一款车型有成百上千条低压线束。线径、引脚、电流负载、电压负载和温度等参数都要逐项计算，熟练工程师过去需要两天，也就是 2880 分钟。

现在，导入参数表后，大约 5 分钟就能得到结果。

这个工具出自长安汽车的电气系统集成测试工程师毛海，他把线束选型规则整理成产品需求文档，再借助 AI 完成开发，AI 负责计算、分析和呈现，工程师核对过程并作出判断。

在河北长安公司，质量工程师郭子雅也在用相同的方式解决问题。一批扫码枪无法直接录入汉字，员工只能手工输入质量问题。不同人的表述可能存在差异，后面的数据分析和问题归类也会受到影响。更换设备要增加投入，开发新系统要等待开发排期。

郭子雅决定自己做一个工具。她 2013 年进入河北长安，学的是材料专业，没有软件开发经验。借助 AI，她先做出文字转换和二维码生成工具，又根据扫码枪的字节限制增加自动检查功能。系统会判断二维码能否被识别，指出需要调整的内容，再生成与现有设备匹配的二维码。

之后，她继续把 AI 用于随车文件检查、自动提交，以及原因和整改措施核查。她不熟悉智能体工作流，就把实际流程逐步讲给 AI，让它说明参数如何连接。

一名工作了 13 年的质量工程师，开始直接修改自己每天使用的流程。

从 2880 分钟到 5 分钟，长安把 AI 推向业务一线：最了解问题的人，开始自己把解决方案做出来。

过去几年，外界讨论车企与 AI 的结合，注意力主要集中在智能辅助驾驶和智能座舱。但是，长安汽车正在把千问办公推向企业内部，让它进入研发、生产、采购，运营和服务等日常工作。

千问办公落地长安汽车的案例展示了企业 AI 落地的另一面。

模型能力只是起点，哪些人提出问题，业务规则能否说清楚，个人做出的工具如何进入组织，开始决定实际效果。

01 要提效，AI 先进入规则清楚的工作

毛海选择低压线束选型，看中的是它足够明确的输入、输出和计算逻辑。工程师需要处理线径、引脚、电流负载、电压负载和温度等参数，计算量很大，但每一步都有规则可循。

毛海先与线束工程师一起梳理计算逻辑，把输入、输出和规则写进产品需求文档，再交给 AI 开发可执行工具。工具投入使用后，还增加了结果追溯功能，把每一步计算过程列出来，方便工程师核对。

AI 完成计算，工程师保留判断和确认。

毛海把双方的分工概括得更直接：" 人负责判断和指引方向，AI 负责计算、分析和呈现。"

这也是长安汽车目前较容易跑通的一类场景：工作反复发生，规则可以描述，数据可以结构化，结果能够复核。

长安汽车 AI 应用开发处经理肖世强说：" 场景不需要刻意去找，业务痛点一直存在，技术只是解决痛点的手段。"

郭子雅负责的随车文件一致性核对也符合这些特征。一辆车出厂时，合格证和随车文件中的 100 多项必检参数需要与国家监管网站保持一致。过去，工作人员要逐张查看证书、文件和网站信息。现在拍照上传后，工具可以提取参数、查询公告数据并标出差异，工作人员主要处理异常结果。前采资料显示，单车核对时间从十几分钟降至一到两分钟。

规则越清楚，AI 越容易稳定执行。流程如果仍然依靠个人经验，或者不同部门对同一个字段有不同理解，模型很难替企业补齐这些缺口。

毛海做用户 VOC 分析时，也遇到过这一问题。团队要在两个产品方案之间作出选择，用户声音散落在汽车论坛、社交平台和评论区。工程师先确定关键词、分类标准和输出格式，AI 再完成数据采集、情绪识别、观点聚类和表格整理。原来可能需要一到两周的工作，在流程调试完成后约一小时可以跑完。

AI 降低了处理数据和编写程序的门槛。业务人员仍要回答两个问题：什么数据可信，什么结果可以进入产品决策。

02 一线人员自己造工具，传统 IT 链路开始缩短

传统数字化建设通常有一条较长的传递链。业务部门提出需求，产品经理理解和转译，技术团队或外部供应商开发，经过测试和验收后再交给员工使用。

每多一次转译，业务细节就可能丢失一次。

质量管理就是一个典型场景。郭子雅每天接触问题录入、数据提交、原因分析和整改跟踪，也知道哪个环节容易疲劳、遗漏和产生数据偏差。AI 出现后，她可以先做出一个小工具，再把有效功能接入现有平台。原本需要等待的系统改进，由业务人员开始直接参与。

这种变化没有取消 IT 部门的工作。业务人员可以完成小工具、自动化脚本和产品原型，正式进入生产系统以后，接口、权限、测试、安全和后续维护依然需要专业团队负责。

业务人员获得了开发能力，IT 团队开始更多承担平台和治理责任。

长安汽车采购中心全球采购平台数字化高级项目经理龚玄则把这种变化推得更远。2025 年以前，她没有 IT 工作经历，主要从事成本相关工作。到了 2026 年，她处理任务时已经形成 "AI First" 的习惯，拿到工作后会先判断 AI 可以完成哪一部分。

一次由 AI 生成的使用复盘显示，她已经建立 58 个 Skill。两周内累计交互 240 多次，复盘估算节省约 45 小时。这个数字来自工具估算，不能直接当作财务口径，却能反映 AI 进入工作的深度。

龚玄把邮件、会议纪要、即时通信和在线文档持续整理到不同知识模块。AI 据此更新项目进展和职责分工，生成日报、待办事项和会议材料，也会辅助判断系统问题的性质、建议排查方向。

