20|行业落地(二):制造与能源,从提效到降本
你好,我是曹犟。
这一讲,我们来到行业篇的第二站,讨论制造与能源这两个典型的重资产行业。
上一讲我们讨论强监管行业时提到,客户首先会为控制权和治理能力付费。而到了制造和能源,价值判断需要换一套标准:制造业看设备利用率、良率(合格率)、停机和库存,能源行业则看设备可用率、非生产时间、损耗、保供和安全风险。
用 第 6 讲 和 第 15 讲 的语言体系来说,制造与能源的这些指标都对应具体的业务结果。区别在于,制造业的价值大多可以落到损益表上,能源行业的保供(持续供给)和安全价值不能只用钱衡量。
先以制造业为例,简单算一笔账。一条大型产线,生产效率提升 1%,值多少钱?在互联网公司,研发工作流上 1% 的效率提升可能都不够写进周报;但在一家营收百亿元的制造企业,产线效率、物料损耗、库存周转里的每一个百分点,都是以千万元甚至亿元计算的实际收益。这就是重资产行业的一个典型价值特点:单点提升看起来不大,但乘上巨大的业务基数,价值就会很可观。
所以,这一讲主要想回答两个问题: 制造与能源为什么会成为 FDE 做 AI 项目的一片蓝海;进入这两个行业后,AI 带来的改善怎样转化为可衡量的业务结果,又需要补齐哪些数据基础和安全边界。 接下来,我们先看制造业从提效、提质到降本的价值路径,再看能源行业的作业优化和风险识别,最后讨论两类行业共同的数据基础,以及规则、模型和人的分工。
为什么制造与能源可能是 FDE 的蓝海?
我先从中国 To B 软件市场的一个现象说起。中国和美国的经济总量已经在同一个量级,但 To B 软件市场规模相差十倍以上,而且过去十年差距也没有明显缩小。这也是过去十年中国 To B 投资热潮没有达到很多人预期的一个重要背景。
其中一个经常被讨论的原因,是中国有相当一部分经济活动集中在非充分竞争行业,企业通过软件提升竞争力的动力没有那么强。例如烟草、铁路、电网、油气干线管道网络等关系国计民生的行业,在中国 GDP 中占有一定比重,却很难直接转化为普通 To B 软件市场的需求。
但除此之外,我个人认为还有一个非常重要的原因:中国制造业占 GDP 的比重远高于美国,但过去十年涌现的中国 To B 软件,包括神策自己的产品,更擅长解决线上和经营管理问题,很难深入线下复杂的生产现场。
这两个原因叠加,造成了这样一个结果:制造与能源这两块在中国经济中占比很大的市场,过去都没有被 To B 软件充分服务。它们当然不缺各种管理、生产和控制系统,但有系统不等于被充分服务。传统软件更多解决记录、流程和控制问题,每一处生产和作业现场背后的具体问题,仍然需要大量人工经验补位。
AI 和 FDE 可能会改变这件事。制造与能源的需求都非常具体,每一处生产和作业现场,都有自己的设备、数据、规则和专家经验,单靠一套标准产品很难解决。FDE 可以进入现场,把模型、数据、规则和专家经验连接起来,再用良率、停机时间、设备可用率、成本和安全风险来衡量价值。
从这个角度来说,制造与能源都很可能成为中国 FDE 做 AI 项目的一片蓝海。
制造业的价值三级跳:提效、提质、降本
制造业是一片值得关注的蓝海市场,但 FDE 进入生产现场之后,还是不能只讲技术能力和效率提升,还要把价值逐步算到损益表上。
为什么?因为只讲提效通常很难获得足够的预算。跟制造业老板讲“帮工程师每天节省两小时”,价值可能并不明显,因为人力成本在他的成本结构里占比有限;如果讲“良率提高零点五个百分点”或者“库存周转加快一成”,这些数字会直接反映在损益表上。
同一套技术,描述的业务结果不同,能够获得的预算也会完全不同。
基于这个判断,我把制造业的价值创造路径分成三级:提效、提质和降本。它们不是三种互相排斥的价值,例如提效本身也会带来降本。区别在于,价值创造是停留在个人和流程效率,还是进入良率、设备利用率等生产指标,或者进一步进入库存、运输和整体损耗等经营结果。越往后,离损益表越近,能够支撑的预算通常也越大。
下面结合几个案例,看看这三级价值分别是怎么产生的。
第一级,提效:缩短作业时间
