晶科能源 CIO 王兴旺:把 AI 当省钱工具,一开始就错了

晶科能源 CIO 王兴旺:把 AI 当省钱工具,一开始就错了

200 名员工、为期两个月的 WorkBuddy 使用训练营、每天超过 45 亿 Token 的消耗量——这组数字,共同指向晶科能源正在推进的一场规模化 AI 试点。

企业用 AI,最常见的说法是员工效率提升了多少倍。晶科能源的 AI 试点数据也是十分亮眼:在报告制作、数据分析和综合任务三类工作中,200 名参与员工的效率提升达到 20 至 44 倍。

但相比这些数字,晶科能源 CIO 王兴旺真正关注的,是这些效率提升离开单个任务之后,能否继续传导到整条业务流程。

他认为:所有员工的提效加起来,不等于组织绩效。员工省下的时间,可能只是在等待下一个环节,总流程并没有变快。

这家全球领先的光伏组件制造商,正在进行一场比多数同行更早、也更谨慎的 AI 实验。

01松土:先营造 AI 氛围

晶科能源的 AI 历程,是从一场公司内的大赛开始的。

2023 年,公司办了第一届 AI 大赛,300 多名员工报名。靠个人意愿驱动,业余时间自学,周末练习、参加考试,没有强制要求。能坚持下来的,基本都是兴趣驱动。公司在表彰大会上请 CEO 做动员,目的只有一个:让更多员工开始理解 AI 是什么,以及它能怎样进入实际工作。

王兴旺把这步叫作“松土”。

2024 年,晶科能源挑选了几个应用场景做 AI 项目,重点突破、树立标杆。目的是锻炼团队——让团队能够摸清实践路径、明确潜在风险、梳理组织机制与资源投入方式。年底复盘后,晶科能源启动了 AI 战略规划,并在 2025 年 4 月底发布 AI 战略白皮书 1.0,2026 年 6 月更新到 2.0,概括为四个面向:面向技术、面向交付、面向管理、面向客户。

这场 AI 战役整整铺垫了三年时间,而真正的规模化试点,今年 5 月才落地。

02试点:为什么选 WorkBuddy

今年 3 月,一款面向个人用户的 AI Agent 产品突然爆火。晶科很多员工甚至高管开始问:我们什么时候引入?

王兴旺当时判断,这类产品主要面向个人用户,企业级安全能力尚不足以支撑公司大规模推广。

到了 4 月底,他选定了推广产品——腾讯的 WorkBuddy。理由很实际:WorkBuddy 面向个人工作的能力已经成熟,同时在持续完善企业级能力——积分分配、坐席管理、企业用户管理、项目组方式,安全性达到了可以先行试用的标准。

试点没有一刀切。王兴旺先在公司内部发了一封邮件,说明限制 20 个名额。邮件发出去几分钟,名额就被抢光,最终吸引了 400 多人报名。

员工报名需要说明:你需要解决的问题、使用构想及使用经验。没有使用经验、主要出于好奇报名的员工也可以参与,但不进入训练营,而是作为对照组进行观察。最后筛选出了大约 200 人。

训练营也有要求:每位学员每天总结使用过程,并将可复用的方法统一沉淀为 Skill;相关内容与内部论坛打通后自动发布,供全员查看和交流。每周再汇总值得分享的案例。整个过程持续了两个月。

两个月里,人群开始分化——

第一类,开了账号只会简单问答;

第二类,把它当搜索引擎和知识库;

第三类,约 30%的人,真正将 AI 融入日常工作,且应用深度持续递进。

6 月底,数据出来了。三类工作平均提效 20 到 44 倍——这是 200 人的结果,不是两三个特例。

面对这个结果,王兴旺这样说:“弄清楚 AI 在哪方面最有用、哪方面还有欠缺,比数字本身更重要。”

03三个模型:AI 如何真正进入组织

通过两个月试点,王兴旺总结出了三个模型。这三个模型并不只是对 WorkBuddy 功能的分类,而是王兴旺观察了 200 人的使用过程之后,对“AI 怎样进入组织”这件事的系统性判断——这三个模型也构成了晶科能源推进 AI 落地的核心框架:从个人使用出发,逐步进入流程与组织层面。

