在山东CIO联盟夏季论坛化工新材料分论坛上，AIHUB社区核心成员李波围绕化工企业AI应用的规划与实践作了专题分享。

这场分享的特别之处在于，它并没有停留在“用了哪些AI工具”“做了哪些应用”的层面，而是把问题推向了更底层：未来企业组织形态会怎样演进？化工企业如何从智能助手走向工厂大脑？业务规则、任务、技能如何被AI重新组织？企业IT架构会因此发生什么变化？

李波分享中的一个细节很有代表性：演讲PPT中大量图片由AI生成，但他强调，AI只是工具，你的产出必须融入你的专业思想才更有价值。这句话也可以看作整场分享的底层逻辑：AI不是替代人的思考，而是放大人的认知、经验，最终提升的是整个组织能力。

一、组织形态的下一站，可能是“认知型组织”

李波从组织形态的演进谈起。

过去，企业组织经历了职能型、平台型、赋能型、生态型等不同阶段。随着AI能力进入企业运营，未来组织可能演进为一种新形态，即“认知型组织”。

所谓认知型组织，并不是简单地让员工都用上AI工具，而是组织本身具备更强的自感知、自适应、自决策和自执行能力。

这意味着，企业不再只是依赖固定流程和层级指令运转，而是能够基于数据、规则、知识和智能体，对环境变化作出更快响应。

对制造业，尤其是化工行业来说，这个目标的落点更加具体：那就是打造流程工业的工厂大脑。

化工企业最难、最关键的环节在生产制造。装置复杂、控制回路多、安全约束强、环保和合规要求高，任何一次错误判断都可能带来巨大损失。因此，化工企业的AI应用不能只停留在办公助手和报表生成层面，最终必须走向对生产系统的更深理解和更稳控制。

二、未来AI应用架构：平台、工厂和仓库

在李波的设想中，未来企业AI应用架构可以分成几个关键组成部分。

首先是三类开发与应用平台：智能体开发平台、智能体应用平台和Skill应用平台。

智能体开发平台负责提供智能体的开发能力，智能体应用平台面向企业内部形成应用市场，Skill则用于沉淀可复用的业务能力共用共享。

其次是三类“加工厂”：智能体加工厂、Skill加工厂和模型加工厂。它们分别负责生产智能体、封装业务能力、训练和适配模型。

再往下，是三类企业仓库：数据仓库、规则仓库和知识仓库。

数据仓库，很多企业已经在建设；知识仓库，用来沉淀业务人员在工作过程中的经验、技能和方法；而最值得关注的是规则仓库。

因为企业真正难以智能化的地方，往往不是没有数据，也不是没有模型，而是业务规则长期散落在系统里、流程里、制度里，甚至领导和老员工的脑子里。规则如果不能显性化，就难以被智能体调用，也就难以实现真正的自动化协同。

这也是未来IT架构重构的关键：企业需要把数据、知识、规则、任务和能力重新拆解、沉淀和组合。

三、化工企业离“工厂大脑”还差什么？

李波用离散制造行业的智能工厂案例说明，未来工厂的理想状态，是在很少人工干预下，由设备和系统自主运行，并由工厂大脑进行统一调度。

这样的工厂具备自感知、自适应、自决策和自执行能力。

如果拿离散制造行业的这个智能工厂标准看化工行业，差距在哪里？

化工企业并不缺自感知。传感器多、控制点多、装置数据丰富，DCS、SCADA等系统已经能采集大量实时数据。

化工企业也不缺自执行。因为自动化程度很高，很多控制动作本来就可以由系统执行。

真正缺的是中间的“自决策”。

化工装置是否能根据历史数据、实时工况、工艺规则、安全边界和经营目标，做出可靠、可控、可解释的决策？这是流程行业工厂大脑最核心、也是最难解决的部分。

难点在于，化工行业对安全、环保、合规和稳定性的要求极高。一次停工损失可能巨大，一次错误决策可能影响生产安全。因此，化工AI不能简单照搬互联网式快速试错，而必须在安全可控的前提下逐步演进。

四、先做到自主监督，最后实现自主决策

对于化工企业AI应用，李波提出了一个更稳妥的演进路径：先自主监督，再自主决策，最后实现真正的自主运行的工厂大脑。

当前阶段，更现实的目标是自主监督。

先通过大模型和机理小模型结合，企业可以利用海量历史数据训练模型，让AI理解物料、工艺、设备运行之间的关系，总结规律，识别异常，并判断未来可能发生什么。

这一步的价值在于，AI先成为更敏锐的“观察者”和“预警者”。

下一步，才是让AI基于监督结果提出决策建议。例如在复杂回路、复杂装置中，系统可以给出调参建议、异常处置建议、能耗优化建议，一起到提供可执行的操作计划。

再往后，才是让AI进入自主执行阶段。

李波把化工装置的自主运行类比为自动驾驶。自动驾驶从手动到半自动、自动、半自主、高度自主，再到完全自主，走了很长时间。化工装置的自主运行也不可能一蹴而就。

这对化工企业非常重要：不要幻想一步进入“无人化自主工厂”，而要沿着自主监督、自主决策、自主运行的路径，逐步建立起一套拥有信任、边界和控制机制的可行智能化方案。

五、Skills：企业低成本沉淀组织能力的新方式

李波在分享中特别强调了Skills的价值。

过去，企业一直希望建设业务中台，把业务能力原子化、复用化。但很多业务中台建设并不理想，原因在于B端业务太复杂：合同模板、支付方式、融资方式、审批规则、业务场景千差万别，中台切割的颗粒度往往不够细，也难以进行智能化编排。