这一级最典型的场景是排产。据报道,华为盘古大模型在制造场景中的一个结果是:过去排产计划每天要花 3 小时,累计 3 天才能出一版,现在 1 分钟就能生成。排产为什么难?设备产能、物料齐套、交期承诺、换型损耗,几十类约束互相影响;而且现场变化很快,一个急单插进来、一台设备突发故障,整套计划就要重新调整。人排三天,完成的时候可能已经过时;AI 能够在一分钟内重排,计划才可能跟上现场变化。
但需要注意,排产提效直接节省的只是排产计划员的工时,它更大的价值在下一层: 更优的排产可以提高设备利用率、降低在制品库存。
华为把自己的路线形容为“做难事”:盘古不做通用聊天,而是进入矿山、产线等复杂现场。矿山行业大模型已经规模化应用在 8 座煤矿,覆盖 7 大流程、1000 多个场景;而盘古大模型整体覆盖 30 多个行业、400 多个场景。
深入现场、逐个场景解决问题、沉淀行业模型,这就是中国重资产行业中的 FDE 路线。
这个案例与 FDE 方法的关系,关键在于这些场景是怎样做出来的,而不只是最终覆盖了多少场景。模型由华为和山东能源共同建设,从 21 个真实场景起步。放到 FDE 的方法论里,共建意味着技术团队和现场人员一起定义问题、准备数据、确定验收标准,再把模型嵌入实时调参、故障识别、规范审核和设备联动等实际流程。整个过程围绕具体作业闭环逐个施工,而不是把一个通用模型直接交给客户。
更重要的是,这套共建机制并没有停留在最初的 21 个场景。这个案例中,AI 模型的落地周期从一两个月缩短到两三周,一个应用场景只需要一两个人开发,数据标注工作量也减少了八成以上。这组数字说明,技术团队与现场人员共同定义问题、准备数据和验证结果之后,形成了一套持续开发现场应用的机制。盘古案例最值得关注的,不是某个单点指标,而是行业模型怎样通过一次次现场共建逐步成形。
第二级,提质:改善生产结果
提效解决的是同样的工作能不能做得更快,提质则要进一步看 产品本身有没有变得更好,比如良率是否提高,缺陷、返工和报废是否减少。到了这一级,FDE 的验收对象要从人的工时转向生产结果。
日本制造企业丰田自动织机,在汽车保险杠的涂装环节遇到过一个典型问题:涂装缺陷往往到了生产后段才暴露出来,返工成本很高。丰田自动织机与微软等一起,用真实工厂数据做了 3 个月的试点,把设备传感器、工艺参数、温度和湿度等数据连接起来,再用 AI 分析近 400 个变量,寻找与涂装缺陷最相关的因素。
按照微软披露的口径,试点期间,特定涂装缺陷下降了约 25%,分析周期也从 5 天缩短到 4 小时以内。前一个数字是提质,后一个数字是提效。同一个项目当然可以同时创造两级价值,但账要分开计算:分析速度再快,如果缺陷率没有下降,就还没有改变生产结果。
这个案例与 FDE 方法论的关系也很清楚。技术团队没有只交付一个分析模型,而是先用真实数据完成试点,再让生产、工艺和一线团队基于同一组数据寻找根因、采取措施,最后回到生产线上验证缺陷率有没有下降。提质类项目不能只验收模型准确率,最终还要看良率、缺陷率、返工率和报废损失有没有真实改善。
第三级,降本:进入整体经营结果
提质改善的是某个生产环节的结果,降本则要把这些改善继续往下计算,最终进入损益表。到了这一级,FDE 不能只证明某一个模型或者场景有效,还要把多个场景创造的价值汇总成一笔经营账。
美国食品企业泰森食品的案例比较典型。按照 Palantir 披露的口径,泰森围绕运输、库存和降损建设了 20 个用例,两年累计节省约 2 亿美元。这个数字并不是由某个具体应用产生的,而是 20 个用例共同积累的结果:有的减少运输浪费,有的降低库存,有的减少生产损耗,最后一起反映到总体成本上。
这 2 亿美元,是最终呈现出来的经营结果。对 FDE 来说,更需要拆解的是,团队怎样在同一个客户内部从第 1 个用例走到第 20 个用例。FDE 先从一个具体的浪费问题入手,把相关数据、业务实体和指标口径连接起来;第一个场景跑通之后,再复用同一套数据和语义基础解决下一个问题。泰森项目使用数据虚拟化技术,把数据湖里的 1700 张核心表在几分钟内注册进平台,不先搬迁数据,而是先建立语义。这样,后面的用例不必每次重新集成数据、理解业务。当前场景创造经营价值,沉淀下来的数据、业务实体和指标口径,则降低下一个场景的交付成本,然后下个场景又能进一步创造经营价值,整体进入正向循环。