晶科能源 CIO 王兴旺:把 AI 当省钱工具,一开始就错了

个人提效模型:过去员工收到任务,分析、拆解、执行,全靠人。AI 时代,员工工作中的分析、理解、规划和执行环节,只要能在电脑中完成、能被拆解为明确步骤,就可以尝试由 AI 辅助或承担其中的标准化部分。这是入门阶段,也是最容易量化成效的地方。但数字亮眼并不意味着根本问题得到解决。

流程提效模型,这是王兴旺最看重的部分。每个业务流程都由若干节点串联而成。过去,信息系统只能处理结构化数据,遇到邮件、Word 文档、非格式化的 Excel 表时,这些节点依然要靠人工介入。大模型恰好擅长处理这类非结构化内容。两者结合意味着理论上,流程的每一个节点都具备了自动化的条件。

很快,实践证明了这一构想的可能——晶科能源的一个工厂,原来需要人工采集、分析、再往下个工序传达,现在全程都可以自动完成。从收料到发料、上料,覆盖 17 个节点,整体流程效率提升了 80%。

更深刻的变化发生在生产环节。晶科能源生产部门的数据分析量占全公司六成以上,500 台设备,只有 50 个人维修。针对这个问题,WorkBuddy 把设备信号、故障代码、工程师技能和维修记录全部放进知识库,基于知识库分析“谁最擅长修哪种故障问题”、“谁此刻空闲”,进行自动调度,就像滴滴派单一样,这样的系统分配比过去人工分配更精准。维修完成后,系统记录处理时长和二次故障情况,据此更新工程师的能力评分,为下一轮调度提供参考。由此,停机损失大幅减少。

岗位优化模型:技术门槛降低后,分工的必要性也就随之降低。20 年前,一个程序员什么都做,后来被逐步拆成了产品、前端、后端、测试;生产计划物控和采购计划执行虽然是两个岗位,但都在解决相同的物料计划问题——AI 降低技术门槛后,一些过去因专业分工而拆开的工作内容,开始具备重新组合的可能。

04落地:探索 AI 的战略价值

三个模型的背后,是王兴旺对 AI 提效最深层的判断:个人提效是自下而上涌现的,流程提效则必须自上而下主动推进。

二者的区别在于驱动方式:流程自动化需要专人逐节点梳理、专人开发对应的 skill,而真正从事该节点的业务员工,往往既不具备开发能力,也不擅长将操作经验提炼为可执行的规则。因此,不能等员工自发探索,而必须主动让专业的人去做。

在王兴旺看来:“AI 进入企业,最难的从来不是技术,是组织。”

而当“组织”的挑战落到具体的工作流程时,又会衍生出另一个问题:AI 能做这件事,但该不该让它自己做?

王兴旺分享了一个有关责权让渡的例子。有一名员工每天都要响应客户的定制订单,需要对比标准工艺参数、识别差异、生成差异表——如今,AI 已经可以自动完成读取邮件、解析附件和生成差异表等前序环节;最后发送邮件时,则先生成草稿,由人确认后再发出。

“做得不行,人要改——但不是人直接改结果,而是人训练,让 AI 再执行一遍,直到满足标准。”

他随即给出判断:人做任何事也会犯错,所以未来要接受 AI 不是百分之百合格,允许存在公差。偏差在合理范围内就应接受;拒绝接受,就要消耗大量人力去核对,效率反而更低。

但这个容错率因岗位而异。对于部分可快速验证、回滚的 IT 开发任务,可以通过迭代修正偏差;涉及财务收付款等高风险环节,则必须设置严格校验。不同类型的工作,可交由 AI 处理的边界各不相同。

边界设定的背后,是王兴旺对 AI 本质角色的理解。在王兴旺看来,AI 是第四次工业革命中的公共基础能力,就像电力与互联网一样——它本身不产生价值,价值在于人用它做到了哪些原本做不到的事。省下的成本是顺带的,把 AI 真正内化为能力,去做更复杂、更高价值的工作,才是正事。

在晶科,这个理解已经获得了三个来自不同岗位的具体印证。

IT 架构负责人 Lucas 用“一人项目组”的方式,把一个中等规模需求从提出到上线的用时从两天半压缩到半天,他的角色也从执行者转变为审核者。

财务 BP Jenny 把预算与实际数据的整合时长从两小时缩短到十分钟,靠的是一个打磨了一周、此后每月都能为她节省两天时间的 Skill。Jenny 把这套方法总结为:先把 WorkBuddy 当成一个刚入职、但知识储备很强的应届生,第一步不是让它干活,而是告诉它你是谁、你的岗位做什么、服务哪些部门。上下文交代清楚了,它才能真正站在财务 BP 的角度思考问题。

