AI 行业落地 | 第29期：集团先配助手，快递先让AI下场

AI行业落地 · 2026-10-29 · 九羲科技

一家管着 7000 多亿资产的国企，把 AI 助手写进了 11 家直管企业的日常；一家快递公司，在双 11 开打之前，先让 AI 以“数字员工”的身份站上了一线；联想则把自家 3000 人先用起来的知识智能体，打包成了能卖给客户的现成用例。三处现场，讲的其实是同一句话：智能体能不能落地，不看它会说什么，看它能不能在真实流程里，把一件事从头干到尾。

成色先说在前面：本期三个案例的数字，分别来自厂商授权代理商的报道、企业在保障方案里的披露，以及厂商公告加第三方机构的分析，没有独立审计，也不是客户财报。数字当作厂商口径的业务信号来读，方法当作可以抄走的设计选择来读，两笔账分开算。

· · ·

集团先配助手：鲁信把智能体写进组织编制

1. 背景：大企业最常见的坑，是先买工具再找场景

山东鲁信集团，管理资产超 7000 亿元，是山东省属骨干金融企业。这次它做的不是某个部门的小试点，而是集团层面的全员 AI 助手推进：11 个直管企业、31 个业务场景，一批“AI 员工助理”陆续上岗。¹ 放在这个背景里看，值得留意的不是“全员配助手”这个说法，而是顺序——鲁信没有先定工具再分摊任务，而是先让各业务部门把真实痛点交出来，再配助手。

2. 方案：业务出题，工程师结对子，经验沉淀成技能

落地方案用的是腾讯云 WorkBuddy 企业版。腾讯云派驻的 前沿部署工程师（FDE，Forward Deployed Engineer），和业务骨干、技术人员“结对子”开发：业务部门提痛点，工程师陪着把场景做出来，而不是把需求单甩给 IT 代劳。做出来的东西，不停留在某几个员工手里顺手，而被封装成可复用、可分发、可迭代的标准能力 技能（Skill）——一线经验一旦变成技能，就成了组织资产，下次换人、换部门还能接着用。

敢把核心业务交给智能体的底座，是三条事先钉死的线：AI 执行任务不超出使用者本人的权限，操作全程留痕，风险动作实时拦截，数据只在企业安全边界内流转。¹ 对外接系统，则靠 连接器（Connector） 与 模型上下文协议（MCP，Model Context Protocol） 打通 ERP、OMS、B2B 等业务系统，让智能体听得懂行业行话，而不是只会读通用文档。

3. 效果与成色：数字很亮，口径要看清

按报道披露的数字：投研的行业信息简报，从 1 个多小时压到 30 秒，每条信息附来源；尽职调查报告由 AI 分工、多章节并行生成，走完三道合规校验，周期从数周压到数天；周报从 1 小时压到数分钟；财务核对从 4 个人干近一天，变成 10 分钟出一张标好差异的比对表；旗下包装企业的月度对账从半天压到几分钟；光伏电站运维里，AI 自动识别并修复采集的瑕疵数据，人工整理压到了分钟级。¹

成色上要留一句话：这篇报道出自商派 ShopeX——它是 WorkBuddy 企业版的授权代理商，报道本身带有渠道口径。数字是企业与代理方披露的业务信号，尚未见到鲁信官方公告或第三方审计来对表。读法上，31 个场景的广度比某一个“百倍”更可信：广度说明这套机制跑通了不止一个部门，单个数字的倍数，看看就好。

可抄走的方法点：先由业务部门出题，再由工程师结对子交付，并把经验封装成技能。这个顺序反过来——先买平台、再到处找场景——多半是试点热闹、上线冷清。

快递先让 AI 下场：申通的双 11 数字员工

1. 背景：双 11 打的是长周期，人力先被拖垮

双 11 早就不是一天的仗，而是长周期作战。咨询量、售后量、转运量同时往上顶，一线的人力负荷先到极限。申通这次的解法换了个位置：不再只让 AI 在后台做分析、给建议，而是第一次把 AI 作为“数字员工”直接投入一线运营。² 这个“第一次”本身就是信号——AI 从参谋，变成了干活的人。

