都知道 AI 能提升生产效率，但对大多数制造企业而言，真正的难题不是 " 没有 AI"，而是 " 用不了 AI"。

2021 年，山东龙口一家年产值数亿的汽车天窗玻璃制造商，在新建 4 条产线的同时，斥资好几千万元部署了当时最先进的 AI 视觉检测系统。

老板的算盘很响：用 " 智能大脑 " 替代人眼，提升效率，降低成本。

但到了 2025 年，公司经理就对媒体抱怨：" 玻璃表面会出现反光折射，会被 AI 设备误判成有缺陷，并弹出到人工复检。"

这套斥巨资引入的 " 智能大脑 "，检测失误率高达 12% 以上。这意味着，公司每年生产的 1000 多万片汽车玻璃中，有超过 120 万片需要从自动化产线上被 " 捞 " 出来，重新走一遍人工复检流程。

没想到用了 AI 后，反倒增加了人工检测的工作量，投入与产出直接倒挂。

为什么会这样？

这是因为一个制造车间里，有很多不同年代、不同品牌、不同控制协议的设备 " 诸侯割据 "，老旧 " 哑设备 " 缺乏数字接口，新设备又各自为政，一个环节错了，整个系统都会错。

当轻捷的 AI 算法，撞上庞大、稳定且环环相扣的工业系统，水土不服成了普遍现象。

如何让 AI 消化复杂的工业系统，成为中国制造智能化转型中最现实、也最棘手的命题。

在深圳 TCL 的研发中心，TCL 实业软工中心应用开发总监沈雪松一度也面临过同样的难题。

他手下的工程师，每天一睁眼，就要 " 考古 "：去读懂十多年前、早已离职的前辈写下的代码。

一个新来的大学生，想真正上手干活，得先花三个月 " 学历史 "。

一个资深工程师 " 一天   8   小时，真正写新功能的时间可能只有   2   小时 "：两小时写新功能，两小时读天书般的老代码，两小时追踪幽灵般的 Bug，剩下的时间在无穷无尽的会议、文档和测试里耗尽。

真正创造价值的时间，很少很少。

其实今天 TCL 面临的这个问题，也是全球制造共同的难题。

咨询公司 BearingPoint 在 2025 年一份报告中指出：在汽车和工业制造行业，高达 60% 的高管认为，老掉牙的遗留系统是他们拥抱 AI 的最大拦路虎。这个数字，是其他行业的两倍还多。

消费品巨头高乐氏（Clorox）曾被一套运行了 25 年的 ERP（企业资源规划）系统锁得死死的。

这套系统管着从订单到库存的一切，牵一发而动全身，改造它被内部评估为 " 复杂且高风险 "。2023 年的一次网络攻击，终于让这套老系统的脆弱彻底暴露，给高乐氏带来了近 4 亿美元的惨痛损失。

老系统不能轻易换，那就绕着走。

于是，过去几年，全球工厂流行起 " 打补丁 " 式的 AI 改造：在质检环节加个视觉 AI，在排产环节塞个优化算法。

这招在封闭场景下有用，比如电子代工厂 Flex 在墨西哥用 AI 排产，换线效率提升了 30%。

可一旦想动核心，比如产品研发流程、供应链协同逻辑，补丁就失效了。

庞大的躯体需要 AI 去换血，但每一次动作，都可能扯痛伤疤。

麻省理工学院斯隆管理学院研究发现，越是历史悠久、体系成熟的大型制造企业，在引入 AI 的初期，其生产效率反而可能下降。

原因在于，这些企业根深蒂固的流程、森严的层级和盘根错节的遗留系统，形成了巨大的 " 制度惯性 "，使得组织难以快速适应 AI 驱动的新工作流。

方法总是试出来的，2025 年，沈雪松的团队决定换个玩法。

他们不再满世界寻找 " 包治百病的 AI 神医 "，转而和腾讯云合作，试着在自家研发体系里，养一个 " 懂行的 AI 学徒。

这个 " 学徒 " 叫 CodeBuddy（腾讯云代码助手），它进场路子，和预想的不太一样。

它没要求 TCL 推翻用了十几年的 IPD 开发流程，也没让工程师们换掉熟悉的编程环境。就是装了个插件，在现有工具里多了个聊天窗口。

但这个小窗口却能节省很多时间，比如要研究一个电视播放卡顿的 BUG，过去工程师要当 " 考古学家 "，在浩如烟海的旧文件里排查 8 小时。现在，他们可以把有问题的代码块和报错日志，直接贴给这个 AI 工具。

CodeBuddy

它会在几分钟内梳理出关联线索，指出几个最可能的漏洞点，并用注释说明那段 " 天书 " 大概在干什么、当年为何那么设计，这让问题定位的时间大幅缩短。

" 现阶段我们已采购 500+ 个专属 License，公司一线研发工程师使用率、覆盖率突破 90%，基本实现核心研发团队全覆盖。"

