封面新闻记者 吴雨佳
9月18日，在小米生态链海外业务交流会上，杭州灵核数智科技有限公司创始人兼CEO陈弘旋围绕制造业企业如何将AI转化为经营生产力，分享了岗位级AI数智员工、GSA组织管理方法以及FDE落地机制等实践。
企业内部存在大量可以应用AI的场景，但不同场景对经营结果的影响并不相同。如何确定AI应用的优先级，是此次分享讨论的重点之一。
陈弘旋介绍了灵核数智提出的GSA（Goal-Signal-Action）方法。该方法从企业经营目标Goal出发，识别能够反映目标状态、差距、风险和机会的关键信号Signal，再进一步拆解能够影响这些信号的具体行动Action，并在行动层明确人与Agent之间的工作分工。
例如，当企业将交付、成本或库存等指标设定为经营目标后，需要进一步找到影响这些目标的关键信号，再将信号对应到采购、生产、供应链等具体业务动作。到了具体工作环节，企业再判断哪些任务需要由员工完成，哪些可以由AI执行，哪些适合由AI执行后交由员工确认。
这一思路试图解决企业AI应用中一个常见问题：AI场景很多，但场景与经营目标之间缺乏明确连接。
陈弘旋认为，个人生产力的提升并不会自动转化为企业生产力。企业应用AI最终仍需要回到交付、成本、品质、库存等经营指标，并通过组织和业务流程把AI能力转化为实际结果。
除企业如何选择AI场景外，AI进入制造业还面临另一个现实问题：大量影响业务运行的经验，并没有完整记录在企业系统和文档中。一家企业如何采购、如何报价、如何排产，遇到异常情况如何判断和处理，往往依赖长期积累的业务经验。如何将这些经验转化为AI可以理解、执行和持续优化的工作机制，成为企业AI落地的重要环节。
在这一背景下，近年来受到AI行业关注的FDE（Forward Deployed Engineer，前沿部署工程师）模式也在发生变化。陈弘旋提出，在制造业场景中，FDE不应只被理解为一个技术岗位，还可以被视为一种企业业务专家与AI技术团队共同建设AI生产力的机制，可以被称为AI FDE。
根据实践，这一过程主要涉及业务拆解、模型与Agent能力、数据处理等环节。企业中熟悉业务的一线人员提供真实的业务规则、任务流程、判断标准和异常处理经验，AI团队则负责将这些经验与模型、Agent、工作流、数据以及企业已有业务系统进行连接。与单纯将AI产品部署到企业不同，这种模式更强调企业业务人员参与AI能力的建设和持续迭代。
陈弘旋将这一过程概括为“让FDE能力长在业务里”。其目标是，在项目实施之外，将企业自身的业务经验逐步转化为可以持续运行和迭代的AI能力。
业内人士表示，从通用大模型到企业岗位，从个人效率工具到业务流程，AI进入制造业的方式正在发生变化。如何让AI理解企业真实业务、承担具体工作，并进一步与经营目标形成连接，正成为制造业AI应用下一阶段需要解决的问题。
