AI落地实践连载③|掌握底层逻辑,寻找AI落地场景并不难
在人工智能加速向千行百业渗透的当下,为助力企业持续将AI技术转化为实际生产力,我们在公众号开启「AI 落地实践」系列连载,持续分享6月6日「智见新局・AI—— 人工智能 ToB 场景落地研讨会」上各企业代表在不同业务领域的高价值AI落地场景。
本期聚焦金现代董事长黎峰的演讲,解码AI应用的底层逻辑,探索如何寻找AI落地场景。
以下为演讲精华实录:
信息系统老在“体外循环”
很多领导都跟我感慨,说寻找落地场景特别难,但其实没有想象中那么难。
我们先来看看信息化系统。我们搞了 30 年信息化,信息化系统实际是干什么呢?
拿电厂缺陷管理来说,系统框架从隐患发现、缺陷分析、缺陷处理都有部署,但现实是人们经常得脱离系统人工处理,再把结果录入到系统里。这说明什么?系统只干着存储、传递、展示这些基础活,只是在辅助人工做决策,我们把这个东西叫作“体外循环”。
我经常跟团队说:开发一个系统10万就能做,但是100万未必能做得完美。就像我给学生上课举的例子:5万块能做图书馆管理系统吗,可以!想做个图书采购决策功能,其实只需要把采购委员会的说明书录进去,做成表单。
这就是信息系统的关键问题 ——总是在体外循环,很多环节还得在系统外人工处理。
比如缺陷分析阶段,系统可能设了下拉框选缺陷等级和分类,但实际选择还得靠经验:新来的大学生干不了,往往需要三年以上的专责工程师。到了缺陷处理环节,写消缺方案很难,但写好了之后把它录入系统其实很简单。这就是为什么大家反感信息化:系统没解决实际问题,我们只是在系统里边做 “增删改查”。
AI落地的底层逻辑
那么,到了 AI 时代,怎么找落地场景?怎么真正理解信息化和智能化的区别?
智能化系统能干什么?拿缺陷分析来说,巡检出隐患分析大模型后,能自动化完成分析,不用依赖人的经验 —— 这就是一个落地场景。
再看处理方案撰写,这比分类更难:是马上检修、暂缓检修还是停机检修?以前判断全靠经验。虽然我跑过很多电厂,在电厂干过很多年,但是写消缺方案还是觉得费劲,但如果我们用历史数据训练模型,就能快速生成方案,不再依赖有经验的老师傅。
我们总说智能填写、智能写作,这些不该只停留在流程管理,工业和生产管理更需要。因为我们从80年代末开始找信息系统,30多年信息化积累的海量数据,足够支撑模型训练。
所以,找落地场景的逻辑很简单,用一句话总结,就是:找到系统里还得人工处理的节点,想想能不能用 AI去完成。
具体可以聚焦两类场景:
一类是看似简单但高频、耗时的工作;
另一类是复杂、依赖知识、经验的工作。这不仅解决了知识传承的问题(比如老师傅退休后人才培养周期长),还能通过数据积累让系统越用越聪明。
我们服务的某省电力公司,他们的配电网信息系统建了很多年,覆盖问题分类、工程造价、审批、结算验收等全流程,整个系统看起来非常完备,但依然有上百个 “体外循环” 的节点。他们从中挑出经济价值高、可行性强的节点,用大模型实现了自动化处理。这是在电力行业的实践,其实在各行各业都适用。
虽然现在很多模型都是针对具体问题的局部模型。但Agent 技术来了以后,基于 MCP(Model Connection Protocol)标准,这些模型可以像插件一样集成到传统业务系统里,或者用 Agent 串联起来解决问题。所以不用怕场景零散,只要按 MCP标准建设,把模型封装成智能体或 API,就能被业务系统调用。
说到AI应用,很多人先想到问答窗口,但真正的价值在于把 AI封装成服务:和业务系统交互、按 MCP 标准被 Agent 流程调用 —— 真正能被 To B 领域的应用,而不是只用在To C 的娱乐场景。
关于AI的两点思考
最后分享两点思考。
第一,AI 时代的价值重构。当某一环节成本大降,它的价值就会弱化,产业链重心会转移。比如视频一键生成技术出现后,制作成本降了,剧本和原创内容就更值钱;工业制造里,制造成本降了,价值就向品牌和设计转移。同理,当编程成本降了,价值会向创新和设计倾斜。这时候我们应该思考的是,AI带来了大量价值的转移,我们该如何去转型?
第二, AI的确在替代人、替代知识和经验。工业革命替代了同质化的体力劳动,AI 时代正在替代处理信息的白领。从信息化到智能化,当白领工作成本降低,价值必然转移 —— 这会导致产业兴衰和价值链重构。那么下一轮价值可能转向哪里?可能是原材料(比如矿石)、能源(比如核聚变),或者情感领域…… 就像从说书、评戏到话剧、电影,再到COSPLAY再到剧本杀的演变,旧产业消亡,新产业崛起。
所以回到最初的话题,寻找 AI 落地场景,既要盯着当前价值链的降本增效(比如炼钢烧结、锅炉尾气氮化物预测),也要预测价值链重构后的新重心,提前布局高价值环节。这是我对 AI 的一点思考,供大家参考。