这两年，我跑的制造企业不少。
观察到一个非常有意思的现象：
几乎每家公司，都在上AI。
买几台服务器，部署一个开源大模型，请几个老师来做培训，员工学得很认真。
然后呢？
然后就没有然后了。
服务器还在跑，大模型也跑着，可真正用起来的人——不多。真正用在业务里的——更少。
AI在公司里，活得像一个最体面的摆设。
人人都说它好，真到干活的时候，谁也不太敢信它。
一、问题不在AI，在公司
有人说，这是算力不够。
有人说，是员工不会用。
还有人说，是没找到合适的场景。
这三个说法都对。但都是表象。
我的看法不一样。
企业AI叫好不叫座，根子只有一个：
AI根本不懂这家公司。
这话听着简单，但很扎心。
我说说我是怎么看到的。
你去问一家企业的数字化负责人：“你们公司AI用得怎么样？”
他大概率会跟你说：
“在探索阶段。”
你听听这个词。“探索”。
这两个字翻译一下，意思是——我们试过了，但还没用起来。
◆ 翻译得再狠一点，意思是——钱已经花出去了，价值还没回来，先拿“探索”这两个字挡一阵。
再去看看员工怎么用AI的。
大多数人拿它干什么呢？写周报，写PPT，总结一下会议纪要，搜点行业资料。
你说这些没用吗？
也有用。
◆ 但你花了几十万上AI，最后最大的成果，是员工写PPT快了十分钟——这投资回报率，做得相当有想象力。
我没直接这么说过。但心里一直有这句话。
二、AI很聪明，只是刚来的
先看那些培训内容。
基本教的是三样东西：怎么用AI写文案，怎么用AI做表格，怎么用AI生成报告。
教完之后，员工恍然大悟：原来AI还能这样用！
是的，还能这样用。
但这样用，跟公司核心业务有什么关系？
没什么关系。
于是一种特别微妙的状态出现了：课堂里热火朝天，回到工位一切如故。
热闹是热闹的，干活是干活的。中间隔着一整条银河。
◆ 银河这一头叫学习，银河那一头叫业务。老师教完就走了，没人发船票。
为什么会这样？
因为教给大家的，是一个通用AI。
而公司真正需要的，是一个懂自己业务的AI。
这个区别有多大？
大概相当于：
你新招了一个刚入职的应届高材生。
学历漂亮，脑子好使，什么都懂一点。
让他查资料，他能查；让他写总结，他能写；让他排个格式，他比谁都利索。
你觉得捡到宝了。
然后你领着他走到仓库，走到产线边上，问他：“这个BOM里的替代料是什么？”
他愣住。
你问他：“这批订单的齐套率，是怎么算的？”
他又愣住。
你再问他：“这套设备从下单到交付，走了几条线、经过几个人？”
他还愣住。
这时候你就明白了：他不是不聪明。
他是刚来的，他还没认识你。
◆ 咱们的AI，现在就是这个状态。它读过互联网上几乎所有的公开知识，能写诗能画图能聊天，甚至写代码都比很多人溜——但你要问它你们公司的账、料、单、活儿，它一概不知。它不是不聪明，它只是还站在公司门外。
所以AI现在能干什么呢？
只能退化成一个通用知识库。
问它常识，它对答如流；问它业务，它就露馅了。
就像一个新员工第一天上班，你问他公司的事，他当然不知道——因为他压根还没入职。
三、工具不趁手？是没人把手伸进去
然后问题来了：那怎么让AI入职？
很多公司开始上工具。
Dify、Coze，各类Agent平台。买了一堆，装了一堆，最后发现——还是用不起来。
为什么？
因为这类工具的底层逻辑是工作流。
你得告诉AI：第一步干什么，第二步干什么，数据从哪来，判断条件是什么，出错了怎么办。
这不就是工作流吗？
听起来是技术问题。本质上是管理问题。
