周大福、安克创新等十余位一线操盘手：从“会答”到“会干”，AI 进执行层卡在哪？

头图 | 虎嗅智库现场拍摄 今年7月在苏州的一场闭门会，行业仍在讨论一个基础问题：AI能不能进入企业核心业务和工厂？ 当时被反复提到的障碍有三类：关键数据不可观测、模型结果难验证、出了问题无人负责。 上期回顾 几个月后，问题已经向前推进了一步。 近期，虎嗅智库在深圳盐田区周大福大厦，组织 了新一场Agent下车间 线下闭门会。来自周大福、安克创新、新明珠、八马茶业、广隆食品等企业的一线负责人，以及广域铭岛、思谋科技、中用科技、金蝶等技术团队，围绕AI进入真实业务后的案例和问题展开讨论。 三个多小时里， 桌上摊开的 案例大致分为三类。 第一类已经进入业务系统，包括销量预测、自动下单与跟单、订单异常预警，以及质量异常根因分析、工艺文件生成等。 第二类采用人机协作。比如，AI质检先标出产线上的可疑区域，再由老师傅判断真假；药厂把送样、记录和报告生成交给“数字员工”，但技术路线和平台标准仍由人决定。 第三类则绕开了“替代人”。柔性产线上的部分装配工位暂时无法由机器人接管，于是模型转而“看人”，检查员工动作是否执行到位。 讨论环节，争得最凶的反而不是技术。有人把话挑明：非核心场景如果算不清效率提升或成本节约，管理层就不会批预算，所以必须先挑能算出账的场景做——质检、排产、库存优化这类。 也有人追问更现实的选择题： 同一个能力，是自建模型还是调外部 API？ 前者投入重，后者担心数据安全，中间那条混合的路怎么走，没人给出标准答案。被反复提起的还有一件事：Agent 干完的活，出错算谁的？现场没有一个人主张把决策权完全交出去，分歧只在于人要在哪一环接手。 与苏州场相比，问题已经从“哪些场景能做”，转向“系统跑起来后如何管住”：质量怎么控制，责任怎么划分，组织又如何承接被AI放大的个人效率？ 当AI从“会答”走向“会干”，企业真正要补的课，已经不只是模型能力。 以下 是 基于现场研讨整理 的部分内容 ，经编辑重构。 01 先让AI可控地干活 AI要触碰企业核心系统，最大的风险不是“不够聪明”，而是“不够稳定”。 直接让AI操作浏览器界面，或者进入数据库自由查询，带来的可能不是效率提升，而是难以预测的业务事故。现场企业给出的答案，也不是简单换用更强的模型，而是先给AI划定边界。 安克创新没有让端到端的黑盒Agent接管整条供应链，而是将系统拆成策略层和执行层 。安克创新的供应链数智化化能力建设负责人钟伟平现场分享道。 策略层负责预测和趋势分析，只输出建议，不直接触发业务动作；执行层不采用Agent模仿人工点击浏览器，而是将确定性逻辑封装成标准的业务API，让Agent在企业业务上下文中调用，同时配合独立上下文的Check agent作为质量门禁，使得Agent在执行层场景稳定可信。 这套机制曾用于一次新品销量预测。人工依据历史经验给出的月销量预估为1000台，策略Agent结合生态流量和竞品数据给出的预测是1万台，最终实际销量约为1.12万台。如果仍按人工基线备货，几乎必然断货。 另外，在工业制造端，欧阳仁权（吉利广域铭岛华南区副总）表示，广域铭岛并不假设模型不会犯错，而是 先通过数据湖清洗原始数据，将其转化为标准化指标 。 Agent只能从这套“指标工厂”中调取经过处理的数据，不能在原始数据中自由发挥。在某电池车间，过去需要跨部门开会8小时完成的良率分析，现在可由多因子分析智能体在10分钟内生成一份带证据链的报告。 这也意味着，所谓企业数据“不可观测”，往往不只是看不见数据，而是缺少一套统一口径，使数据无法被机器可靠调用。 