嵌入企业经营，并探讨支撑这四个领域协同改造的组织底座。在此基础上，结合中国制造企业案例，进一步提出AI从试点走向规模化的四项条件：价值可验证、流程可嵌入、权责可界定、能力可复用，并且提供具体的检验工具。四个领域回答“AI要改造什么”，四项条件回答“项目何时可以规模化”。这一框架虽主要源于制造业实践，但对其他试图将AI从技术试点转化为经营能力的组织同样具有价值。它为管理者提供了一套可参照的检验逻辑：无须成为算法专家，也能据此判断企业的AI转型是否方向正确。
四个领域，AI重塑经营系统
观察企业AI转型的深度，不能只看工具嵌入了多少环节或替代了多少人力，更要追问价值创造、价值交付与价值获取是否发生了实质性改变。迈克尔·波特对运营效益与战略定位的经典区分，在AI时代的制造业不仅依然有效，而且更为关键：运营效益是把相同活动做得比对手更好；战略定位则是通过独特的活动组合形成难以复制的优势。随着大模型等AI能力日益商品化，真正构成壁垒的并非技术本身，而是企业长期沉淀的流程、专业判断、数据资产与跨职能协同能力。
据此，可从四个相互作用的关键领域加以审视：产品与客户价值回答“为客户解决什么根本问题”；流程与运营回答“价值如何稳定交付”；组织与决策回答“决策权与责任如何配置”；商业模式与生态系统回答“企业怎样获得可持续回报”（见图“制造业企业AI价值重塑框架”）。四个领域可以并行探索、相互牵引，但商业模式的实质性重塑，通常以产品、流程与组织能力的阶段性积累为前提。
客户是否真正受益。为产品叠加AI功能，不等于完成产品重塑。赛力斯已将AI视觉检测和生产数据追溯用于监测汽车生产中的关键质量环节，形成“一车一档”的记录闭环。未来若能进一步触发工序放行、返修或复核，客户能获得一份更可信的质量承诺。这也是产品AI化的判断起点。我把这三类应用称为“增强—融合—重构”：增强型应用优化现有功能，融合型应用改变核心体验，重构型应用则可能改写交付方式和收费模式。三者没有高下之分，关键在于是否解决了一个真实而重要的客户问题，是否让客户以更低成本、更短时间或更小风险完成任务，并愿意持续使用和付费。
流程是否同步改善。流程重塑必须审视端到端价值流，而非单个部门的流程图。衡量重点不在于接入AI的流程数量，而在于核心流程的周期、成本、质量与客户结果是否同步改善。以美的荆州冰箱工厂为例，其指标更贴近经营结果：在柔性自动化、智能排产和AI质量管理等能力与业务流程联动后，劳动生产率提高52%、交期缩短25%、质量缺陷率降低64%。
责任是否足够清晰。AI进入正式流程后，改变的不仅是“怎么做”，还包括“谁知道”“谁建议”“谁决定”。圣农集团将316个养殖场和3688栋鸡舍的数据接入统一环控中心，但数据接入只是前提，真正的考验在于决策权的再分配：一旦发生数据异常，是由设备自动调节、饲养员介入，还是上报给兽医或管理人员？每一种选择背后，都是责任归属的重新划定。
回报方式是否改变。前三个领域形成稳定能力后，企业改变价值获取方式、优化成本结构的条件才会成熟：一次性销售可能转为持续服务或按结果付费，内部能力可能转化为平台，数据反馈可能形成网络效应。从这一角度看，蓝思科技长期推进自动化设备、工业机器人、AOI视觉检测和智能仓储，并将制造能力进一步延伸至人形机器人相关部件和整机组装。这些布局尚不能证明新的利润池已经形成，检验这类创新，最终要看它能否形成可持续、具有差异化优势的收入来源，并改善整体成本结构。
贯穿层：
四个领域之下的组织底座
上述四个领域共同建立在同一组织底座之上，即图中底部的“贯穿层”。AI改变的不只是任务执行方式，更深层的变化发生在信息结构、协作机制与知识基础之中。若底座不稳，四个领域的改造便难以紧密衔接、协同推进。以下三个层面的递进调整，是AI从局部试点走向系统重塑的前提。
信息结构变化：中层管理者从“传声筒”到“协调者”。AI打破了信息按层级传递的刚性结构，削弱了中层管理者作为传统的“信息枢纽”的作用。中层能否继续发挥作用，取决于他们能否协调相互冲突的目标、处理系统无法覆盖的例外情况，并为跨部门结果承担责任。
