营口企业AI提效：先选一张每月都要汇总的表

产量在涨，吞吐在涨，人照原来的配置在干活。

这不是个别现象。港口货物吞吐量 2.19 亿吨、集装箱 585 万标箱；钢铁及深加工增加值同比增长 17.7%，铝产业增长 31.7%——以上出自营口市统计局 2025 年统计公报。产能和吞吐都在扩，效率是另一本账。

有意思的是，产能一扩，管理动作往往跟不上：产量涨了三成，人还是原来那些人，报表还是原来那套手工拼的 Excel。

于是会有人来问 AI。多数情况下，方向是对的，问题常常出在起点上。

这是千羽网络的判断：营口企业AI提效的第一步，不是买工具，是挑一张表。

先挑一张表，而不是先挑一个工具

先说一件反常识的事：AI 项目做不下去，多数不是因为模型不行，而是源头的数据是乱的。

一个很常见的画面：车间报工用一套表，质检记录在另一个人的电脑里，采购在群里发消息确认。月底要出生产报表，得有人把三处的信息人工对一遍，Excel 里拉满公式。这种情况下接一个 AI 报表工具进去，它读到的数据是互相矛盾的，生成的分析看着挺专业，实则没法用。

再往上一层，这类企业还有个更实际的问题：报表本身就是痛点。管理层要看的月度汇总、能耗台账、质量异常统计，每次都要人手工拼，模板还是去年那个版本。所以真正省人的地方，通常就藏在这张表里。

顺带说一个常被忽略的成本。做报表 AI 之前，先看这张表是怎么发出去的——是有人手工转成邮件附件，还是系统里直接点出来。前者说明连数据出口都没统一，先统一出口，再谈自动化。

挑表的三条标准

不是所有表都值得先做。在营口AI办公提效上，我们一般按三条标准挑。

第一条：每月都要出，且出一次要花掉人半天以上。频次高才有积累价值，一次性的活儿做完就完了。

第二条：数据源在三个地方以内。超过三个就是数据治理工程，不是 AI 工程，先别混着做。

第三条：产出有人看，而且看的人会据此做决定。如果出完没人用，做得再快也没意义。

符合这三条的表，通常是这么几张：月度生产与能耗汇总、质量异常与处理台账、采购与库存对账、销售订单与回款进度。这几张表有一个共同点——现在正靠人在拼。

挑表时还可以往下多问几句：这张表今年改过口径吗，改过几次，是谁改的，改完之后别人还能不能看懂？口径不稳定的表，先花力气把定义定下来，再做自动化，否则做出来的东西没人敢用。

第二步是异常提醒，不是生成报告

先分清两类活。一类是把已有的东西做得更快更好，比如自动出报表、批量整理文本；另一类是让系统自己盯出异常，发消息给人。营口AI办公提效里，第二类更容易见效，因为它省的是「每天要看一遍数据」的那份注意力。

在营口AI降本增效这类项目里，我们认为更容易见效的用法是异常提醒：让系统盯着关键指标，偏离阈值或出现反常模式时推一条消息给人。

几个在制造业里比较实用的方向：某个班的产量比同类班次低出一截；某台设备的能耗曲线和检修周期对不上；某批原料的检验数据和供应商历史数据差得远；某几个客户回款周期明显拉长；海产品加工旺季的收购量偏离近三年的同期水平。

这类提醒不需要复杂的推理，它需要的是数据统一、口径一致、阈值合理。这也是为什么第一步总是收数据——系统不通，AI 只能给出一个好看的、但互相打架的数字。

阈值怎么定是个技术活。可以先取近两三年的正常波动范围作为基准，超过上下限就提醒，比拍脑袋定一个绝对值靠谱。这套做法不需要复杂模型，普通脚本就能实现。

参数资产在镁质材料这类行业，是另一类机会

营口企业智能体应用的讨论，通常绕不开一个问题：让系统「自己判断」到底能判断什么。我们的答案是，先从有明确判据的事做起。

钢铁、铝这类行业里，AI 用在报表和提醒上比较多。镁质材料的情况不太一样，这个行业在营口占规上工业增加值 9.5%，耐火材料制品年产量 444.8 万吨，核心资产是配方和窑炉参数。

这些参数通常存在几个人的 Excel 和本子里。如果能把它们收进系统、标上对应的产出结果——哪组参数对应哪一批货的性能、当时窑炉怎么走的、成品合格率如何——那么同样的问题以后就不用再靠人回忆和试错。

这是千羽网络判断的一个具体场景：这里的 AI 价值不在于写文案，在于从历史数据里找出参数和结果之间那些没人总结过的关系。这个事只有数据收上来之后才谈得上，而且出来的结论必须由懂工艺的人确认，系统只做提示，不做决定。

找营口数字化转型服务商时，问三个问题

第一个问题：你们的项目是先做报表和提醒，还是先做驾驶舱和大屏？如果对方第一反应是给你看三维可视化效果，这个问题基本可以结束对话了。

第二个问题：需要我这边提供什么？一份清楚的数据清单，包含数据在哪、谁维护、什么频率更新。回答含糊的，意思是到时候再问你要。

第三个问题：这个东西上线三个月后，我要每月做什么？如果答案是「什么都不用做」，要问清楚他们怎么保证数据口径没跑偏；如果是「每月要做一次核对」，那也是正常的，但要写进合同。

周期上我们一般这样估：只做一张表加提醒这类小场景，一到两个月能见到东西；牵涉多个系统对接的中型项目，三到六个月；如果要打通生产、设备、供应链并且叠加 AI 分析，通常半年以上。

系统上线之后还有维护的问题。规则会变，指标口径会调整，业务流程一改，之前设的阈值可能就不合理了。

所以在签之前问一句：维护期多长，包含什么，是按年还是按月收费，改一次业务规则收不收费。这句话问出来，对方对这件事认真不认真，大概能听出几分。

这是千羽网络的判断。AI 提效这件事，最后拼的不是模型能力，是谁有耐心把每个月的口径重新对齐一遍。

下一步

不用开会，不用选供应商。就做一件事：找出你每个月必出、花时间最多的那张表。

然后回答四个问题——这张表现在谁做、要多久；数据从几个地方来；出完给谁看；上次改口径是什么时候。

这四个问题答完，你手上就有了判断依据：这件事到底是「买个工具就能解决」，还是「得先把数据收上来」。把答案发给任何一家服务商，包括我们，看对方给的方案是不是对得上这四个问题的答案。对不上，就换一个。