过去两年，硅谷金融科技公司Block（XYZ）裁掉了大约 40% 的员工，把原本由人做的内部运营工作，交给了 AI agent。

这个案例，TCL 科技（000100）数字化转型部总经理李冰博士提了不止一次。对一家有十几万员工的中国制造集团来说，这个案例看起来有点激进，但李冰说，绕不开—— " 我们企业的组织竞争力，很大程度上和硅基员工在我们流程里的渗透率强相关，也和我们碳基员工与 AI 协作的效率强相关。"

距离《TCL 动态》上一次采访李冰，过去了八个多月。这段时间，他最直观的感受是，身边人用 AI 的方式变了：从整理文字、写材料，慢慢延伸到自己做智能体。企业里的 AI，也不再只是概念验证，开始被拿来算账——到底省了多少时间，提了多少效率，创造了多少业务价值。

中国企业，还是慢半年

李冰有一套自己的分级框架，把 AI 应用分成 L1 到 L5：L1、L2 是个人或工位级的提效工具；L3 像一个能力较强的 PMO，能跨流程甚至跨职能协调多个 AI agent；L4 进入领域专家层面，比如排产计划、新材料研发，判断力能超过人类专家；L5 是企业级的决策大脑，离现实还远。

按这个框架看，他判断中国企业大约比美国慢半年。去年下半年，美国已经出现一批 L3 应用并见到效果；今年年初，国内也快速跟上，龙虾、Hermes 这类能自主执行多步骤任务的 AI agent 密集出现。他预计，今年下半年美国会先在研发、制造这类垂直领域跑出 L4 级应用，中国企业明年可能迎来同等级冲击。

TCL 在这场竞速里排第几？李冰的回答很直接：" 在制造业大家族里，我们不落后。" 但如果拿去和互联网公司、数字科技公司比，差距是真实存在的——组织负债、业务类型、资本密度都不一样，没法简单放到一张表上比。

他也看到两个明显变化：高价值场景的 AI 落地，正从零散试点转向可量化的业务结果；面向普通员工的提效工具成熟得很快，自然语言交互降低了门槛，不会写代码的业务人员，也开始自己动手定制工具。

加速已经开始

TCL 内部已经能摸到这种变化。

华星的供应链，过去从销售预测到生产排程再到物流协同，一条计划链要跨部门反复沟通，每个环节都留缓冲，部门之间还会博弈，一套计划走完往往很慢。现在推进的 " 大本营 " 项目，想把这些人工协调环节交给不同的 AI agent，让它们互相对齐，缩短计划周期（883436）。

研发端，工研院和 TCL 华星团队已经推出 " 星智大模型 "，把 AI 用到半导体（881121）显示的研发流程里。制造端，中环新能源（HK1735）的 " 蓝鲸 " 项目由晶体研发负责人主抓，用 AI 管控生产工艺的关键参数，解决过去靠老师傅经验、炉与炉之间参数不统一的问题——参数一致后，含氧率下降，A 品率上升。中环领先在做两座工厂的数字孪生（885820），还在和集团数转部一起迭代 " 小环同学 "，服务经营决策。

集团内部进度并不齐。有的项目已经见效，有的还在摸索。但对一家大型制造企业来说，这些已经落地的项目说明一件事：加速开始了。

他反复强调一点：高价值 AI 场景必须由业务甚至 CEO 主导，技术人员只能提供工具和支撑。" 如果把这个责任给到了技术人员或者 IT 部门，这件事就很难真正为业务创造价值。"

两条主轴，一场全民动员

TCL 现在的 AI 打法，李冰概括成两条线。

第一条，抓研发、制造、供应链、销服、经营分析这五个高价值场景，每个产业至少要真正跑通一个能实现业务目标的 AI 项目。

第二条，激活十几万员工用 AI 效能工具——不是让每个人都变成技术人员，而是让大家想到能用、敢去试，甚至能自己定义、开发适合自己岗位的小工具。

第一条线上最大的坎，是业务领导对 AI 的认知。很多业务主管习惯把 AI 项目甩给技术部门，自己不进现场，结果 AI 很难嵌进业务逻辑。为此，TCL 今年明显加大了对业务领导的培训：数字化委员会办了制造 +AI 专场，请西门子这类外部专家讲数字孪生（885820），也组织制造领域负责人去华为南方工厂交流。" 不只是讲课，是带着我们的业务 CEO 去看、去感受、去讨论，" 李冰说。