2. 方案：智能体平台 SClaw，沿着包裹走完四段路

依托公司智能体平台 SClaw，AI 沿着包裹的旅程分了四段干活：前端，数智客服辅助查件与异常拦截，先把“我的件到哪了、为什么卡住了”这类高频问题挡下来；中转环节，系统动态规划最优干线路由，路怎么走不再只靠经验排班；末端，“数字分身”协助快递员外呼及路线规划，把最耗时间的电话与绕路省下来；质控一环，数字质控系统盯着生鲜等高敏快件，做异常识别与预警。² 四段有一个共同点：都是可复核、可兜底的活——AI 先干，干偏了人还能接得住。

3. 效果与成色：部署是实的，效果数字还没交卷

要如实说一句：这篇 10 月 28 日的报道里，申通没有给出 SClaw 自己的单量、时效或准确率数字。双 11 还在打，效果要等峰值跑完才有资格复盘。同篇报道里另有两组数字，但它们属于京东物流，不是申通，不能挪过来用：京东物流“超脑”3.0 推荐的最优配送路径，采纳率突破 90.2%；“异狼”灵巧臂的全链路包裹跟踪准确率达 99.9%。² 把别家的数字安在自家案例上，是这类报道最容易踩的坑，这里先划清。

可抄走的方法点：峰值场景里，先给 AI 定一个“动手边界”——挑那些量大、重复、可复核的环节先下场，而不是一上来就让 AI 拍板。查件拦截、路由规划、外呼、质控预警，都是先干活、后复核的活，边界定清楚了，人才敢放手。

自己先用起来：联想的知识智能体，3000 人跑通再卖

1. 背景：客户不缺模型，缺一个跑通过的用例

联想这次扩充 联想 AI Library，思路很直白：把在真实经营环境里验证过的方案，变成客户能直接拿走的用例，而不是让每个客户从零搭一套。³ 其中最有说服力的一件，是联想自己的知识超级智能体——先在内部 3000 名员工身上跑，再放进 Library 对外交付。

2. 方案：内部跑通，封装成用例，再谈算力账

这套知识超级智能体的做法，是把企业知识接进智能体，让销售、客服、工程师少花时间找资料。联想的交付逻辑分了三层：Library 提供验证过的用例，Hybrid AI Factory 提供从基础设施到模型与智能体平台的整套底座，服务团队负责按客户的数据、工作流与治理要求做定制与持续优化。³ 同一套东西，还长成了世界杯期间给 48 支球队用的 FIFA AI Pro，覆盖 2000 多项表现指标，把过去按天算的洞察压到了按分钟算。³

3. 效果与成色：独立分析背书，但“可达”仍是上限口径

按报道引用的独立分析，内部部署的效果是：找知识花的时间减少 30%，销售团队准备客户方案的速度快了一倍，向业务专家升级求助的量减少 35%，折算的潜在年度生产力价值最高约 1700 万美元。³ 联想同时给出的另两组数，口径更要看清：预验证用例比从零自研“快最高 24 倍”，是厂商的上限说法；Signal65 的实验室分析称，Hybrid AI Factory 在满负荷时 token 成本比超大规模云厂商的 API 定价低最高 70%，在 30% 出头的利用率就能打平 API 价格——实验室条件，不等于客户现场的账单。³

可抄走的方法点：先在自己身上跑通，再封装成标准用例拿去卖。自己没用过的东西，很难讲清它在哪个环节省了多少钱；自己用过的，才敢写进报价单——这句话放在服务器与私有化部署生意里，同样成立。

· · ·

封面为程序绘制的示意图，非实拍；信源页面未提供可用的案例实图，正文故不配无关图片。