共享数据和语义基础,解决的是用例怎样低成本扩展;这些用例创造的价值能不能汇总进损益表,还取决于另一件事: 归因。运输成本下降,可能同时受到油价和业务量变化的影响;库存下降,也可能来自销量波动。如果不提前确定基线、排除项和重复计算规则,20 个用例的价值很容易被算重。因此,FDE 要在项目开始时就与业务和财务团队确定归因口径,每个用例验收一笔,最后再汇总。只有这笔账能够被客户认可,按效果付费才有成立的基础。
需要说明的是,这三级更像三种验收深度,并不是所有制造项目都必须依次从头走完。
通常可以先用阻力较小、结果可衡量的提效场景建立信任,再进入提质和降本;如果客户已经具备完整的数据基础、强有力的内部赞助者和清晰的归因口径,也可以直接从后两级切入。
无论从哪一级开始,原则都是一样的: 先用可衡量的业务结果建立信任,再进入价值更高、改造更深的场景。

能源行业的两类价值:作业优化与风险识别
能源行业有两类典型场景,它们的价值衡量方式和人机分工并不相同。
一类是作业优化。 钻井、检修这类高成本作业,核心指标是非生产时间,设备每停一小时都会产生实际成本。英国石油公司用 AI 识别和减少非生产时间,按照公开综述的口径,累计节省了约 10 亿美元。需要说明的是,这个数字没有经过独立验证,你把它当作一个价值量级的参考就好。 作业优化类场景的价值比较容易计算,值得优先评估。
对 FDE 来说,这类场景的关键,是先把非生产时间拆成可以归因、可以行动的问题:哪些时间耗在设备故障上,哪些耗在计划等待上,哪些来自现场操作,都要对应到具体的数据和责任人。项目验收时,再把减少的非生产时间换算成设备、人力和产量损失,才能从“模型有效”走到“经营价值成立”。
另一类是风险识别。 美国加州的电力公司 PG&E,用 AI 从电力基础设施数据里识别山火风险,把预防性停电的范围收窄到风险最高的区域。这类场景的价值没法全用钱衡量,它保障的是供电和人命。
也因为如此,对于 FDE 来说,风险类场景的人机分工设计要求是更严的:AI 找出风险,决策必须交由人来做。安全生产领域有一条铁律,任何 AI 系统都不能违反:安全红线的判断权,永远在人。
再看一个覆盖风险识别与效率提升的中国样本。2024 年 12 月,国家电网发布了电力行业大模型,名字叫光明大模型,底座模型和工具链平台是百度智能云提供的。据报道,这是国内第一个千亿级的多模态电力大模型。多模态这个能力在电力行业不是噱头,设备运检的现场,杆塔照片、缺陷图像,大量信息是图不是字。目前电力设备运检、供电服务这些场景已经上线,往后还要往电网规划、运维和客服上探索。
这两个已上线的场景,分别代表能源行业中两种不同的价值方向:设备运检偏风险识别,供电服务则是典型的效率提升。为什么国网愿意下场共创模型底座?我的理解是,电力的私有知识太深了,设备台账、缺陷图谱、调度规程,都不在通用模型的语料里,只能靠行业共创往里灌。这也是 第 14 讲 所说的私有知识,在能源行业的一次印证。
把两类场景放在一起看,在能源行业,FDE 的工作重点就比较清楚了:作业优化容易算账,适合用来快速证明价值,重点是拆解损失并建立归因口径;风险识别的价值更加刚性,重点是明确谁来确认、谁来负责。两类场景的验收方式不同,进场方法也不同。
重资产的两条工程律
前面讨论的是重资产行业里值得做的场景,接下来再看这些项目落地时必须守住的两条工程原则。
第一条:数据基础比模型更难。 重资产企业的数据非常分散:MES 里一部分,ERP 里一部分,设备物联网里一部分,老师傅维护的 Excel 里可能还有一部分,而且口径经常不一致。 第 9 讲 说过,集成是一个很容易被低估的问题,在制造业尤其如此。空客的经典项目中,最有价值的施工工作,就是把十几个系统的数据整合起来。
这里还有一个供参考的经验:数据基础应该围绕选定的场景建设,对齐必要的数据、业务实体和指标口径,不一定要先铺一套大而全的数据平台。
真正的难点往往在于,不同部门能否对同一个数形成一致口径。同一个“停机时间”,设备部按故障单计算,生产部按产出缺口计算,两边的数字可能相差一倍。 第 10 讲 讨论过,同一个指标在不同业务口径下会得到不同结果,制造业里这样的指标更多。进场时就要对齐口径,不能等到汇报会上才发现双方说的不是一件事。