你要配一条“合同审批”的工作流，你得先想清楚：合同从提出到签订，到底走几步？每一步是谁审？什么条件能过？什么条件打回？中间涉及哪些系统的数据？
你要配一条“物料替代”的工作流，你得先想清楚：什么情况下允许替代？哪些料可以替？谁来判断？替完之后影响哪些环节？
请问，有多少公司能一口气把这些讲清楚？
讲不清楚。
所以员工拿着工具配不出工作流，真不是员工的错。
是公司自己的业务逻辑，还没被翻译成AI能读懂的语言。
工具不是不趁手。
◆ 是没有人把手伸进去。
四、算力：一场锻炼耐心的修行
再说算力。
这个话题更有意思。
几千人的公司，想用AI的好几百人，先买几台服务器，部署一个开源大模型，结果响应速度嘛……
不能说慢。
◆ 应该说是锻炼耐心。等一个回答的时间，够泡一杯茶了。茶都凉了，答案还没来。
员工一两次之后就放弃了。谁能一边工作一边修行呢。
老板也开始犹豫：要不再加几台？
财务一算，不便宜。
IT部门被问到“加了就能解决吗”，想了想，不太好回答。
为什么不好回答？
因为这个问题，本来也不是算力能解决的。
算力是放大器。
你得先有一个值得放大的东西，算力才能发挥作用。
如果业务语义都没立起来，数据口径都没对齐，加再多服务器，也只是在给混沌提速。
快是真快了。
乱也是真乱了。
所以你会看到一个特别荒诞的画面：
公司花大钱买算力，花人力搞培训，AI依然只能在边缘打转，离真正的业务越来越远。
就像一个厨师，在精心研究灶台的火力，却忘了厨房里连菜都没洗干净。
这不是厨师的问题。
是备菜的顺序搞反了。
五、病根：语义没有立起来
挖到这里，病根就出来了。
企业AI叫好不叫座，不是因为AI不聪明，不是因为员工不努力，甚至不只是因为算力不够。
而是因为：这家公司的“语义”，还没被立起来。
什么是语义？
就是你公司的业务怎么跑，数据怎么通，流程怎么走，术语怎么叫，规矩怎么定。
这些东西立起来了，AI才能听懂你。
立不起来，你请再贵的AI来，它也只是个聪明且礼貌的外人。
◆ 聪明是真聪明，礼貌是真礼貌，就是什么忙都帮不上。
六、怎么立：企业架构的两翼
那怎么立？
这正是企业架构要干的事。
分两翼。
一翼，让数据贯通。
把散落在ERP、MES、PLM里的数据理清楚，统一口径，让AI知道你公司的账到底该怎么算。
这是给AI准备粮草。
没有干净、可用、通得过业务检验的数据，AI连张嘴的资格都没有。
一翼，让需求落地。
把业务怎么运转，规则是什么，流程有几步，异常怎么处理，讲清楚，写成结构化的架构。
这是给AI一份说明书。
有了这份说明书，AI才知道你说的“齐套率”是什么意思，你问的“替代料”在哪找，你要查的这个订单究竟卡在了哪个环节。
这两翼立起来，AI才算真正入职。
否则它永远只是站在门口，客客气气地看着你忙。
看完你辛苦，它也辛苦。
AI是好工具。
但不是所有公司都能马上接住。
工具可以后买，地基必须先打。
七、AI不背锅
上AI之前，先问问自己：
我公司的业务语义，准备好了吗？
AI不是来替你建架构的。
AI是来吃架构的。
你没喂饱它，它自然只能饿着肚子装傻。
所以别急着追问AI是不是泡沫。
泡沫这个词太轻了。
更应该追问的是：你的企业，有没有一副AI能听懂的架构。
有，就放手让AI去飞。
没有，那就先把地基立起来，再谈盖楼。
◆ AI不背锅。它很聪明，只是还不认识你。
而让它认识你这件事，得从企业架构开始。
星顺数字化讲堂
www.thinksum.cn