更关键的变化，发生在团队能力的边界上。

沈雪松举了个例子：有一次，业务部门需要一个支持 3D 渲染的新功能模块，但团队里都是做安卓应用开发的，没人熟悉 3D 引擎。按传统做法，这要么得招新人，要么外包，周期和成本都难以控制。

那次，他们没走老路。负责的安卓工程师就带着这个 AI 工具，边查资料边尝试，遇到问题就实时询问，一步步把项目搭了起来。最后，这个临时转型的团队竟然把项目交付了。

基于这个案例，沈雪松开始意识到，团队能力的核心正在从 " 拥有现成技能的人 "，转向 " 能快速教会 AI 掌握新技能 " 的组织方法。

随着 AI 运用的越发深入、熟练，团队的研发效率大大提升、维护成本也随之下降。

在结结实实享受到 AI 带来的好处后，沈雪松察觉到，团队里有些东西不一样了。

以前开会，提到一个新想法，大家会习惯性地皱眉：" 这个活，AI 能干吗？" 语气里是怀疑，是怕麻烦。

现在，讨论问题的起点变了。遇到个繁琐任务，会有人下意识地琢磨：" 这事，能不能训练 AI 来干？"

一些工程师的角色，也悄悄发生了分化。

一类人越来越像 " 指挥官 " 或 " 架构师 "。他们尝试把模糊的需求，拆解成 AI 能听明白的、一步一步的精准指令，并在最后把关成果。

另一类人，则开始转向 " 训练师 "。他们的过去仅仅是埋头写代码，现在，他们开始尝试把公司几十年积累下来的那些 " 只可意会 " 的东西，比如某个经典故障的处理流程、某个特殊硬件的调试秘诀、那些没写进文档的 " 土办法 " 整理出来，" 喂 " 给 AI，让它变得更懂 TCL，打造公司的 " 数字知识库 "。

这种分化，戳中了很多制造企业在 AI 转型中的盲点。

很多工厂用 AI，大多停留在「单点提效、替代工序」的浅层层面，却忽略了最重要的组织重塑与人才能力升级。

TCL 的尝试提供了一个新的可能性：

对抗 " 组织重力 " 的方法，或许不是用 AI 去代替人，而是重新定义人和 AI 的协作界面，让新的能力从旧岗位上生长出来。

放眼全球，工业巨头们都在寻找怎么把 AI 用好的方法。

欧洲的老牌玩家，如西门子，喜欢 " 顶层设计 "。它们联手咨询公司，从构建庞大的数字孪生、工业元宇宙平台入手，追求系统的完整和优雅。

这种追求 " 又大又全 " 的路径，在实践中常常陷入 " 贪大不讨好 " 的困境。根据行业调研，许多工厂投入巨资部署的数字孪生系统，最终效果远不及预期。

一个典型的困境是：企业花费数百万甚至上千万元，得到了一个指挥中心里酷炫的 3D 可视化大屏，但屏幕上的模型与车间里真实设备的运行状态时常脱节。

当生产线出现故障时，系统可能依然显示 " 运行正常 "。

相反，TCL 的路径，看起来更务实，也更有可操作性：先找到最痛的那个 " 穴位 "（比如历史代码维护），一针扎下去，看到疗效，再扎下一针。

TCL 软件工程中心

用问题去驱动生产力，不盲目追求用上 AI 技术，这种思路更符合制造业的实际：

通过对无数具体、琐碎的实际问题解决，逐步完成对自身渐进式的 " 重做 "，最终形成一个外界难以模仿，并深度理解自己业务的 " 专属智能 "。

" 好的 AI 工具，是它适应你，不是你适应它。" 在沈雪松看来，  AI 时代比拼的是组织的决心与速度，不要等完美，先跑起来，再持续迭代。

因为行业早已告别 " 拼人手、拼时长 " 的研发时代，死守传统模式只会被逐步拉开差距。

只有敢于率先落地、持续打磨、沉淀专属组织 AI 能力的企业，才能在智能化赛道中抢占先手、构筑长期竞争壁垒。

中国有 4000 万家制造企业，它们承载着过去，也必须闯过未来，且它们的智能化，注定无法像很多互联网公司那样，换个 AI 就能产出更高质量的内容了。

TCL 环保科技

更多的是要用新的工具，一砖一瓦地，重新消化和理解自己庞大的身躯，直到长出全新的、智能的骨骼与神经。

如此，中国制造庞大的体系优势，才可能真正转化为一种全新的、难以被模仿的 " 智能优势 "。

-END-

欢迎点击下方名片关注无相商业趋势

‍