现在很多企业都在讲AI改造，但不同企业所处的阶段并不一样。
有的企业已经开始用AI写内容、做客服和分析数据；有的工厂只是员工个人在用ChatGPT、Claude等工具；还有很多工厂无论对外营销还是内部生产，都没有真正把AI放进每天的业务流程。
所以，AI改造工厂不能只讲生产，也不能只讲销售。需要把客户从哪里来、订单怎样成交、工厂怎样生产、货物怎样交付、这张订单最终有没有利润，放到同一条链路里重新看一遍。
我目前开展的实践，主要集中在工厂对外的外贸营销和销售支持部分。网站、内容、搜索、GEO、社媒、广告、询盘整理和客户分析，已经可以大量借助AI完成。但这只是工厂全链路的一部分，离一家工厂完成全面的AI改造还有很长的路。
AI生成场景图：外贸、生产和工厂管理人员围绕订单与生产数据协同，非真实企业纪实。
工厂的AI改造，可以先分成对外和对内
对外，主要解决市场和订单问题，包括市场研究、产品定位、网站、内容、搜索、社媒、广告、询盘、客户分析、报价、合同、跟进、回款和售后。
对内，主要解决怎样把订单做出来，包括产品研发、配方和工艺、原材料采购、库存、排产、生产、质量、设备、仓储、财务和交付。
这两部分并不是两套互不相关的系统，中间连接它们的是订单。
外部营销带来客户，销售把客户需求变成订单；订单进入工厂以后，采购、生产和财务开始运转；产品交付以后，质量反馈、客户评价和复购情况又会反过来影响产品和营销。
因此，判断工厂的AI改造有没有价值，最终还是要看一张订单能不能更快、更准、更稳定地完成。
我们正在做的，是先改造外贸获客和销售支持
过去一家工厂做外贸，往往要分别找人建网站、整理产品、写内容、做搜索和社媒，再由外贸业务员寻找客户、处理询盘、报价和跟进。人员不齐，任何一个环节都可能停下来。
现在借助AI，一个人或者一个小团队可以更快研究目标国家和客户，整理产品资料，搭建网站，持续更新海外内容，开展SEO、GEO、社媒和广告运营。
客户进入网站以后，我们还能记录来源、浏览页面和询盘内容，再用AI协助调查客户背景、整理采购需求、翻译邮件、识别风险、准备报价资料和跟进提醒。
从目前已经开展的项目看，AI确实降低了工厂开展海外数字营销的人员门槛，也提高了内容生产、市场研究和询盘处理的效率。
但这里必须说清楚：我们目前主要做的是销售前端和部分销售支持，并没有完成一家工厂全部对外业务的AI改造。报价审批、合同、信用风险、收款、交付和售后，仍然需要和企业现有人员、制度及内部系统进一步打通。
外部带来订单以后，内部能不能接住更重要
客户确认需求以后，工厂要马上回答一连串问题。
库存够不够？需要采购哪些原材料？采购周期多长？哪条生产线可以安排？现有订单会不会受到影响？客户要求的规格、包装和认证能不能做到？成本有没有变化？最终交期能不能承诺？
如果这些信息主要存在于微信群、零散表格和不同人的脑子里，外贸业务员就很难快速给客户准确答复。前端获得的询盘越多，后端的信息压力反而越大。
这也是很多工厂下一步真正需要解决的问题：把外部的客户需求，准确地传到采购、生产、质检、仓储和财务；再把内部真实的库存、成本、产能和交期，及时反馈给销售。
工厂内部用AI，前提是先有真实数据
AI可以分析数据、发现问题和给出建议，但它不能凭空知道一家工厂的实际情况。
库存数据不准，AI算不出真实的物料缺口；设备和产能没有记录，AI排出的生产计划就无法执行；历史质量数据没有留下，也很难判断问题来自原料、设备还是工艺。
所以，工厂内部的AI改造，第一步通常是把每天发生的业务数据记录完整。客户需求、报价、订单、物料、库存、采购、设备、排产、质检、入库、发货、应收和回款，都要能找到对应的数据。
很多工厂已经使用ERP、MES、WMS、CRM和财务软件。AI改造不等于把这些系统全部推倒重来，更现实的做法是先检查数据是否准确，再把原来相互断开的系统和流程连接起来。
从研发到财务，都能找到具体的AI应用
产品研发可以把历史试验、配方变化、工艺参数和客户反馈整理起来，帮助研发人员缩小测试范围。AI可以辅助寻找方向，关键配方、产品安全和最终测试仍由专业人员负责。
采购和库存可以结合订单、历史消耗、采购周期和安全库存，提前发现缺料风险和长期积压的物料。
排产可以综合考虑交期、设备状态、换线成本、人员和物料，提出生产顺序建议。发生急单、缺料或设备故障时，也可以重新计算影响范围。
生产和质量可以结合设备数据、检测记录和图像识别发现异常，帮助追溯到原料批次、生产工序和设备状态。设备维护还可以利用温度、振动、声音、运行时间和历史故障数据进行提前预警。