这套个人工作系统也需要持续维护。龚玄每周都会复盘已有 Skill，判断哪些需要调整和优化。她形容自己的节奏是：" 周一到周五让 AI 替我干活，周末再和 AI 一起讨论还有哪些地方需要改善。"

过去，员工使用软件完成一项工作。现在，软件还在，AI 开始成为调用知识、文件和不同能力的入口。

千问办公在长安汽车承担的角色之一，就是让员工在已有工作环境中调用这些能力。阿里提供基础模型、产品和平台支持，长安汽车掌握自己的业务流程、内部数据和应用场景。对大型企业而言，通用模型可以采购，企业多年积累的业务上下文仍要由自己整理。

03 一线负责找问题，变革团队负责把能力放大

一个员工节省几小时，并不等于整个部门缩短了流程。

千问办公副总裁、产研负责人束骏亮举过一个例子。一项流程原来涉及 3 个人，每人工作 2 小时。AI 介入后，每个人可能只需要 15 分钟，整个流程仍然持续 3 小时，因为沟通、等待和交接没有改变。

个人效率上升之后，企业开始碰到更难的问题：怎样让 AI 了解员工所在的部门、项目、客户和权限；怎样调用原有的 CRM、ERP 和内部平台；怎样让人与人、人与智能体之间的工作连续起来。

在长安汽车，这些横向工作由变革与效率部、AI 应用开发处等团队承担。

业务部门更接近问题。横向团队则负责工具引入、开发支持、培训推广、运营数据、系统连接和安全治理。两者缺一边，应用都很难扩大。全部交给技术部门，容易回到过去的需求排期；完全交给员工自由尝试，又会出现重复建设、权限失控和无人维护。

长安汽车没有单纯依靠行政命令要求员工完成使用指标。据肖世强介绍，公司会先让高层安装和使用，通过亲身示范，进而带动全员，让大家真正意识到 AI 能解决自己的问题。

后台数据也被用于运营。团队会寻找高频用户，邀请他们每周分享实际案例；看到某个部门使用率偏低，再进入部门了解原因并进行培训。日活、活跃天数、Token 消耗和 Skill 数量都会被观察，但这些指标目前主要用于判断员工有没有真正开始使用。

个人 Skill 也在尝试向组织资产转化。龚玄会把专业 Skill 分享给同事。不同人的电脑环境和知识库并不相同，接收者仍然需要结合自己的工作调整。他的估计是，其他员工拿到 Skill 后可以快速获得约七成能力，剩下部分继续由个人判断和完善。

过去，经验主要跟着师傅流动。现在，一部分工作方法可以跟着 Skill 流动。

复制仍然有条件。一个 Skill 能在采购中心运行，不代表它可以原样进入制造和销售部门。字段、权限、系统和审核责任都可能变化。组织需要保留统一标准，也要允许业务部门继续修改。

长安汽车由此形成了一种上下结合的路径。一线员工从小问题入手，公司层面再筛选哪些应用值得共享、接入和长期维护。

04 Token账单上涨后，企业要开始算完整的 AI 账

长安汽车暂时没有给各部门简单下达 " 节省多少成本、提高多少效率 " 的硬指标。

肖世强给出的理由很直接。企业 AI 仍处在探索期，应用效果和技术能力变化很快，过早把创新完全转换成经营指标，容易产生虚假结果。产品体验如果没有达到要求，强制员工提高使用次数，也会增加抵触。

当前阶段，长安汽车更关注员工是否开始使用、以及是否跑出有效场景。Token 和算力消耗随之快速增长，公司对此有预期，管理层也已经开始追问费用由哪里承担。

肖世强说：" 长期看，AI 仍然需要讲投入产出。"

这笔账迟早要进入成本体系。

员工使用 AI 生成一份 PPT，节省的时间相对容易估算。一个工具进入质量、研发和采购流程后，价值口径会复杂很多。它可能缩短交付周期，也可能减少错误、改善产品质量，或者让过去因成本太高而无法进行的分析变得可行。单纯统计调用次数，很难覆盖这些变化。

数据安全是另一个要面对的问题。

长安汽车根据内部受控、普通商密、核心商密等等级管理数据。涉密和核心商密主要由内部 AI Agent 处理，公司也在建设私有化能力。外部服务需要通过协议明确数据边界，部分任务在本地环境运行，调用云端模型后还要按要求清理缓存。

准确率同样需要责任人。龚玄使用 AI 生成 PPT、日报和数据分析后，仍会检查结果，再把错误反馈给 AI，调整规则。文字任务可以通过长期积累逐渐稳定；数据任务即便由代码完成，字段、口径和异常值仍需核对。

长安汽车现在处于两个阶段的交界处。前一个阶段解决 " 有没有人用 "，让员工跑通第一个真实问题；后一个阶段要回答 " 是否值得继续投入 "，把日活、Token 和 Skill 数量继续落到流程周期、质量改善和经营结果。

对于准备推动 AI 的企业，长安汽车的经验给出了一个相对清晰的顺序。

先找规则清楚、重复发生、可以复核的工作，让最了解问题的人参与开发；场景跑通后，再决定怎样接入系统、分享能力、划分权限并承担成本。

当一线员工开始自发利用 AI 造工具，管理层需要接住这些工具：筛选可以复制的场景，接入企业系统，划清权限和责任，再用经营结果检验投入。

从 2880 分钟到 5 分钟，是一个单人工具的效率。如何让一个人的工具变成整个组织的能力，才是长安汽车接下来要算的账，也为特大型企业如何真正用好 AI 提供了绝佳样本。

本文来自微信公众号「AI 原生 Lab」，持续拆解真实 AI 落地案例，分享企业 AI 实践与方法论。