上一篇说，在组织中AI项目的失败，大多与技术、算法无关。反过来看，活下来的项目有个共同点，AI嵌进了流程。嵌进审批流、嵌进排产、嵌进质检、嵌进客服。嵌进去了，AI才算落地。没嵌进去，再好的模型也是PPT上的装饰。
这个道理不仅适用于AI，其实所有新技术都有类似的历史。
1882年，爱迪生在纽约建起珍珠街电站。人类第一次有了便宜、可靠、随处可用的电力。历史学家Paul David在1990年的论文《The Dynamo and the Computer》里提到，美国制造业的生产率直到1920-30年代才出现显著跃升。距离电力普及，晚了将近50年。
原因在工厂布局。那时候的工厂还是蒸汽时代的布局。所有机器靠一根天轴传动，厂房结构、工序安排、工人分工，全按天轴来。电力进来，只是把蒸汽机换成了电动机。工序没动、布局没动、管理方式没动。效率提升了一点。但电力的真正威力，每台机器独立驱动、工厂重新布局、动力精确控制，完全没发挥出来。
直到几十年后，有人重新设计了工厂。取消天轴，机器独立电机驱动，工序按物流最短路径重新排布。这才有了现代工厂的雏形，生产率才真正起飞。
技术换了，流程没换，新技术就只是旧流程的加速器，不是变革者。
这也适用于今天的AI落地。
第一阶段，旧流程+AI。原来的流程不动，只在某个环节插一个AI。客服机器人、质检模型、报表自动化。这个阶段也有价值，但提升有限。AI只是被塞进了旧结构。
第二阶段，AI+新流程。流程本身重新设计，AI成为流程的骨架。排产从"人看经验"变成"模型建议+人复核"，质检从"抽检"变成"全检+AI初判"，采购从"季度招标"变成"数据驱动的实时比价"。
第一阶段是大多数企业现在的位置。第二阶段才是AI真正产生复利的位置。判断标准很简单。看流程里有没有"AI的输出"。没有，就是第一阶段。
而制造业和服务业的流程要素不一样，AI嵌进去的位置也不一样。
案例1，施耐德厦门工厂的AI预测性维护。
原流程：他们厂里有一批真空炉，炉上的泵机是关键设备。定期点检加坏了再修。泵机没有状态监测，出问题只能等它停机了才知道。
再看引入的AI。工厂给泵机装了振动温度一体传感器，MEMS技术，每秒捕捉超过2万个振动数据点，数据在边缘计算网关上就地处理，不用上云。模型拿历史数据训练，识别设备状态的异常偏离，提前预报故障。
新流程：设备24小时不间断监测，振动和温度一有异常趋势就报警，维护人员提前介入。维护从"坏了再修"变成"提前处理"。
效果：非计划停机大幅减少，设备平均修复时间MTTR缩短到12小时以内，每年节省维护费用120万元。这是2025年公开的案例数据。
（设备预测性维护的案例之前写过一篇技术性文章。用传感器信号+没有GPU的笔记本+算法，就可以实现。而这家企业更进一步，把模型嵌进了设备维护的流程。）
大模型救不了的工厂，一个小模型可以
案例2，汽车轮毂AI质检。这也是制造业目前AI应用最为普遍的场景。
原流程：轮毂表面有划痕、气孔、变形等20多种缺陷，质检员一件一件看，单件耗时30秒以上。人看久了会疲劳，漏检率居高不下，公开报道里常见5%左右的数字。
引入的AI是高速摄像头加深度学习缺陷识别。0.5秒完成一件轮毂的全表面检测，缺陷种类、位置、大小一次给出。
新流程：全检代替抽检，AI初判加人工复核。检出结果自动生成数据报告，反哺工艺改进，哪道工序出的缺陷多，数据直接指出来。
效果：检测时间从30秒缩到0.5秒，漏检率压到0.1%以下。质检员从"盯流水线"变成"处理AI标记的异常"，眼睛解放了，工资怎么算、岗位怎么定，这是管理者最关心的。
案例3，Ferrero的高架仓库，虚拟调试。
原流程：工厂扩建、上自动化仓库，设备调试是出了名的慢活。货架、堆垛机、输送线、控制系统，全部到场安装完，才能通电调试。发现问题，改完再调。一次调试周期以月计。Ferrero在2019年一个同类项目，调试用了19周。
引入的AI是数字孪生加虚拟调试。设备还在设计阶段，先在虚拟环境里建一个和实体一模一样的"数字双胞胎"，程序、逻辑、干涉、节拍，全部在电脑里先跑一遍。用虚拟调试平台做。
新流程：调试从"现场改"变成"虚拟验证+现场执行"。问题在虚拟环境里暴露和解决，现场只剩执行环节。8000个货位、4台堆垛机的高架仓库，调试周期从19周压到13周。
效果：调试时间缩短三成以上，达成目标系统可用性的时间比传统方式快88%。
这个案例把AI嵌进了"设计-调试"这条流程，不是插在某个环节，是把流程本身从物理世界搬到了虚拟世界先跑一遍。轮毂质检是"改造质检流程"，费列罗是"重写调试流程"。
