关于美的
美的集团创立于 1968 年，从广东顺德一家生产塑料瓶盖的街道小厂起步，如今已成长为覆盖智能家居、新能源及工业技术、智能建筑科技、机器人与自动化、健康医疗五大业务板块的全球化科技集团。2024 年营收超 4000 亿元，连续多年跻身《财富》世界 500 强。
但数字只是结果。真正让企业管理者感兴趣的，是这组数字背后那套持续运转了二十年的组织进化逻辑——尤其在 AI 浪潮汹涌而来的当下，美的给出的答案，远比"投了多少钱"更有参考价值。
一、走进展厅：能看见的，和看不见的
参访的第一站，是美的集团展厅。
展厅里，智能家居、工业机器人、智慧楼宇、数字化平台……五大业务板块一字排开。库卡的机械臂以毫米级精度完成焊接演示，AGV 无人车在模拟产线上穿梭运送物料，数字孪生看板上，全国工厂的设备状态、能耗、产能数据实时跳动。
直观的感受是"大"：产业跨度大、技术投入大、数字屏上跳动的数字也大。
但凌鸿教授提醒大家注意另一个东西：这些屏幕背后，是一套跑了十几年的统一数据底座。没有这个底座，所有炫酷的展示都只是展示。
▎ 数字化最难的，从来不是技术。是管理机制、跨部门协同，以及人的思想转变。
这句话后来在座谈中被反复印证。美的的数字化转型可以追溯到 2012 年——那时"数字化转型"甚至还不是一个流行词。当时的美的，几十个事业部各用各的系统、各跑各的流程，连"销售收入"在不同部门都有不同口径。管理层想看一盘真实的账，并不容易。
美的没有急着买一套更贵的软件。他们先做了一件看起来"不够性感"的事：先把流程理顺，再把数据统一，最后才是系统。这就是后来在行业里被反复研究的"632 一致性变革"。统一之后，再通过 T+3 把客户需求、订单、生产、交付串成一条端到端的价值链。
当数据真正透明了，管理层的会议话题也变了——不再争论"哪个数字是真的"，而是"问题在哪、谁来负责、下一步怎么干"。
二、会议室里：AI 不是外挂，是接在底座上的新肌肉
参观完展厅，一行人移步会议室。美的集团及旗下美云数智的专家团队，与凌鸿教授一起，围绕"数字化转型与 AI 战略实践"展开闭门座谈。
交流中有三个判断，让在场的企业家学员印象很深。
凌鸿丨复旦大学管理学院信息管理与商业智能系教授、博士生导师，复旦大学智慧城市研究中心主任
判断一：AI 的起点，不是 AI
美的对生成式 AI 的探索，2023 年才开始。但在此之前，他们已经做了十年数字化基建。
企业如果没有统一的流程、数据标准和责任体系，AI 即使能生成漂亮的答案，也落不到生产环节里去。美的的做法是：2023 年先让员工自由尝试，不提指标、不下任务；2024 年，当场景和价值逐渐清晰了，集团才成立战略项目组织，把 AI 纳入预算、KPI 和日常运营。
统一 AI 入口、企业知识库、开发者平台、业务流程编排平台和算力底座，也随之逐步搭建。现在，AI 已经渗透到研发辅助、品质检测、设备维护、供应链、产销协同、营销、员工培训和经营分析等多个环节。
▎ AI 的价值，开始从"帮我写一段话"，走向"帮组织完成一段工作"。
判断二：效率，是制造企业最朴素的护城河
座谈中有一句话，很多学员当场记了笔记——
▎ 制造企业最本质的竞争力，是用更高效率持续提供高质量产品。
这也解释了为什么美的的数字化和 AI 建设，始终不追求"技术展示"，而是不断回到几个朴素的问题：质量能不能更稳定一点？交付能不能再快一点？库存和资金占用能不能再低一点？员工能不能少做一些重复的信息搬运？
凌鸿教授在研讨中指出，很多企业在数字化转型时容易犯一个错误：把工具当目的。而美的的逻辑恰好相反——工具永远为经营服务。效率不是一个口号，是一套从指标到动作、从系统到人的经营机制。
