一、两个案例，同一个前提：先有数据，才有智能

11月6日第八届世界浙商大会在杭州开幕，会上被反复提起的不是参数规模，而是两家实体企业怎么把AI用进主业：一家做丝绸做了半个世纪，一家给空客做飞机零部件。

这两家行业完全不搭，但落地路径一模一样——都不是先买一个大模型，然后想「这玩意儿能用在哪」，而是先把自家几十年攒下来的东西变成可用数据，再让AI去调用。顺序反了，钱就白花。

二、万事利：70万条花型 + 51年供应链，打包成一个智能体

万事利丝绸没有去追通用大模型的风口。它花了数年时间，把70万条花型数据、51年积累的供应链能力，打包成一个纺织垂类智能体TC68。结果是一条定制丝巾从设计到实物最快2小时；设计师过去要几天才能完成的花型创作，现在几秒钟出稿。

这里真正的分水岭不是「AI会画图」，而是它把三样过去散落在不同部门的东西接成了一条链：花型库（设计资产）、供应链能力（生产资产）、订单系统（交易资产）。三者不通，AI只能画出一张好看的图，画完还是得走原来那套两周的流程。

万事利集团董事长屠红燕在会上讲了一句很关键的话：AI更大的价值不在「省」，在「解锁」——解锁过去根本做不了的生意，比如一条起订、2小时交付的个性化定制。这种生意传统产线无论怎么降本都做不出来，因为它不是成本问题，是产能组织方式的问题。

三、西子航空：几百页英文手册，变成能问的助手

西子航空的活更「笨」：飞机零部件的合规审查，工程师要对着几百页英文手册逐行比对。这种活不创造价值，但必须做，做慢了就卡交付。

他们把零部件从开发到生产的整条工序链喂给「人工智能工艺助手」。结果时间成本砍掉九成以上——西子联合控股集团董事长王水福的说法是「十个钟头的活一个钟头干完」。这项能力帮助西子航空拿到空客「变革者」提名大奖，是全球15家提名里唯一的中国航空制造代表。

注意这个场景的两个特征：高频、有标准答案、但要查很多页。这类「比对型」工作是最适合AI先上的，因为对错有明确依据，AI答错也容易被发现。反过来，需要判断、需要担责的环节，先别交给AI。

四、反常识：AI落地卡住的地方，通常不是模型

大部分企业AI项目做不下去，复盘原因往往是这几条，跟模型能力关系不大：

• 数据在个人手里：老师傅的经验、销冠的话术、老客户的特殊要求，全在人的脑子里，没变成文档。
• 文档不可机读：几百页PDF扫描件、图片版制度、手写记录，AI读不进去，等于没有。
• 场景选得太大：「做一个全公司智能助手」，谁都想要，谁都用不上。选一个具体到「每天要花两小时的某一件活」，才有落点。
• 没有人复核：AI输出没人校验，错一次就没人敢用了。所以要设计复核环节，而不是指望AI不出错。

五、抄作业的三步：盘数据、选比对型场景、留人工复核

1. 盘数据（1到2周）：把与这门生意强相关的资料集中到一处——产品手册、报价表、售后问答、检测报告、历史合同。先做「能不能被搜索」，别急着做「能不能被理解」。
2. 选一个比对型场景（1周）：判断标准三条：每天有人在做、有明确对错依据、做错了后果可控。报价核对、合同条款比对、售后话术匹配、检测报告比对，都符合。
3. 留人工复核（长期）：AI出结果，人签字。西子航空的工程师也强调，AI做的是把资料整理好、把章节调出来，最终判断还是人做。这个边界不划清，项目第二个月就会停。

这三步不需要大预算。真正的成本是第一周那几天——把散在各处的资料倒出来、去重、按业务逻辑分类。这件事没有捷径，也外包不出去，因为只有你自己知道哪些资料是关键。

六、先想清楚一个问题再花钱

花钱之前先回答一句：我这家公司里，哪一件活是「每天有人在干、有标准答案、但很费时间」的？答不出来，说明该先盘数据，而不是先选供应商。

想把自己店铺或工厂的AI切入点过一遍，可以走 /contact 找我们按你的实际业务聊。如果你更关心AI投入到底省了多少钱、多久回本，站内的店铺财务系统 /finance 可以先把人力成本、订单量和毛利跑成基准线，再拿AI的降本数字去对，避免拍脑袋上项目。