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。

　　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。

　　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%。

　　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。

　　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。

　　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。”

　　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”。

　　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。

　　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。

　　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。

　　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。

　　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。

　　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”。返回搜狐，查看更多