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。