协作机制变化：从“各算各的账”到共同价值账本。信息层级扁平化之后，协作机制亟待重构。AI项目的价值多在跨部门协作中产生，“各算各的账”往往导致各部门指标亮眼，而项目整体价值落空。共同价值账本的核心是双向绑定：业务负责人对经营结果、流程改变与实际采纳负责；技术负责人对数据、模型、系统集成和运行质量负责；双方共同对经营收益、系统质量、风险暴露、全周期成本和能力沉淀负责，并据此做出扩大、调整或停止的决策。
知识基础变化：隐性经验的沉淀与转译。协作机制再设计之后，更深层的瓶颈是知识基础的重塑。野中郁次郎关于组织知识创造的研究指出，企业的重要知识不仅存在于文件中，还存在于员工难以言明的经验判断中。伟星股份在拉链产线引入AI视觉检测多年，其关键突破在于工艺人员将缺陷等级判定与异常处置的隐性经验成功转译为系统规则。这类关键知识之所以长期未能进入系统，一方面因其本身难以编码，另一方面也与现有激励下员工的理性选择有关。企业应重新设计角色和回报机制，解决知识贡献中的激励不足与岗位替代担忧，让专家成为规则设计者、系统训练者和结果验证者，而非被替代者。
从试点走向规模化的四项条件
前述案例显示，中国制造业头部公司的AI探索已经进入质量检测、生产排程、协同运营、精密制造等场景，但不少项目仍停留在单条产线、单道工序或最理想的运行环境里。真正的分水岭在于企业能否从技术可行走向系统性改变，将AI试点中的局部改善转化为可持续的经营结果。本文将AI应用概括为五个阶段：自发探索、部门试点、可复制应用、规模化嵌入和AI原生重塑。从第三阶段（可复制应用）迈向第四阶段（规模化嵌入），四项条件必须同时成立，缺一不可。
价值可验证：先证明经营结果，再讨论规模
要让“局部提效”进入利润表，项目须先证明经营价值，再决定是否扩大。项目启动前应明确基线、成功标准和停止条件。模型准确率、使用人数和生成次数只能辅助诊断，不能替代收入、成本、质量、客户留存和风险损失等经营结果。分批上线、设置对照或开展实施前后对比，有助于识别并尽可能控制季节性变化及其他管理措施的影响；包括人工监督在内的全成本，也应纳入投资回报测算。
流程可嵌入：输出必须能够驱动行动
即使价值初步得到验证，AI仍需进入正式工作流，才能持续产生经营结果。合同审阅的价值不在于更快生成风险提示，而在于风险等级能否自动触发相应授权与审批；智能排产的价值亦不在于更快生成计划，而在于计划能否与物料、设备、质量及交付系统实时联动。流程嵌入要求企业重新设计业务接口，让AI输出直接驱动行动，而非在旧流程之外增加一个新工具。
权责可界定：授权安排必须经得起异常检验
前文已讨论权责为何需要重构，进入规模化阶段，检验重点在于这套安排能否稳定运行并做到全程可追溯。对于关键输出，尤其是高风险判断和异常情形，应预先明确谁可以批准或否决、谁负责复核、谁有权调动资源、谁承担最终结果，并将其落实为系统权限、升级时限、操作日志和事故处置机制。若责任人无权限调用资源，或异常发生时仍需临时寻找最终决策者，这一条件就尚未满足。
能力可复用：第二个场景才是规模化的开始
规模化的实质是跨场景复用：数据接口、评测方法、权限规则和流程模板能否迁移到第二、第三场景。单纯将同一工具推广给更多人，只是扩大使用范围，并非真正的规模化。联想已将其自动质量检测机器人部署至巴西、匈牙利和墨西哥的生产基地，表明该能力开始呈现跨基地复制的组织化特征。这里尤其要警惕“样板间偏差”：项目只在最配合的团队、最干净的数据和最理想的情境下成功，一旦进入人员流动更频繁、数据噪声更大、例外情形更多的真实环境，往往迅速失效。试点的价值不仅在于证明可行，也在于尽早暴露项目的脆弱环节。
把账算全：
共同价值账本与影子人工成本
四项条件最终要落实到投资决策，关键是把账算全。企业应建立前文所说的共同价值账本，把收益、成本、风险、能力沉淀和后续决策纳入同一框架。这套账本既支撑“价值可验证”，也为双方共同判断项目是否值得继续提供依据。它不是财务部门的传统报表，而是供项目负责人对照检查的“体检单”。
制造业AI项目的共同价值账本
收益：收入、转化率、客户留存、周期、质量、产能与风险损失的变化。
成本：模型与算力、数据治理、系统集成、培训沟通、影子人工成本。
风险：模型错误、数据隐私、合规、安全生产及责任事故等风险的暴露、控制与可接受程度。
能力沉淀：可复用的数据接口、知识库、评测方法、流程模板与组织学习。