财务环节可以把合同、订单、采购、发票、应收应付和回款放到一起，再把材料、人工、能耗、返工、仓储和物流成本归集到具体订单。这样企业看到的不只是销售额和估算毛利，而是一张订单实际占用了多少资金、最后赚了多少钱。
这些方向已经进入国家层面的制造业AI部署。工业和信息化部等八部门印发的《“人工智能+制造”专项行动实施意见》，覆盖研发设计、中试验证、生产制造、营销服务和运营管理等环节，也提到了销量预测、订单处理、库存预警、排产调度、质量检测和设备预测性维护等场景。
一张外贸订单，未来应该怎样流转
客户询盘进来以后，AI先协助整理产品、规格、数量、包装、认证、交期和付款条件。
销售准备报价时，系统同步读取产品资料、材料成本、库存、采购周期和可用产能，给出报价与交期的参考范围。最终价格和承诺由负责人确认。
订单确认后，同一份数据进入采购、排产、生产、质检、仓储和财务流程。客户修改规格或交期时，各环节看到的是同一个最新版本。
生产过程中一旦出现缺料、设备异常或质量风险，系统及时提示相关负责人，同时让销售尽早知道影响，避免到了交货前才被动通知客户。
货物交付以后，客户反馈、质量问题、回款和复购数据再回到产品、生产和销售端，成为下一次选品、报价、生产和获客的依据。
这条链路打通以后，AI才不只是某个员工桌面上的聊天工具，而是开始参与工厂从市场到交付的真实经营。
A2C、A2B和A2O，可以用来理解三个层次
为了便于理解企业使用AI的深度，本文借用A2C、A2B和A2O三个说法作为分析框架。它们在这里不是统一的行业标准，也不要和其他技术领域中同名的缩写混为一谈。
A2C，可以理解为AI直接服务个人。员工自己使用ChatGPT、Claude等工具，问问题、写内容、整理资料和分析数据。
A2B，可以理解为AI以软件或解决方案的形式服务企业。企业购买AI客服、知识库、营销工具或某个部门使用的助手，提高一段工作的效率。
A2O，可以理解为AI进一步进入一家具体组织。它需要了解这家工厂的产品、人员、权限、数据和流程，并与CRM、ERP、MES、WMS及财务系统连接。
多数企业目前仍处在个人使用和局部应用阶段。真正走向组织级改造以后，难点不再只是模型会不会回答问题，而是企业有没有可用的数据、清楚的流程、明确的权限以及愿意承担结果的负责人。
为什么需要懂业务的人进入工厂现场
每家工厂的产品、设备、配方、成本、排产和管理方法都不同。很多重要经验还在老板、老师傅、业务员和财务人员的脑子里，单靠远程安装一套软件，很难把这些经验变成真正能运行的流程。
现在大模型公司和服务商越来越重视FDE，也就是Forward Deployed Engineer，通常翻译为前线部署工程师。他们需要和企业的业务、技术及一线人员一起梳理问题，把AI从演示和试验带进实际生产系统。
OpenAI公开的FDE岗位职责就包括需求发现、技术范围界定、系统设计、开发和生产部署，并用实际采用情况和工作流程影响衡量效果。ChatGPT、Claude或者其他大模型能力再强，也需要有人理解现场业务，才能真正进入工厂。
对于中小工厂来说，不一定要长期养一支庞大的AI团队，但需要有人懂行业、懂流程，也能把AI、数据和原有系统连接起来。先跑通一个真实问题，再让企业内部人员接着使用和优化。
工厂AI改造，先选一张订单跑通
工厂全链路很长，不可能一天全部改完。更实际的起点，是选择一个订单相对稳定、数据基础相对完整的产品，从获客、报价一直跟到生产和交付。
先看这张订单在哪三个地方最浪费时间、最容易出错、最影响利润。可能是产品资料不完整，也可能是报价反复确认、库存数字不准、排产依靠经验，或者质量问题无法追溯。
解决一个真实问题以后，再逐步扩展到其他产品和部门。原有系统能用的继续用，需要连接的做连接，确实不能满足业务的部分再调整。
同时要把责任边界保留下来。AI可以做整理、预测、提醒和方案建议，合同承诺、付款、税务、关键配方、质量放行和生产安全等事项，必须由相应负责人审批。
我们已经从外贸获客和销售支持这一端开始实践。下一步需要和真实工厂合作，把报价、订单、采购、库存、排产、生产、质量、财务和交付继续连接起来。
销售解决订单从哪里来，生产解决订单怎样做好，财务回答这张订单到底有没有赚到钱。三者在同一条数据链路上运转，才是工厂真正值得做的AI改造。
资料说明：A2C、A2B、A2O在本文中仅作为解释企业AI应用层次的分析框架，并非统一行业标准；制造业AI场景参考工业和信息化部等八部门《“人工智能+制造”专项行动实施意见》及《智能制造典型场景参考指引（2024年版）》；FDE职责参考OpenAI公开岗位说明。具体实施应结合企业的产品、系统、数据基础和安全要求，AI输出不能替代质量、安全、合同和财务责任人的最终审批。
