AI落地實踐連載③｜掌握底層邏輯，尋找AI落地場景并不難
在人工智能加速向千行百業滲透的當下，為助力企業持續將AI技術轉化為實際生產力，我們在公眾號開啟「AI 落地實踐」系列連載，持續分享6月6日「智見新局?AI—— 人工智能 ToB 場景落地研討會」上各企業代表在不同業務領域的高價值AI落地場景。
本期聚焦金現代董事長黎峰的演講，解碼AI應用的底層邏輯，探索如何尋找AI落地場景。
以下為演講精華實錄：
信息系統老在“體外循環”
很多領導都跟我感慨，說尋找落地場景特別難，但其實沒有想象中那么難。
我們先來看看信息化系統。我們搞了 30 年信息化，信息化系統實際是干什么呢？
拿電廠缺陷管理來說，系統框架從隱患發現、缺陷分析、缺陷處理都有部署，但現實是人們經常得脫離系統人工處理，再把結果錄入到系統里。這說明什么？系統只干著存儲、傳遞、展示這些基礎活，只是在輔助人工做決策，我們把這個東西叫作“體外循環”。
我經常跟團隊說：開發一個系統10萬就能做，但是100萬未必能做得完美。就像我給學生上課舉的例子：5萬塊能做圖書館管理系統嗎，可以！想做個圖書采購決策功能，其實只需要把采購委員會的說明書錄進去，做成表單。
這就是信息系統的關鍵問題 ——總是在體外循環，很多環節還得在系統外人工處理。
比如缺陷分析階段，系統可能設了下拉框選缺陷等級和分類，但實際選擇還得靠經驗：新來的大學生干不了，往往需要三年以上的專責工程師。到了缺陷處理環節，寫消缺方案很難，但寫好了之后把它錄入系統其實很簡單。這就是為什么大家反感信息化：系統沒解決實際問題，我們只是在系統里邊做 “增刪改查”。
AI落地的底層邏輯
那么，到了 AI 時代，怎么找落地場景？怎么真正理解信息化和智能化的區別？
智能化系統能干什么？拿缺陷分析來說，巡檢出隱患分析大模型后，能自動化完成分析，不用依賴人的經驗 —— 這就是一個落地場景。
再看處理方案撰寫，這比分類更難：是馬上檢修、暫緩檢修還是停機檢修？以前判斷全靠經驗。雖然我跑過很多電廠，在電廠干過很多年，但是寫消缺方案還是覺得費勁，但如果我們用歷史數據訓練模型，就能快速生成方案，不再依賴有經驗的老師傅。
我們總說智能填寫、智能寫作，這些不該只停留在流程管理，工業和生產管理更需要。因為我們從80年代末開始找信息系統，30多年信息化積累的海量數據，足夠支撐模型訓練。
所以，找落地場景的邏輯很簡單，用一句話總結，就是：找到系統里還得人工處理的節點，想想能不能用 AI去完成。
具體可以聚焦兩類場景：
一類是看似簡單但高頻、耗時的工作；
另一類是復雜、依賴知識、經驗的工作。這不僅解決了知識傳承的問題（比如老師傅退休后人才培養周期長），還能通過數據積累讓系統越用越聰明。
我們服務的某省電力公司，他們的配電網信息系統建了很多年，覆蓋問題分類、工程造價、審批、結算驗收等全流程，整個系統看起來非常完備，但依然有上百個 “體外循環” 的節點。他們從中挑出經濟價值高、可行性強的節點，用大模型實現了自動化處理。這是在電力行業的實踐，其實在各行各業都適用。
雖然現在很多模型都是針對具體問題的局部模型。但Agent 技術來了以后，基于 MCP(Model Connection Protocol）標準，這些模型可以像插件一樣集成到傳統業務系統里，或者用 Agent 串聯起來解決問題。所以不用怕場景零散，只要按 MCP標準建設，把模型封裝成智能體或 API，就能被業務系統調用。
說到AI應用，很多人先想到問答窗口，但真正的價值在于把 AI封裝成服務：和業務系統交互、按 MCP 標準被 Agent 流程調用 —— 真正能被 To B 領域的應用，而不是只用在To C 的娛樂場景。
關于AI的兩點思考
最后分享兩點思考。
第一，AI 時代的價值重構。當某一環節成本大降，它的價值就會弱化，產業鏈重心會轉移。比如視頻一鍵生成技術出現后，制作成本降了，劇本和原創內容就更值錢；工業制造里，制造成本降了，價值就向品牌和設計轉移。同理，當編程成本降了，價值會向創新和設計傾斜。這時候我們應該思考的是，AI帶來了大量價值的轉移，我們該如何去轉型？
第二， AI的確在替代人、替代知識和經驗。工業革命替代了同質化的體力勞動，AI 時代正在替代處理信息的白領。從信息化到智能化，當白領工作成本降低，價值必然轉移 —— 這會導致產業興衰和價值鏈重構。那么下一輪價值可能轉向哪里？可能是原材料（比如礦石）、能源（比如核聚變），或者情感領域…… 就像從說書、評戲到話劇、電影，再到COSPLAY再到劇本殺的演變，舊產業消亡，新產業崛起。
所以回到最初的話題，尋找 AI 落地場景，既要盯著當前價值鏈的降本增效（比如煉鋼燒結、鍋爐尾氣氮化物預測），也要預測價值鏈重構后的新重心，提前布局高價值環節。這是我對 AI 的一點思考，供大家參考。