数据地基的建设,应该怎么验收?可以参考这三个检查问题。
第一问,北极星指标的每一个数字,能不能从源系统一路追到报表?中间断在哪里,哪里就是地基的裂缝。
第二问,跨系统的同一个实体,比如同一台设备、同一张工单,两边的编号能对上吗?对不上,后面所有分析都会分叉。
第三问,老师傅手工维护的那些 Excel 字段,进系统了吗?没进,最值钱的判断逻辑就还留在个人电脑里。
三个问题都通过,这个场景所需的数据地基才算合格;有一个问题没有通过,就先补齐对应的地基,再谈上线和扩展。
第二条:确定性归规则,概率归模型。 这是 第 10 讲“AI 加规则双重兜底”的工业加强版。制造和能源里有大量不容商量的东西:物理约束、工艺红线、安全边界,这些必须交给规则引擎硬校验,不能有任何偏差;而排产建议、参数寻优、情景模拟,这些优化问题可以交给模型自由发挥。
OpenAI 分享过一个亚太汽车供应链项目,做法就很标准:把确定性约束校验和概率性优化分开,在离线环境模拟数百种情景,选出最优的工厂和供应商组合,再由人确认执行。
一句话:物理世界不太接受“大概率对”。办公场景里,模型错一次,改一下就好;生产线上,参数越过工艺红线哪怕只有千分之一的概率,可能一炉料就报废了,安全场景里代价更是不可接受。所以概率模型的输出,必须过确定性的闸门,才能碰物理世界。

确定性和概率性的边界,实际划的时候也有办法可依。同样是问三个问题。第一问:这个环节有没有唯一正确答案?有,就归规则。工艺参数的上下限,超了就是超了,没有商量余地。第二问:错了能不能低成本回退?能回退的,可以让模型先给建议、人来挑选,排产方案就属于这一类;不能回退的,模型输出只能当参考,最终动作必须过规则闸门。第三问:答案会不会随现场条件而改变,而且变化规律说不清?会,才轮到模型上场,参数优化就是典型。
三步问完,哪些交给规则、哪些交给模型,边界基本就清楚了。

课程总结
这一讲,我们讨论了制造与能源这两个重资产行业。它们长期没有被标准化 To B 软件充分服务,而每个现场又有独特的设备、数据、规则和专家经验,因此很可能成为 FDE 交付 AI 项目的一片蓝海。重资产行业的价值特点是,单点改善乘上巨大的业务基数,就能产生可观价值。
制造业可以用提效、提质和降本三种验收深度,把单点改善逐步算进损益表;能源行业既要算作业优化的经济账,也要衡量保供和安全价值。
这一讲提到的案例和数字比较多,我把它们按口径整理成一张成绩单,方便你保存和引用:

两类行业共同的难点,是围绕具体场景打通数据、统一口径,并把确定性约束交给规则,把概率性优化交给模型。模型输出只有通过规则校验和必要的人工确认,才能进入物理世界。
我把这一讲讨论的值得做的场景整理成一张表:

如果你想转型 FDE,重资产行业非常需要“懂现场”。 第 5 讲 讨论的现场调研方法,在这里尤其有价值:产线术语、老师傅的经验,都是很难快速复制的认知壁垒。还有一个实操提示:对齐口径的最好时机,就是在第 5 讲所说的真实流程图绘制阶段同步完成。等项目进行到一半再对齐,调整成本会明显增加。
对交付和实施同学,进入制造与能源项目后,可以先把三件事写清楚:北极星指标从哪个源系统取数,同一个业务实体怎样跨系统对齐,哪些动作由规则硬校验、哪些动作必须由人确认。这三件事没有落到责任人和验收口径上,模型效果再好也很难真正进入生产。
对 To B 创业者和技术决策者,建议把两条工程原则写进方案评审的必查项。尤其是第二条:凡是让概率模型绕过确定性规则校验,或者直接触发高风险、不可逆物理动作的方案,都应该退回修改,补上规则闸门和人工检查点。
重资产的账算完了,下一讲我们去离收入和成本更近的地方:零售与客服。在这类行业,AI 带来的变化会更快反映在业务数字上,项目效果也会更快受到检验。
思考题
留两个问题,欢迎你在留言区聊聊。
第一,如果你的客户在制造或能源行业,选一个正在推进的 AI 场景:它目前能证明的是效率改善、生产结果、经营成本,还是保供和安全价值?你会用哪个业务指标来验收?
第二,检查一下你手头已有的 AI 方案:有没有概率模型的输出直接触碰物理动作或资金动作的地方?这中间的确定性闸门是什么?如果没有,打算怎么补上?
期待你在留言区分享你的思考。如果这节课对你有启发,也推荐你把它分享给身边更多朋友。