企业案例 / 企业 AI 转型
青岛中集冷箱：从「老师傅的小木棒」到「数字工匠」
青岛中集冷箱围绕工艺优化与能源管理开展AI能力建设。案例所对应的核心矛盾是：问题现象 → 发泡化学反应不充分，导致保温性能不达标。方案侧的关键做法是：搭建数字孪生平台，通过物联网平台与产线设备互联，建立产线仿真 + 工艺仿真，1:1 还原真实产线，实现生产过程实时监控、故障预测与优化调整。
正在加载内容…
深入真实业务场景，记录企业 AI 转型的方法、挑战与价值。
共 143 篇已公开内容
青岛中集冷箱围绕工艺优化与能源管理开展AI能力建设。案例所对应的核心矛盾是：问题现象 → 发泡化学反应不充分，导致保温性能不达标。方案侧的关键做法是：搭建数字孪生平台，通过物联网平台与产线设备互联，建立产线仿真 + 工艺仿真，1:1 还原真实产线，实现生产过程实时监控、故障预测与优化调整。
皇家宠物食品上海工厂围绕智能客服与售后服务开展AI能力建设。案例所对应的核心矛盾是：定制难题，工厂部署 40+ 项工业 4.0 方案，构建「麦田 → 产线 → 配送 → 宠主」端到端链路：用气象卫星数据在小麦收割前一个月预测霉菌毒素风险，用 AI 接管决定适口性的烘干工序，用「慧眼」控制塔打通 5 个配送中心，用 M…。
国药太极涪陵制药厂围绕工艺优化与能源管理开展AI能力建设。案例所对应的核心矛盾是：案例总结：中药制造长期依赖老师傅经验与定性工艺控制，难以在大批量、小批量、定制化三种需求并存时保证批次一致性。
先进制造新桥二工厂围绕研发设计与工程智能开展AI能力建设。案例所对应的核心矛盾是：产品迭代节奏被彻底改写：燃油车时代 4–5 年一次换代的节奏，被压缩到"一年多款新车"，传统的串行研发—工装—量产流程无法支撑。方案侧的关键做法是：年 Q4 首次实现单季经营利润转正（8.07 亿元）。当前材料可确认的结果为：效果：无需先进先出，减少 20% 工艺距离，显著减少生产停顿与换色损耗。
百胜集团围绕企业级智能体平台开展AI能力建设。案例所对应的核心矛盾是：查询信息，效率、质量与可复制性受限。方案侧的关键做法是：共同底座：把所有数据放到一处，并且让同一个数据在所有系统、所有市场里含义一致（统一数据模型）。当前材料可确认的结果为：材料尚未披露可独立核验的量化结果。
新奥集团 理正制围绕组织与人才智能开展AI能力建设。案例所对应的核心矛盾是：过去授权≠赋能，因为"能力"跟着具体的人走，沉淀不到组织里、无法随时调用和自我升级。方案侧的关键做法是：《哈佛商业评论》：《构建企业智能体 新奥以"理正"理念重塑组织形态》。当前材料可确认的结果为：材料尚未披露可独立核验的量化结果。
雅诗兰黛围绕市场洞察与智能营销开展AI能力建设。案例所对应的核心矛盾是：线上与消费者情感连接薄弱 → 香氛购买决策高度依赖情绪共鸣 → 纯功能型推荐无法触达决策。方案侧的关键做法是：Pinterest是以视觉灵感为核心的社交平台，用户通过保存图片表达审美偏好，积累了大量高质量的个人兴趣数据。当前材料可确认的结果为：传统个性化依赖主动问询 → "问用户想要什么"的模式摩擦大、准确率低 → 推荐结果缺乏情感共鸣。
爱茉莉太平洋围绕市场洞察与智能营销开展AI能力建设。案例所对应的核心矛盾是：护肤品行业长期依赖通用配方，个性化需求的满足建立在问卷与皮肤类型分类的粗粒度上。方案侧的关键做法是：爱茉莉太平洋利用AI皮肤成像分析技术，基于韩国人面部数据集构建"面部老化图谱"，揭示皱纹与色素沉着在面部的不同扩散路径，为地域化、个性化护肤方案提供科学依据，是其"整体长寿解决方案"战略愿景的技术基石。当前材料可确认的结果为：材料尚未披露可独立核验的量化结果。
Walmart围绕企业级智能体平台开展AI能力建设。案例所对应的核心矛盾是：创意中位耗时 -80%。方案侧的关键做法是：把分散的数十个智能体收敛为四个按人群（persona）划分的超级智能体，。当前材料可确认的结果为：材料尚未披露可独立核验的量化结果。
某汽车与零部件企业（原材料未明确披露名称）围绕组织与人才智能开展AI能力建设。案例所对应的核心矛盾是：人工审核与匹配，效率、质量与可复制性受限。方案侧的关键做法是：GM 要的不是"会用 AI 工具提效的人"，而是"能从零构建 AI 系统的人"（TechCrunch ）。当前材料可确认的结果为：我亲眼见过，它确实能让程序员的产出大幅提升。
美的集团围绕市场洞察与智能营销开展AI能力建设。案例所对应的核心矛盾是：核心部件仍需从中国供应，链条横跨上万公里、几十个核心节点，海运异常、台风等风险不可控——该厂此前曾因海运异常造成 80 个班次停产（李鹏，证券时报）。
Glean围绕设备运维与预测性维护开展AI能力建设。案例所对应的核心矛盾是：这 3 分钟里 OnCall 完成了：读日志 → 查服务端数据 → 排除"权限问题"假设 → 把故障定性为前端渲染 → 提出一个鉴别性问题（刷新后是否显示，直接区分"数据问题"与"渲染时序问题"）。方案侧的关键做法是：服务对象：Glean 的企业客户（本案例涉及 snowball、Bright Harbor、acme 三家客户）所部署的 AI Agent。