2026-09-15
47
你的员工可能早就在用 AI,但公司的系统还没真正用上 AI,这是绝大多数企业现在的处境。鼎捷数智副总经理洪之文在一场面向越南老客户的在线分享中,把这个处境拆解成一条清楚的路径:ERP、Internet、Cloud、AI 四个时代各自改变了企业的什么、“低干扰、高价值”的起手原则、从“四高”找场景的方法,以及 Agent Space 五个实战场景。本文整理成一份任何用了多年 ERP 的企业都能对照使用的 AI 底座指南。#AiGP #ERP升级 #AgentSpace #企业AI导入 #东南亚台商 #数字转型
你的员工可能早就在用 AI,但公司的系统还没真正用上 AI,这是绝大多数企业现在的处境。鼎捷数智副总经理洪之文在一场面向越南老客户的在线分享中,把这个处境拆解成一条清楚的路径:ERP、Internet、Cloud、AI 四个时代各自改变了企业的什么、“低干扰、高价值”的起手原则、从“四高”找场景的方法,以及 Agent Space 五个实战场景。本文整理成一份任何用了多年 ERP 的企业都能对照使用的 AI 底座指南。#AiGP #ERP升级 #AgentSpace #企业AI导入 #东南亚台商 #数字转型
先问一个问题:如果现在请你估算,公司里有多少员工正在用 AI 工作,你答得出来吗?
鼎捷数智在一场面向越南老客户的在线分享里做过一次小调查,结果超过三分之一的企业只答得出“1 到 5 个”,还有几家企业干脆选了“不确定”。乍看是个无伤大雅的统计题,但主讲人鼎捷数智副总经理洪之文话锋一转:连自己公司有多少人在用 AI、用在哪里都说不清楚,代表 AI 目前对这家企业来说,还只是员工个人的事,而不是企业的能力。
这其实是大多数企业现在的处境:员工早就自己摸索着用 ChatGPT、用各种 AI 工具,效率有感提升;可是公司的系统,尤其是每天在跑的 ERP,却还停在原地,没有真正跟 AI 接上线。这场分享要回答的,正是这个落差怎么补。开场致词的鼎捷数智副总裁郑家麟讲了一句话,几乎定调了整场内容的逻辑:AI 不是空中楼阁,它必须建立在严谨的业务逻辑与真实的运营数据之上。
这套拆解方式并不是凭空归纳出来的理论,而是主讲人洪之文长期在东南亚第一线辅导台商的观察整理。他是鼎捷数智的副总经理,目前主要负责越南老客户的服务工作,用他自己的话说:“我是越南鼎捷的洪之文,目前主要是担任我们老客服务的部门”。
长期泡在客户的产线、办公室、系统后台里,让他看到的不是一堆抽象的 AI 概念,而是台商工厂每天真实发生的问题:招不到人、留不住人、决策靠老师傅的直觉、系统各说各话。也正因为这样,他归纳出来的“四高”“两种不匹配”“低干扰高价值”这些方法,听起来都不像实验室里的理论,而更像是从几百家企业的实际案例里,一条条筛出来的共同规律,这也是这篇文章接下来要拆解的内容。
要理解 AI 这一波为什么不一样,洪之文先把过去几十年的技术变革摊开来看,排成一条时间轴。
二十年前,ERP 出现,改变的是企业流程,让管理走向标准化、效率化;十年前,Internet 普及,改变的是企业信息,让数据传递打破了地域限制;五年前,云端兴起,改变的是企业部署,让保存与服务变得弹性、随用随取。这三波变革,改变的都是企业“怎么做事”。
而今天的 AI 不一样。它改变的不是流程、不是信息、也不是部署方式,而是企业的运作主体本身,会思考、会决策的,不再只有人。
这个定位很关键,因为它解释了为什么企业会觉得 AI “难导”。前三波变革,企业都是把新工具装进旧流程里就能运转;这一波,企业要面对的是谁来做决策、谁对结果负责这种更根本的问题。
📊 简报对照|四个时代的技术变革时间轴:ERP 改变流程、Internet 改变信息、Cloud 改变部署、AI 改变运作主体

