一款車型有成百上千條低壓線束。線徑、引腳、電流負載、電壓負載和溫度等參數都要逐項計算，熟練工程師過去需要兩天，也就是2880分鐘。

現在，導入參數表後，大約5分鐘就能得到結果。

這個工具出自長安汽車的電氣系統集成測試工程師毛海，他把線束選型規則整理成產品需求文檔，再借助AI完成開發，AI負責計算、分析和呈現，工程師覈對過程並作出判斷。

在河北長安公司，質量工程師郭子雅也在用相同的方式解決問題。一批掃碼槍無法直接錄入漢字，員工只能手工輸入質量問題。不同人的表述可能存在差異，後面的數據分析和問題歸類也會受到影響。更換設備要增加投入，開發新系統要等待開發排期。

郭子雅決定自己做一個工具。她2013年進入河北長安，學的是材料專業，沒有軟件開發經驗。藉助AI，她先做出文字轉換和二維碼生成工具，又根據掃碼槍的字節限制增加自動檢查功能。系統會判斷二維碼能否被識別，指出需要調整的內容，再生成與現有設備匹配的二維碼。

之後，她繼續把AI用於隨車文件檢查、自動提交，以及原因和整改措施覈查。她不熟悉智能體工作流，就把實際流程逐步講給AI，讓它說明參數如何連接。

一名工作了13年的質量工程師，開始直接修改自己每天使用的流程。

從2880分鐘到5分鐘，長安把AI推向業務一線：最了解問題的人，開始自己把解決方案做出來。

過去幾年，外界討論車企與AI的結合，注意力主要集中在智能輔助駕駛和智能座艙。但是，長安汽車正在把千問辦公推向企業內部，讓它進入研發、生產、採購，運營和服務等日常工作。

千問辦公落地長安汽車的案例展示了企業AI落地的另一面。

模型能力只是起點，哪些人提出問題，業務規則能否說清楚，個人做出的工具如何進入組織，開始決定實際效果。

01 要提效，AI先進入規則清楚的工作

毛海選擇低壓線束選型，看中的是它足夠明確的輸入、輸出和計算邏輯。工程師需要處理線徑、引腳、電流負載、電壓負載和溫度等參數，計算量很大，但每一步都有規則可循。

毛海先與線束工程師一起梳理計算邏輯，把輸入、輸出和規則寫進產品需求文檔，再交給AI開發可執行工具。工具投入使用後，還增加了結果追溯功能，把每一步計算過程列出來，方便工程師覈對。

AI完成計算，工程師保留判斷和確認。

毛海把雙方的分工概括得更直接：「人負責判斷和指引方向，AI負責計算、分析和呈現。」

這也是長安汽車目前較容易跑通的一類場景：工作反覆發生，規則可以描述，數據可以結構化，結果能夠複覈。

長安汽車AI應用開發處經理肖世強說：「場景不需要刻意去找，業務痛點一直存在，技術只是解決痛點的手段。」

郭子雅負責的隨車文件一致性覈對也符合這些特徵。一輛車出廠時，合格證和隨車文件中的100多項必檢參數需要與國家監管網站保持一致。過去，工作人員要逐張查看證書、文件和網站信息。現在拍照上傳後，工具可以提取參數、查詢公告數據並標出差異，工作人員主要處理異常結果。前採資料顯示，單車覈對時間從十幾分鍾降至一到兩分鐘。

規則越清楚，AI越容易穩定執行。流程如果仍然依靠個人經驗，或者不同部門對同一個字段有不同理解，模型很難替企業補齊這些缺口。

毛海做用戶VOC分析時，也遇到過這一問題。團隊要在兩個產品方案之間作出選擇，用戶聲音散落在汽車論壇、社交平台和評論區。工程師先確定關鍵詞、分類標準和輸出格式，AI再完成數據採集、情緒識別、觀點聚類和表格整理。原來可能需要一到兩周的工作，在流程調試完成後約一小時可以跑完。

AI降低了處理數據和編寫程序的門檻。業務人員仍要回答兩個問題：什麼數據可信，什麼結果可以進入產品決策。

02 一線人員自己造工具，傳統IT鏈路開始縮短

傳統數字化建設通常有一條較長的傳遞鏈。業務部門提出需求，產品經理理解和轉譯，技術團隊或外部供應商開發，經過測試和驗收後再交給員工使用。

每多一次轉譯，業務細節就可能丟失一次。

質量管理就是一個典型場景。郭子雅每天接觸問題錄入、數據提交、原因分析和整改跟蹤，也知道哪個環節容易疲勞、遺漏和產生數據偏差。AI出現後，她可以先做出一個小工具，再把有效功能接入現有平台。原本需要等待的系統改進，由業務人員開始直接參與。

這種變化沒有取消IT部門的工作。業務人員可以完成小工具、自動化腳本和產品原型，正式進入生產系統以後，接口、權限、測試、安全和後續維護依然需要專業團隊負責。

業務人員獲得了開發能力，IT團隊開始更多承擔平台和治理責任。

長安汽車採購中心全球採購平台數字化高級項目經理龔玄則把這種變化推得更遠。2025年以前，她沒有IT工作經歷，主要從事成本相關工作。到了2026年，她處理任務時已經形成「AI First」的習慣，拿到工作後會先判斷AI可以完成哪一部分。

一次由AI生成的使用覆盤顯示，她已經建立58個Skill。兩周內累計交互240多次，覆盤估算節省約45小時。這個數字來自工具估算，不能直接當作財務口徑，卻能反映AI進入工作的深度。

龔玄把郵件、會議紀要、即時通信和在線文檔持續整理到不同知識模塊。AI據此更新項目進展和職責分工，生成日報、待辦事項和會議材料，也會輔助判斷系統問題的性質、建議排查方向。