人才上，TCL 将逐步培养 3000 名业务 AI 人才，今年先完成 400 到 500 人——这类人才不看技术背景，而是要懂业务、理解 AI、能识别场景。一家产业已经在集团内率先试点，由 CEO 牵头，联合数转部 AI 专家、HRD 等组成评审委员会，对中层干部做 AI 能力认证。对传统 IT 人员，李冰的判断更直接：这一轮冲击最大，" 我们必须去逼大家往 AI 开发转型。"

第二条线上，平台是基础设施。TCL 的灵犀平台过去更偏向技术人员，今年开始引入自然语言驱动的开发能力，让业务员工可以用更低门槛描述需求、生成工具。" 你自己就是自己工具的产品经理，" 李冰说。他估算，现在用自然语言完成原本需要编程的任务，已经能做到六成左右，" 我相信到年底或明年，可能要到八九成。"

今年的 AI 创新大赛也调整了方向，不再是产业把在推的项目打包参赛，而是鼓励员工提交自己真在用、别人也能复用的小工具。总部还推了 " 极客小组 "，每周把数字化人员和业务人员拉到一起，讨论 AI 落地的具体可能。

" 人给 AI 打工 "，是不是有可能

再说回Block（XYZ）。李冰注意到，这家公司把运营拆成两层：内部 " 知识层 "，由 AI 主导执行大量运营性工作；外部 " 客户层 "，仍由人面对真实世界、谈客户、判断需求。

他觉得这套分工对制造集团有参考意义。当 AI 能接手足够多的运营工作，人力分配就会变——原来分散在流程中间层的活儿，可能被 AI 接走；人的精力更多转向两端，定义问题，审核结论。

" 过去企业的组织架构，底层逻辑起源于罗马军团的指挥系统，" 他解释。科层制成立的原因，是人传递指令的半径有限，一个人只能管有限的下级，于是层层叠叠。但当 AI 能承担越来越多协调、分析和执行工作，管理半径必然变大，层级必然减少。

不过就 TCL 而言，这块探索还处于早期。李冰坦承：" 真的在这方面卓而有效的实操，我还没有看到很多。" 目前 AI 在 TCL 更多是工具类辅助—— " 过去开会由人做纪要，现在让 AI 去做纪要，其实流程没变，整个工作本身没有发生生产关系的变化。"

但方向已经摆在那儿。未来销售、服务端的人员，可能把更多精力放给外部客户，内部运营则交给 agent 协作体系。" 人变成给 AI 打工，或者说让 AI 主责去做、人做事后审核，这也是有可能的。"

李冰用手机作比方：智能手机加移动互联网普及后，工作并没有变轻松，反而对人的要求更高了——过去谈客户能提前三天准备，现在客户随时能打进来，反应速度和判断质量都被抬高。AI 也是一样，工具在迭代，也在倒逼人跟着进化。" 我们怎样跟它融合得更好，这决定了我们的竞争力，" 李冰说，"TCL 不做，别的企业会做，时间长了我们的战斗力就会下降。"

接下来一到两年，他希望 TCL 能在五大领域跑出可量化的高价值案例：研发探索新工艺、新材料，制造实现品质提升，供应链缩短计划周期（883436）、提升周转效率；同时把业务经验系统性沉淀成 AI 可调用的组织资产。他还希望，在部分产业或职能里，能探索出碳基员工与硅基员工协同的组织形态，并且可复制。

" 我们希望 TCL 的干部和员工，都可以眼里带着光地去拥抱这次变革。多定义，多开发，多使用，人人都可以是 AI 产品经理。"