如果只是技术在变,企业或许还能慢慢适应。麻烦的是,内外压力正在同时夹击。
洪之文提到一个很多台商工厂都心有戚戚的现象:企业营收的增长,不需要等比例的劳力人口,但现实是招募跟留任的压力,几乎是这一两年拜访客户时最常听到的抱怨。外部有汇率、关税、碳税、市场剧烈波动;内部有缺工、人才断层、员工异动率升高、信息安全威胁升级。两边夹击的结果,是决策速度被压缩、企业知识难以传承、运营负荷全面上升。
在这样的现况底下,企业原本的运作方式,也开始显出五个疲态:决策仰赖人工经验与流程、信息永远落后于现实(长周期规划、手动回报驱动)、反应链条不佳(垂直分工、部门互不相通)、系统各自为政、无法产生综效(IT 沦为工具、数据成了孤岛),以及最麻烦的,永远只能被动应对、事后补救,没办法提前因应。
洪之文的提醒很直接:如果不改变逻辑与技术底座,企业的经营韧性只会越来越脆弱。
📊 简报对照|企业现状的五个疲态:决策靠经验、信息落后、反应链不佳、系统无协同、无法提前应对

面对这五个疲态,AI 到底能做什么?洪之文归纳出四种突破:补上人力的不足,让 AI 同时处理多条任务,带来平行生产力;补上能力的不足,让经验被封装、能无限调用与传承,带来拷贝生产力;在过去无解的题目上找到新解法,带来推演生产力;在过去做不到的地方创造价值,带来持续生产力。
📊 简报对照|AI 的四大突破:并行生产力、复制生产力、推演生产力、持续生产力

但这里有个容易被误解的地方:多用几个 AI 工具,不等于企业真的变强了。洪之文用一组电影角色做对比,讲得很清楚。
把 AI 当成“钢铁侠”式的插件,个人的效率与能力确实可以放大,但能力终究还是绑在这个人身上,受限于这个人原本的能力、思维与时间,难以在组织里流动、累积。“变形金刚”式的发展则完全不同:人只需要定义目标,AI 负责执行;人从执行者变成知识贡献者与关键决策者,能力可以被提炼、封装,跨组织赋予给其他人使用。
换句话说,企业之间真正的竞争差距,从来不是用了多少 AI,而是工作方式有没有被真正重构。
📊 简报对照|"钢铁侠"式个人外挂 vs. "变形金刚"式组织重构的能力对比

顺着这个逻辑,AI Agent 进驻一家企业,通常会走过三个阶段。第一阶段,员工标配 AI 助理,处理重复性的工作;第二阶段,AI Agent 开始像数字同事一样加入团队,能跨组织完成任务;第三阶段,员工只需要指挥方向,实际运营交给数智分身,劳动力缺口由这些“数字劳动力”补足。
洪之文也坦白分享了他观察到的现况:台湾多数企业,其实还停留在员工各自用 AI 工具的早期探索阶段,AI 像火一样被四处点亮,却还没有形成企业级的能力。真正往前一步的,是已经开始建立数据底座、治理机制、权限控管与运行环境的企业,目前鼎捷数智已经有 400 多家老客户走到这一步,逐步迈向数智分身融入组织协作,最终目标是走向一个以数据自决与智能生成为核心的 AI 原生企业。
📊 简报对照|AI 原生企业进化论四阶段:员工用 AI 工具的企业 → AI 内生基础设施的企业 → 数智分身融入组织协作 → AI 原生企业

这条路看起来远,但拆解开来,其实每一步都有迹可循,接下来的内容,就是在拆解“怎么走”。
很多企业导入 AI 卡关,第一反应是觉得自己的技术不够先进。但洪之文提出的观察是,真正卡住企业的,往往是两种不匹配。
第一种是运行环境的不匹配:数据散落在各个系统、标准不一,AI 根本读不懂全貌;现场变动大、异常事件多,模型难以稳定运作;系统老旧、设备串接受限;安全与合规的压力,也让 AI 难以快速落地。
第二种是运行关系的不匹配:部门本位主义、垂直管理造成流程断点;人才与技术出现断层;决策习惯仰赖个人经验,AI 给的建议难以被信任采纳;企业内部也缺乏治理与责任归属的机制。
这两种不匹配,刚好对应到两套解方。
📊 简报对照|卡关的两种不匹配:运行环境不匹配 vs. 运行关系不匹配

针对运行环境的不匹配,鼎捷数智的做法不是急着在旧系统上叠加 AI 应用,而是先帮老客户把 ERP、MES 等既有系统的底座换掉。
底座升级分成四层。数据层,让 AI 理解 ERP 里的数据结构与流程逻辑;应用层,把 AI 的应用弹性拆解、配置,可以视需求串接 ChatGPT、Gemini 或其他大模型,不绑死在单一框架里;介接层,建立起企业系统与 AI 沟通的 API 通道;运算层,引入可配置治理的 AI 模型,数据会先在 ERP 端做组织与过滤,脱敏之后才送上云端运算,不是把整份报表原封不动丢给 AI,这一点也直接回应了很多企业对机敏数据外泄的担心。
📊 简报对照|AiGP 底座四层架构:数据层、应用层、介接层、运算层