判断三：智能体越多，越要做减法
现场交流中，一个很实诚的回答引起了大家的注意。当被问到美的做了多少智能体时，分享人并没有报出一个惊人的数字，而是反复讲"治理"。
谁可以创建和发布？这个智能体是不是跟已有的能力重复了？它调用了哪些数据，权限合规吗？使用频率和稳定性怎么样？什么时候继续投入，什么时候果断停掉？
凌鸿教授补充道：智能体数量不等于业务价值。大量智能体中，真正达到高价值标准、稳定运行在生产环境、可持续复用的，始终是少数。美的正在探索的"智能体工厂"，不是让智能体变多，而是让品质、工艺、设备、采购、产销等不同角色的智能体协同完成工作。
从单点助手到多智能体协作，这不是技术升级，是组织方式的重构。
三、最难复制的，是组织
座谈后半段，话题逐渐从"技术"转向了"人"。
高层 Sponsor、跨部门项目组织、人才分层认证、业务与技术共创、把 AI 学习嵌入日常工作——这些词在交流中被反复提及。每一条单独拿出来都不新鲜，真正难的是，美的把这些事同时做到了。
举个例子。业务人员最懂痛点和价值，但未必懂模型和系统；技术人员能搭建能力，但未必理解一个制造流程为什么这样运转。美的的办法是，让这两种人坐在一起：共同定义场景、共同验收结果、共同迭代。只有这样，AI 才能从"演示"进入"生产"。
人才培养也不靠上课。员工在真实任务里学习：用 AI 改造一个流程，记录效果，接受评审，再把成果沉淀成其他人可以复用的提示词、知识库、技能包。当个人经验能被组织调用，AI 才真正变成了企业能力。
还有一个细节，凌鸿教授特别提醒大家注意：美的对长期拒绝改变的岗位和干部，并不回避。变革意味着有人必须跟上。这不是冷酷，是组织进化必须付出的代价。
四、中小企业，学方法不学规模
座谈尾声，凌鸿教授带领学员做了一次收拢性的讨论。面对美的的体量，很多企业家的第一反应是：我们没有这个预算、这个团队、这个数据基础，学了有用吗？
回应很实在：不要照搬规模，但可以借鉴方法。
几个可操作的建议被提炼出来：第一，从经营目标出发，别一上来就问"用哪个大模型"，先问自己最需要改善的是增收、降本、提质还是控风险；第二，选一两个高频、边界清晰、四到八周可验证的小场景，一个场景跑通了，比一百页 PPT 更有说服力；第三，别用单一 ROI 卡死自己——AI 确实要算账，但它同时带有战略基础设施的属性，用双重标准评估更合理；第四，再小的试点也要有基本治理，数据权限、发布审核、停用机制不是大公司的专利。
—— ◆ ——
半天参访结束，走出美的园区，脑子里反复出现一个画面：2012 年，几十个事业部、不同系统、不同流程、不同数据口径，被一把拽到同一张桌子上——这个画面比任何一块数字大屏都更有力量。
美的的经验告诉我们，AI 转型不是另起炉灶，而是在已经搭好的地基上盖新楼。数字化不是把线下流程搬到线上，AI 也不是在旧流程上加一个聊天窗口。真正的变化，是企业重新定义信息怎么流动、决策怎么发生、经验怎么沉淀、人和机器怎么分工。
技术会更新，模型会迭代。但有些东西不会过时：清晰的战略、真实的业务问题、愿意改变的组织，以及把每一次试验变成可复用能力的耐心。
▎ 当这些条件逐渐具备，AI 才不再只是一个工具，而会成为企业持续进化的一部分。
—— 下一站，更值得期待 ——
复金汇商学院 · 总经理课程
9月、10月，更多标杆企业参访与实战模块持续解锁。
联系方式
如果您想要咨询课程或寻求合作，请致电:
乐老师：13918276402张老师：
17621806652返回学习文章