核心结论：实体企业要把握 AI 技术红利，应先挑选一个有明确负责人、可取得数据、能衡量结果的业务问题，再决定模型、设备和系统投入。优先考虑质检辅助、设备维护、库存预测、工单处理与客户服务等流程；用试点前后的质量、时间和成本指标判断是否扩大，而不是以部署了多少模型作为成果。
为什么现在值得行动？
OECD 于 2025 年 11 月发布的中小企业调查显示，受访企业中有 31% 已在使用生成式 AI；在使用者中，65.1% 报告员工绩效有所提升。调查也指出，制造业的使用比例相对较低，且任务效率能否转化为企业利润仍存在不确定性。这是跨国样本的调查结果，不应直接当作中国制造企业的收益承诺。
美国 NIST 制造业推广网络在 2025 年 7 月面向中小制造企业发布工业 AI 实施指南，强调结合业务目标、现场数据、员工能力和风险管理推进应用。对实体企业而言，机会既包括生产现场的识别与预测，也包括采购、销售、售后等信息流程的提效。
先选场景：看业务损失，也看数据条件
生产与质量
对重复性强、缺陷样本可积累的环节，可评估视觉质检辅助；对停机记录、传感器数据较完整的设备，可探索异常预警。试点应记录漏检率、误报率、停机时间和人工复核工作量。样本少或工况频繁变化时，先完善采集和标注，比直接购买复杂模型更有效。
库存与供应链
把历史销量、交期、库存和促销因素连起来，可辅助补货与排产。评价指标应包括缺货率、库存周转、预测误差和紧急采购次数。模型建议应交由采购或计划人员复核，尤其在新品、季节突变和供应中断时。
销售、客服与知识工作
把产品资料、报价规则和售后手册整理成有权限的知识库，可辅助客服答疑、工单分类和销售资料检索。企业应核对答案引用来源、过期信息比例、转人工率及客户问题解决时间；报价、退款和承诺交期仍需由业务系统和授权人员确认。
一项试点如何算清账？
中蓝科创建议用四步执行：第一，确定流程负责人和一个主要指标，记录至少一个完整业务周期的基线；第二，梳理数据来源、权限、质量与可共享范围；第三，在限定产线、门店或团队内运行，保留人工复核及异常退出方式；第四，比较试点前后的单位处理成本、错误率、交付时间和客户体验，并把软件、集成、培训及持续维护成本计入总投入。
如果试点只节省了个别员工的操作时间，却增加大量复核、数据整理或供应商费用，就不能只展示模型准确率。扩展到更多站点之前，还应验证不同设备、班次、商品和人员条件下的稳定性，并明确故障后的责任与回退流程。
哪些基础工作不能省？
实体企业的数据常散落在设备、ERP、仓库、门店和个人表格中。先统一关键编码和业务口径，建立可追溯的数据更新机制；对客户信息、合同、价格和生产参数设置访问边界。涉及采购下单、库存调整、对外报价等写操作，应由后端校验身份、审批条件和操作记录，不能仅凭模型文本直接执行。
中蓝科创观察：AI 适合作为一项持续改善工程：从可复用的场景和数据开始，逐步沉淀接口、评测集与岗位协作方式。企业无需同时改造所有系统，先用一个能衡量的闭环证明价值，再决定下一轮投入。
资料来源：OECD《Generative AI and the SME Workforce》（2025 年 11 月 5 日）；NIST MEP《Artificial Intelligence: Key Consideration and Effective Implementation Strategies》（2025 年 7 月）。文中实施步骤与场景选择为中蓝科创分析。