案例1，荷兰皇家航空KLM的智能客服。
原流程：KLM的社媒客服团队250人，2017年每周处理超过3万段对话、13万条社媒提及。客服靠人工逐条翻看，找机会回复。客户等不起，调查显示32%的客户只愿意等5分钟。
引入的AI是DigitalGenius，一家英国AI公司。它的做法很特别，不换客服系统，在现有系统上叠一层AI。AI先观察客服怎么干活，学习"哪个动作解决了哪个问题"。学完之后，它能在对话进来时推荐"下一个最佳动作"，并附带一个解决概率百分比，弹窗给客服看。
新流程：AI先接常规重复问题，直接给出答案。复杂问题，AI弹窗推荐处理方式，客服看一眼概率，点"接受"、点"否"或者"个性化"再改改。转人工的接口保持顺畅。
效果：合作几个月内，AI能支持50%的咨询。到现在，87%的常规任务由AI处理，支持10种语言，包括中文。
注意两个细节。第一，AI是"学客服的流程"再嵌入，不是让客服学AI。第二，AI永远给人留了一个"否"字，人随时可以推翻AI。
（这个案例对应上一篇清单里的第一项，智能客服辅助。）
案例2，阿拉斯加航空的航班规划。
原流程：签派员人工规划航线，看天气、看空域、看燃油，靠经验和有限的信息做决定。航线一旦定了，中途调整很被动。
引入的AI是Flyways平台，硅谷公司Airspace Intelligence开发。它实时分析全美所有计划中、飞行中的航班，加上天气系统、空域限制、禁飞区，给每个航班重新计算最优飞行计划，像Google Maps实时改道那样，给签派员建议。
新流程：AI出建议，签派员审核拍板。人保留最终决定权，AI负责算。
效果：2020年初试运行6个月，64%的航班降低了燃油消耗。阿拉斯加航空随后与Flyways签了多年合同。
案例3，新加坡航空的客服数据台。
原流程：客服处理一个客户问题，要在多个系统之间来回切换，订座系统、里程系统、服务记录，一个一个查。
引入的AI是Salesforce Service Cloud加Mulesoft，把数据汇成一个视图，机器学习再根据客户的历史行为推荐个性化方案。
新流程：客服一个屏幕看全量信息，AI预判客户可能需要什么，客服直接服务。
效果：新加坡航空2021年官方说法，客服决策更快，能提前预判客户需求。
制造业的流程是硬的。设备、工序、物料，物理约束在那里，AI改的是什么时候修、怎么检、怎么排。服务业的流程是软的。客户、信息、决策，AI改的是谁先答、谁先送、怎么配。但共同点一样。AI的输出必须进决策流。轮毂质检的检出报告要进工艺改进，费列罗的虚拟调试要进现场施工计划，KLM的AI推荐要弹给客服看，阿拉斯加的航线建议要交到签派员手里。
有管理者之前有疑问是说，我先单把质检环节换成AI行不行。行，但单点改的效果有限。
2022年Paul Turner的著作里面有个核心概念，是互补性。商业战略与管理实践的相互作用，产生连贯、对齐、相互强化的系统和流程，带来优于各战略或实践独立运行时的结果。在实践中其实就是一句话。战略、流程、制度、文化，四样东西是互相咬合的齿轮。只换一个，其他三个会拖后腿。
书里举的列子，右鞋和左鞋，剃刀和刀片，硬件和软件。单独一只鞋没有价值，配套起来才值钱。AI和流程也一样。模型单独跑，价值有限。模型加新流程、新考核、新文化，才值钱。
这就是单点改总是失败的原因。你换了质检模型，缺陷处理流程没变、供应商来料标准没变。模型再准，也只是个更准的报警器。
四样东西，一个都不能少。
目标，OKR先行。组织目标里写清楚"今年要建成什么"，关键结果里写清楚"AI要解决哪个指标"。
流程，华为的"先僵化后优化在固化"。AI流程落地，一模一样的路。
制度，把AI写进制度里。数据谁维护、模型谁负责、结果谁审核、出错谁兜底。这些不写进制度，AI就永远是个"试点项目"。
文化，用故事驱动。变革管理里讲了很多次，文化不是发文件改出来的，是故事讲出来的。让第一个用AI解决问题的人被看见、被表扬，比十份红头文件都有用。
对照一下清单，你的AI嵌进流程了吗。
你的AI输出，是直接进决策流，还是停在报告里？
用了AI的环节，KPI改了吗？
流程里有没有"AI的输出"这一栏？
模型错了，有明确的人负责吗？
你的AI是"重写了流程"，还是"插进了旧流程"？
前面几篇证明了技术不是门槛。上一篇证明了组织才是死因。这一篇把AI嵌进流程。目标、流程、制度、文化四样东西同时动手，单点改就是白改。下一篇聊人。流程要人跑，AI要人用，可你厂里连会Python的人都没有，怎么办。