02 不是每一环都需要大模型 现场还有一类更务实的派法。 周大福 ICC助理副总裁胡志军举了一个很实在的例子：他们原本用 APS 做排产，也试着做一个 Agent 去帮排产员，结果发现——调 Agent 还不如原本的 APS 快。当确定性系统已经跑得足够好，硬塞一层 AI 进去，增加的只是成本和不确定性。 某国内头部医药企业 的嘉宾表示，身处强监管的制药行业，生成式大模型被严格限制进入核心生产环节。真正落地的是工艺分析、设备预测维修、能耗优化等场景。 中用科技 则把制造业的 AI 拆成两件不同的事：供应链和运营端大多是数据整理，制造端的调优才是真正的反向控制，两者不能混在一套逻辑里谈。 同时，当话题从架构下沉到具体的产线与供应链，嘉宾们摆出来的是最真实的痛点，也是最直接的甜头。这些案例的共同点是：没有一个是全流程重构，都是在某一小段高频动作上做到了极致。 新明珠集团 CIO李继湛：新明珠在瓷砖质检引入 AI 视觉检测后，AI检测系统设计能力达 60 米/分，刚好覆盖陶瓷产线 40-50 米/分的全部运行速度——这解决了人工目检 20-30 米/分卡产能的瓶颈。单线质检人力从 4 人减到 2.5 人（节省 37.5%），两条线每年节约人工成本 42 万元。难点在于对于有凹凸纹理类的产品，它是工艺美感还是瑕疵，AI难稳定区分。 广隆食品 信息化负责人江世文：过去烘焙新品报价靠人工计算食材、物流与损耗，一轮流程要半个月。广隆食品把产品成本测算的逻辑封装给 Agent 之后，新品报价直接压缩到 2 分钟。同样的思路也用在了经营侧：过去是店长手动拉经营数据，现在改成 AI 每 3 小时主动向终端推送业绩预警——从“人拉数”变成了“数推人”。 八马茶业 供应链采购和数字化项目负责人邹林：不是每家企业都有厚重的数据底座。八马茶业没有追求重型大模型部署，而是基于办公协同工具把 SCM 等几个分散系统打通，由智能体自动监控数百家茶农供应商的资质、来料质量风险与订单风险。这种“找小切口、做轻度 AI 应用”的路子，在供应链场景里跑出了性价比极高的业务闭环。 03 一些容易被漏掉的账 与会专家在现场指出，算 ROI 不能只盯 Token 和模型调用费，至少要把四笔账合起来看：收益账——良率、产能提升与错单减少带来的直接收益；调用账——模型、Token、并发与边缘算力的持续成本；改造账——数据治理、API 接口封装与设备连接的改造投入；风险账——人工复核、异常接管与审计追踪的隐性工时成本。 中用科技CEO赵杰特别提到一个容易被忽略的事实：很多制造企业前期部署算力，很大一部分成本其实消耗在了数据清洗与整理上，而这笔钱通常不在 AI 项目的预算表里。 思谋科技 产品总监刘凯提出了一个更尖锐的问题：如果员工借助AI节省了1小时，但后端审批链条和权责机制没有变化，那么前端提升的效率，反而可能在后端形成新的拥堵。 效率不会凭空增加，它只会暴露流程中下一个尚未改造的瓶颈 。 因此，AI带来的并不只是单点提效，而是对整条工作流的压力测试。一旦局部处理能力提升，原有组织流程中的冗余审批、权责模糊和部门壁垒会更快暴露出来。 对于当Agent开始执行真实业务动作， 金蝶 工业互联网首席专家计晓军等嘉宾的观点趋于一致——AI可以计算选项，却无法代替企业承担后果。现场逐渐形成的方案是按场景分级授权： ● 低风险、可逆的流程，可由系统自动执行； ● 涉及大额资金或关键系统写入的动作，必须二次校验； ● 涉及生产安全、质量与合规的环节，原则上保留人工审批。 04 结语 三个多小时的讨论都是在相互启发相互借鉴，没有人给出标准答案。现场出