這套個人工作系統也需要持續維護。龔玄每周都會覆盤已有Skill，判斷哪些需要調整和優化。她形容自己的節奏是：「周一到周五讓AI替我幹活，周末再和AI一起討論還有哪些地方需要改善。」

過去，員工使用軟件完成一項工作。現在，軟件還在，AI開始成為調用知識、文件和不同能力的入口。

千問辦公在長安汽車承擔的角色之一，就是讓員工在已有工作環境中調用這些能力。阿里提供基礎模型、產品和平台支持，長安汽車掌握自己的業務流程、內部數據和應用場景。對大型企業而言，通用模型可以採購，企業多年積累的業務上下文仍要由自己整理。

03 一線負責找問題，變革團隊負責把能力放大

一個員工節省幾小時，並不等於整個部門縮短了流程。

千問辦公副總裁、產研負責人束駿亮舉過一個例子。一項流程原來涉及3個人，每人工作2小時。AI介入後，每個人可能只需要15分鐘，整個流程仍然持續3小時，因為溝通、等待和交接沒有改變。

個人效率上升之後，企業開始碰到更難的問題：怎樣讓AI了解員工所在的部門、項目、客戶和權限；怎樣調用原有的CRM、ERP和內部平台；怎樣讓人與人、人與智能體之間的工作連續起來。

在長安汽車，這些橫向工作由變革與效率部、AI應用開發處等團隊承擔。

業務部門更接近問題。橫向團隊則負責工具引入、開發支持、培訓推廣、運營數據、系統連接和安全治理。兩者缺一邊，應用都很難擴大。全部交給技術部門，容易回到過去的需求排期；完全交給員工自由嘗試，又會出現重複建設、權限失控和無人維護。

長安汽車沒有單純依靠行政命令要求員工完成使用指標。據肖世強介紹，公司會先讓高層安裝和使用，通過親身示範，進而帶動全員，讓大家真正意識到AI能解決自己的問題。

後台數據也被用於運營。團隊會尋找高頻用戶，邀請他們每周分享實際案例；看到某個部門使用率偏低，再進入部門了解原因並進行培訓。日活、活躍天數、Token消耗和Skill數量都會被觀察，但這些指標目前主要用於判斷員工有沒有真正開始使用。

個人Skill也在嘗試向組織資產轉化。龔玄會把專業Skill分享給同事。不同人的電腦環境和知識庫並不相同，接收者仍然需要結合自己的工作調整。他的估計是，其他員工拿到Skill後可以快速獲得約七成能力，剩下部分繼續由個人判斷和完善。

過去，經驗主要跟着師傅流動。現在，一部分工作方法可以跟着Skill流動。

複製仍然有條件。一個Skill能在採購中心運行，不代表它可以原樣進入製造和銷售部門。字段、權限、系統和審核責任都可能變化。組織需要保留統一標準，也要允許業務部門繼續修改。

長安汽車由此形成了一種上下結合的路徑。一線員工從小問題入手，公司層面再篩選哪些應用值得共享、接入和長期維護。

04 Token賬單上漲後，企業要開始算完整的AI賬

長安汽車暫時沒有給各部門簡單下達「節省多少成本、提高多少效率」的硬指標。

肖世強給出的理由很直接。企業AI仍處在探索期，應用效果和技術能力變化很快，過早把創新完全轉換成經營指標，容易產生虛假結果。產品體驗如果沒有達到要求，強制員工提高使用次數，也會增加牴觸。

當前階段，長安汽車更關注員工是否開始使用、以及是否跑出有效場景。Token和算力消耗隨之快速增長，公司對此有預期，管理層也已經開始追問費用由哪裏承擔。

肖世強說：「長期看，AI仍然需要講投入產出。」

這筆賬遲早要進入成本體系。

員工使用AI生成一份PPT，節省的時間相對容易估算。一個工具進入質量、研發和採購流程後，價值口徑會複雜很多。它可能縮短交付周期，也可能減少錯誤、改善產品質量，或者讓過去因成本太高而無法進行的分析變得可行。單純統計調用次數，很難覆蓋這些變化。

數據安全是另一個要面對的問題。

長安汽車根據內部受控、普通商密、核心商密等等級管理數據。涉密和核心商密主要由內部AI Agent處理，公司也在建設私有化能力。外部服務需要通過協議明確數據邊界，部分任務在本地環境運行，調用雲端模型後還要按要求清理緩存。

準確率同樣需要責任人。龔玄使用AI生成PPT、日報和數據分析後，仍會檢查結果，再把錯誤反饋給AI，調整規則。文字任務可以通過長期積累逐漸穩定；數據任務即便由代碼完成，字段、口徑和異常值仍需覈對。

長安汽車現在處於兩個階段的交界處。前一個階段解決「有沒有人用」，讓員工跑通第一個真實問題；後一個階段要回答「是否值得繼續投入」，把日活、Token和Skill數量繼續落到流程周期、質量改善和經營結果。

對於準備推動AI的企業，長安汽車的經驗給出了一個相對清晰的順序。

先找規則清楚、重複發生、可以複覈的工作，讓最了解問題的人參與開發；場景跑通後，再決定怎樣接入系統、分享能力、劃分權限並承擔成本。

當一線員工開始自發利用AI造工具，管理層需要接住這些工具：篩選可以複製的場景，接入企業系統，劃清權限和責任，再用經營結果檢驗投入。

從2880分鐘到5分鐘，是一個單人工具的效率。如何讓一個人的工具變成整個組織的能力，纔是長安汽車接下來要算的賬，也為特大型企業如何真正用好AI提供了絕佳樣本。

本文來自微信公衆號「AI原生Lab」，持續拆解真實AI落地案例，分享企業AI實踐與方法論。