知识产权专家 Jasmin 把一份涉外法律分析的完成时间从三四天压缩到半天,其中最省心的是“issue spotting”(争点识别,即从大量法律信息中识别业务真正面临的风险点)环节。当然,她的底线始终明确:涉密信息绝不经由 AI 处理,所有引用案例须以规范文献形式给出,逐一核查。

这三个员工的共同点,不是“AI 替我干活了”,而是“AI 替我处理了重复性、低价值的工作,帮助我投入去做更难的事情”。

这也解释了晶科为何将 AI 作为战略推进,而非仅仅视为弥补效率短板的手段。王兴旺的判断很清晰:如果没有 AI 就做不到某件事,或须付出极大成本才能实现,那 AI 对这个业务便具备了真正的战略价值。

对于晶科能源这家光伏企业而言,AI 还有另一层特殊的战略意义——AI 需求增长正在带动算力基础设施扩张,也进一步增加了对电力、尤其是绿色电力的需求——晶科的业务与 AI 之间由此形成“双向作用”:AI 既是提升自身经营效率的工具,也是拉动光伏市场需求的新增量。

05延伸:成本与治理问题的浮现

AI 规模化推进之后,两个过去不存在的问题浮出水面。

一个是成本。晶科每天消耗的 Token 量已超过 45 亿,每周都在创新高。王兴旺估算,有些企业一年折算人民币 700 万,晶科已经超过这个数值;也有企业使用得更为深入,一年高达五六个亿。Token 消耗正在成为一种新的成本,但它究竟归属人力费用还是 IT 预算?员工是否在高效使用资源?这些问题都还没有答案。

对此,王兴旺给出了一个初步方向:公司与员工按比例分担 Token 消耗,不同岗位的额度也不一样——事务性工作重、电脑使用密集的岗位,额度更高甚至由公司全部覆盖;外勤等轻量使用者则相应减少。通过这种差异化的“混合支付模式”,让 AI 的使用成本更加合理。

另一个是治理。AI 显著降低了开发门槛,不少业务部门员工借助 WorkBuddy 的 coding 能力,自行开发小工具以满足业务需求。

王兴旺把这一现象称为“软件平权”。AI 时代,软件消费将迎来爆发式增长,但随之也可能涌现出大量围绕主干系统生长的小应用,甚至可能调用主数据、形成与整体逻辑相悖的业务规则。IT 的角色,要从建立系统转变为治理生态——过去的治理逻辑是集中化,把各部门分散搭建的工具整合进统一系统;如今方向倒转:IT 不再是建系统的人,而是要为这个快速扩张的应用生态划定规则与边界。

而晶科的应对思路是“放开与引导并行”:不压制业务部门的自发创新,同时逐步建立规则与边界。一是提升组织内的数字化人才密度,让更多员工具备基本的软件工程素养;二是推动应用数据可观测,通过数据看清谁的应用质量高、谁在重复造轮子,再借助 AI 优化治理。

06写在最后

从一场 AI 大赛,到 200 人的训练营,再到 17 个节点的流程改造,晶科的实践并没有停在“让每个人快一点”。个人效率可以由员工自发探索,但当 AI 开始进入跨部门流程、参与设备调度,甚至推动岗位协作方式发生变化,企业还需要同步回答:规则如何沉淀,责任如何划分,风险如何控制,新增成本又该如何治理。

这也让王兴旺开篇的判断有了更具体的落点。提效和降本当然重要,但更值得衡量的是,AI 有没有帮助组织完成过去做不到、或必须付出极高成本才能完成的事;员工省下的时间,是否真正流向了更复杂、更需要判断力的工作。对晶科而言,AI 正在从少数人的工具,变成一项需要被设计、训练和治理的组织能力。

当 AI 进入企业,效率往往只是最先被看见的变化。更深的变化,是企业开始重新定义人和系统各自应该做什么,也重新设计一件事究竟应该怎样被完成。

原文:腾讯 WorkBuddy 官方公众号 · 2026 年 9 月 17 日