如果你想先搞懂“底座升级”跟“四高”找场景的方法怎么串在一起,可以参考〈东南亚老台商的 AI 升级路径:有了 ERP 之后,如何让 AI 进来工作〉,里面有更完整的拆解。
针对运行关系的不匹配,答案是一个叫做“Agent Space”的企业数智运行空间,里面分成个人空间与企业空间两块。
个人空间以每一位工作者为核心,理解个人的操作习惯、累积决策记忆,同时保有隐私边界;企业空间则以组织里的专职角色为单位,支持集中化管理、提供 Agent 之间的协作环境,并且做到可治理、可追溯。两个空间之间通过统控机制自然流转,让能力既能在个人层次慢慢养成,也能沉淀下来,变成企业真正的资产,不会因为某个员工离职就跟着流失。
📊 简报对照|Agent Space 架构:个人空间与企业空间通过统控机制流转

理论说完,最有画面的一段,是分享会里放的五段情境示范,展示 Agent Space 在企业里实际运作的样子。
第一个场景,接单决策。业务收到客户询价信,过去要跨部门确认能不能接、接了会不会赚钱,常常得来回好几通电话。现在 AI 监控到询价信件后,会自动启动解析,同时唤起财务、生管、业务三个分身一起协作:财务算毛利率与成本、生管评估产能与交期、业务统筹信息,几秒钟内完成接单建议与利润分析(实际效益依企业规模与行业不同而有差异,仅供参考)。
📊 简报对照|场景一:接单决策,财务/生管/业务分身协作完成利润分析

第二个场景,采购备料决策。示范以一项关键原物料为例:采购分身持续扫描市场,侦测到价格处于近期低点,同时发现运输壅挤与供应商断链的潜在风险,于是自动汇整情报、生成提前备料建议,并调用生管、物管、财务分身召开虚拟产销会议,各自产出需求预估、库存缺口与成本权衡报告,最后只需要主管一键签核确认。
📊 简报对照|场景二:采购备料决策,市场情报自动汇整与虚拟产销会议

第三个场景,插单救援。客户临时插单,产线来不来得及,传统做法常常是产线大乱、跨部门互相抱怨。在 Agent Space 里,治理合规分身会先针对贸易规范、客户信用与合规条款把关,确认交易稳健合法,再自动召集业务、仓管、采购分身多线协作,完成库存查核与交期判定,一键生成正式订单并同步录入 ERP(过去往往需要多通电话反复确认的流程,经验上可以大幅缩短,实际效益仅供参考)。
📊 简报对照|场景三:插单救援,治理合规分身把关后多部门分身协作生成订单

第四个场景,高层智库。面对原物料价格暴涨或关税冲击,决策者可以召唤财务、采购、供应链等虚拟专家,展开多轮深度辩论:盘点安全库存、计算资金风险、推演不同策略对毛利的影响,最终产出一份条理分明的风险评估报告;系统还会针对每个分身的表现进行评分,让决策多一层可追溯的专业背书。
📊 简报对照|场景四:高层智库,虚拟专家多轮辩论产出风险评估报告

第五个场景,也是最长远的一个,知识传承。过往处理棘手状况的决策经验,只要一个指令,就能把隐性知识与应对逻辑自动打包,封装成标准化的专属技能;下一次遇到类似状况,分身可以直接调用,思考与反应速度大幅提升,让每一次成功经验都变成企业专属的数字资产,而不是随着某个资深员工离职就一起消失。
📊 简报对照|场景五:知识传承,隐性经验封装成标准化技能供分身调用

这个场景背后其实还牵动一个更根本的问题:企业留不住老师傅的知识,跟留不住人的问题其实是同一枚硬币的两面。这部分东南亚台商工厂的选用育留压力与应对方式,可以参考〈跟日韩厂抢同一批人:东南亚台商工厂的选用育留与运营体质〉。
看完五个场景,很多人的反应是:道理都懂,但我的公司该从哪一个开始?
洪之文给的方法是找“四高”:高负荷,繁琐、重工、无法省略的单据处理;高频度,每天都会发生、不能错也不能等的对账、派工报工;高知识,有数据有流程但天天有人问、知识难以传承的排班合规、售服问答;高经验,全靠资深老手直觉判断、决策难以接手的设计改型。从销售接单、采购流程、研发设计、制造调度,到客户服务、人力资源、财务审计,几乎每个职能都能找到属于自己的四高热点,那就是值得优先导入的第一个场景。
📊 简报对照|"四高"判断法:高负荷、高频度、高知识、高经验