决策：扩大、调整或停止的条件，价值与风险由谁承担。
具体到AI应用，有一笔常被遗漏的账——影子人工成本，即为维持AI系统可信运行，在监督、校验、纠错和异常处理中投入的人力。之所以称之为“影子”，是因为它不像模型调用费或硬件采购费那样显性列支，却真实地跟随每一笔AI输出而存在。企业可能削减一线标准任务的人力投入，却相应增加高技能专家的复核投入。这类成本在试点阶段尚不显著，但随着规模扩大往往逐步显现；尤其在业务规则频繁变动、异常情形多发或责任风险较高的场景下，人工监督需求未必随使用量增长而自然下降。
因此，核算AI项目时，既要计算模型调用成本和节省的工时，也要计入维持系统可信运行的人工监督成本。若节省的基层工时被这些新增投入抵消，那么即使单任务效率提升，整体成本结构也未必改善，反而可能恶化。
影子人工成本之所以容易被遗漏，一个重要原因是立项阶段缺少明确的核算责任。这也意味着，共同价值账本不能止于收益测算，还须在项目设计与投资决策中同步纳入价值治理和风险治理：前者回答“是否值得继续”，后者回答“能否以可接受的方式继续”。企业可以对低风险应用开展简化审批和抽样检查；对招聘、授信、安全生产和重大合同等高风险场景，则实施更严格的测试、人工监督和独立审查。治理的目的应是提升可信度，而非增加层级。
如何测算“影子人工成本”
连续统计：系统每完成100个有效业务任务，需要投入多少人时用于审核、纠错和异常处理。
将上述人时乘以相关人员全成本，再除以有效业务任务数量，得到“单位有效任务的人工监督成本”。例如：每100次AI辅助审批需20小时人工复核，复核人员全成本为每小时200元，则每次有效任务对应的人工监督成本为40元。
观察该成本是否随模型和流程迭代持续下降。若长期不降，项目未必失败，但其经济逻辑可能更接近人机增强，而非以减少人工投入为核心的自动化，投资回报逻辑亦须相应调整。
管理者需要改变的四件事
1. 从问题出发，而非从模型出发。不要从模型功能倒推场景，也不要只选择最易展示的任务。应从收入增长、客户流失、成本结构、决策瓶颈和重大风险中寻找优先问题，并明确基线、成功标准和退出依据。否则，再出色的模型指标也可能重演开篇那个“排产快了、履约没变”的故事。
2. 按端到端流程重构，而非按节点优化。将AI嵌入完整价值流，明确哪些输出可直接执行、哪些仅作建议、哪些必须由人批准，以及异常如何升级。在衡量上游局部收益的同时，还须追踪下游新增的复核、等待和风险。
3. 权责写入系统，账本对齐利益。将关键节点的决策、纠错与资源调动权限写入系统规则；共同价值账本则把经营收益、系统质量、风险暴露、全周期成本（包括影子人工成本）和能力沉淀同时纳入业务与技术负责人的评价。对于能够形成独立收入和成本边界的项目，可以进一步采用项目级损益核算。
4. 复制的是方法，不是样板。试点在第一个场景中成立，仅说明“能做”；在第二个场景中仍成立，才算“可复制”。企业须沉淀接口、评测、权限、流程和培训方法，并允许新场景保留必要差异。规模化是基于学习能力的复制，而非照搬样板。
何时应该停止一个AI项目？
定义不清、基线缺失——暂停，重新界定问题。
价值黑箱、影子成本失控——停止，不再追加投入。
数据安全、隐私与合规风险超限——果断停止，无商量余地。
同等资源在其他场景回报更高——重新配置，及时止损。
回到开篇的排产案例，问题从来不只是AI能否把数小时的任务压缩到几分钟，还包括这种提速能否最终改变交付周期、成本结构和客户满意度。通用模型、算力和工具日益普及，真正决定AI价值的，是企业能否将对客户问题的理解、端到端流程设计、专业判断与跨部门协同，系统性地转化为可持续的经营结果。当这种转化能力形成时，AI便不再是局部提效工具，而内嵌为企业经营系统的有机组成部分。
施涵 | 文
施涵博士是香港大学当代中国与世界研究中心非常驻资深研究员、香港科技大学商学院访问学者。长期从事可持续发展、企业转型、组织治理及ESG研究与实践，在香港大学、香港科技大学等讲授MBA与EMBA课程。联系方式：han.shi@aya.yale.edu。
廖琦菁 | 编辑
联系方式
投稿、广告、内容和商务合作
newmedia@hbrchina.org