而Skills的出现，给企业提供了一种更有效的可行方案。

企业可以把固定流程、业务能力、模板规范、老员工经验等写成Skills，让智能体在执行任务时调用。这样，企业长期依赖个人经验的能力，就可以逐步沉淀为组织能力。

分享中提到一个例子：公司往往会出台很多规范、标准，如果我们用AI工具把这些标准、规范制作成Skills，那么所有员工就不需要刻意去学习，只简单调用就可以拥有这项能力。它说明，Skills不是宏大概念，而是可以直接解决企业日常管理中的具体问题。把一个规范、一套模板、一段经验、一种处理方法封装起来，未来就能被反复调用。

六、老员工经验如何被“蒸馏”为企业资产

企业里很多真正有价值的能力，不在制度里，也不在系统里，而在老员工脑子里。

比如某位同事如何判断异常、如何写汇报、如何处理客户问题、如何协调跨部门流程。这些能力如果没有沉淀，一旦员工离职，组织就会失去一部分隐性资产。

李波提到，其实可以通过聊天记录、文章、课程、演讲、工作文档等素材，把同事的经验总结成Skills。即使同事离开，相关能力仍然能在组织中继续被调用。

当然，这件事也有前提：素材必须足够丰富，员工必须愿意分享。

因此，未来企业要鼓励老员工多讲课、多写文章、多输出经验。AI不是凭空制造能力，而是把人的经验转化成可复用、可调用、可迭代的组织能力。

这对咱们山东的传统制造企业尤其重要。很多企业的核心竞争力，长期建立在老师傅、老工程师、老业务骨干的经验之上。AI时代，谁能更快把这些经验沉淀下来，谁就能更快形成新的组织资产。

八、未来IT架构：规则、任务、能力三者缺一不可

李波对未来IT架构的判断非常明确：企业IT架构正在重构，而且已经在发生。

未来企业智能化，需要同时处理三个板块：规则、任务和能力。

任务，可以由Agent接管；能力，可以由Skills来构建；但规则，仍然是当前最缺未来最难实现的一环。

规则是什么？是企业的业务逻辑，是系统如何判断、流程如何流转、审批如何通过、异常如何处理、合同如何执行、生产如何约束的语义性表达，说白了就是你的数据，要让AI读懂、看明白。

过去，这些规则写在业务系统里，写在流程文件里，写在领导脑子里，写在老员工经验里。它们没有被充分显性化，也就很难被智能体自动理解和调用。

未来，如果企业能够把规则、任务、能力全部原子化，就可以实现更自由的智能化编排。复杂任务可以由智能体自动拆解，调用不同子Agent和不同Skills，按照最优流程协同完成。

这将推动企业从单体智能走向领域智能，再走向组织智能，最终走向生态智能。

九、给化工新材料企业的启示

李波的分享，对化工新材料企业至少有四点启示。

第一，化工AI的终点不是办公提效，而是工厂大脑。

办公助手、汇报生成、知识问答只是起点。真正改变化工企业竞争力的，是AI能否进入生产装置、工艺优化、异常预警和经营决策。

第二，自主决策是化工智能化的关键瓶颈。

化工企业已经具备较强的数据采集和自动化执行基础，但中间的自主决策仍需要模型、规则、安全机制和信任体系共同支撑。

第三，Skills是沉淀组织能力的低成本工具。

无论是汇报模板、审批规则、操作流程，还是老员工经验，都可以通过Skills逐步沉淀下来，成为企业可复用的能力。

第四，未来IT架构要围绕规则、任务和能力重构。

仅有数据仓库不够，仅有智能体也不够。企业必须把业务规则显性化，把任务拆解清楚，把能力沉淀成Skills，把缺失的语义层搭建起来，才能真正进入组织智能阶段。

结语

李波的分享，给化工新材料企业提供了一个更长远的视角。

AI不是一个孤立工具，也不是某个部门的效率插件。它正在改变企业组织形态、业务架构和IT架构。未来企业的竞争力，可能取决于谁能更快把数据、规则、知识、任务和能力组织起来，让AI真正嵌入流程、嵌入装置、嵌入决策。

对化工企业而言，工厂大脑不会一夜建成。它需要从自主监督开始，从业务人员能做系统开始，从一个个Skills沉淀开始，从老员工经验数字化开始。

先让AI看懂现场，再让AI辅助决策，最后才可能让AI参与执行。

这条路很长，但方向已经清晰：从智能体到工厂大脑，从个人经验到组织能力，从单点应用到认知型组织。