起手的原则,他归纳成四个字:低干扰、高价值。不改变企业既有流程,降低组织抗拒与转换成本;聚焦高频的提效场景,让员工有感、组织有成;从语意交互、问答式操作切入,让 AI 自然嵌入日常流程;不重构系统架构,用叠加与串接的方式导入,降低技术风险。
📊 简报对照|低干扰、高价值的起手四原则

实施路径则建议分三段走:先从作业与账务起手,升级 ERP 的 AI 底座,让既有系统的数据被 AI 读懂;接着接上运营、工厂、信息安全与永续数据,形成数智分身,支持跨职能协作;最终重构数据语意、权限与流程脉络,走向数智原生。每一段都不必等前一段做到完美才开始下一段,而是可以边做边扩展。
很多企业担心,自己的系统已经用了十几年,是不是反而会拖累 AI 导入的速度。洪之文的回答正好相反:用了多年 ERP 的企业,其实比从零开始的企业更有优势,原因有三个。
一是员工上手的难度极低,因为新的操作模式跟现在用的 AI 工具相去不远,员工只需要从“操作者”变成 AI 的调度员;二是运营数据早就存在自家系统里,而且结构化程度高,这正是 AI 最需要的真实大脑;三是既有的 ERP 流程框架,让员工不必没有边界地摸索试错,可以直接把 AI 融入原本熟悉的作业流程里。
相对地,企业如果选择自行从零导入 AI,在人员上要重新学习系统怎么配合,在数据源上要承担公共模型与外置 API 的外泄风险,在成本上要面对从无到有的训练与试错,在数据上还得自己解决正确性与结构化的问题。这也是为什么原厂升级路径的差异在于:AI 的来源可靠、不会把机敏数据原封不动往云端传;技术集成由原厂处理,也能代为分配员工的使用额度;更重要的是,不改变企业既有的流程与数据结构。
📊 简报对照|自行导入 vs. 原厂升级路径的三个支点比较

如果把这笔投入放进整年度的规划里看,它比较接近一次基础建设的升级,而不是一次性采购。怎么把“底座升级”放进预算编列的逻辑里,可以参考〈台商的新年预算编列,要不要把 AI 也列进去?三种编法与四笔隐性成本〉。
分享会结束前的问答环节,有几个问题被反复提到,也是大多数已经用了多年 ERP、正在考虑导入 AI 的企业最想知道的答案。
第一个问题是:升级到 AI 底座,前期要准备什么,会不会影响现在系统的正常运行?答案是,第一步通常是确认现有主机是否具备升级条件,需要做一些系统面的更新与个案调整;操作流程跟现在使用的方式大同小异,对员工的影响其实很小,真正的关键反而是企业自身的环境整理与心理准备是否到位。
第二个问题是:“四高”场景这么多,该先做哪一个?多数企业最先关心的,往往是“订单”这个场景,因为这牵涉到老板最在意的问题,这张订单能不能接、接了会不会赚钱,通常也是最容易看见成效、最有感的起手式。
第三个问题是:为什么升级 AI 底座,经常被形容成同步做了一次信息安全升级?原因是新的底座已经限制好 AI 沟通协作的方式,不会重演员工个人操作时,习惯把整份数据原封不动丢上云端的风险;同时底座升级往往伴随主机更新,让已经停止维护、存在漏洞风险的旧版操作系统一并汰换,也顺势补上上市公司常见的信息安全合规要求。三件事一起做,流程、数据与信息安全是同时往前推进的。
洪之文用一句话总结了整场分享的核心:一个人变强,是效率的提升;一群人一起变强,才是企业竞争能力真正的展现。这句话或许也是每一家还在犹豫从哪里开始的企业,可以先问自己的一句话:你希望自己公司里,AI 只是几个员工的个人习惯,还是整个组织共同拥有的能力?
如果贵公司也用了多年 ERP,想知道从现有系统升级到 AI 底座的具体路径与投入,欢迎填写需求表,由熟悉您产业与所在国家的顾问为您评估专属的升版路径。
A1:文中提到的“四高”判断法与“低干扰、高价值”原则,是用来找出企业内部第一个适合导入 AI 的场景,并不限定企业规模;实际的升级条件与投入,仍需要依照企业现有系统与数据状况个别评估。
A2:这些场景是 ERP 底座升级后、通过 Agent Space 串接既有系统数据实现的应用,并非独立产品;实际方案内容与升级条件,请以顾问评估为准。
A3:两个检查点:一是导入 AI 后,既有流程、单据与报表结构是否维持不变;二是第一个场景是否天天发生、员工是否在数周内有感。两者都成立,就是低干扰、高价值的起手式。
鼎新數智購
6 Followers
鼎新數智購
6 Followers