从产业数字化十节点，到产业 AI 化十节点

产业数字化回答的是：一张产业订单，如何从线下走到在线。产业 AI 化要回答的，是下一层问题——这张订单里的决策与执行，如何从人的手里，交给模型。

坐标不用变。要变的，是追问的方式。

本文看点

· 数字化十节点与产业 AI 化十节点的同坐标升级

· 节点 0 两层数据基座：SKU 标准化（物）与经验标准化（术）

· 十个节点各自的 AI 化形态，与 0 – 4 级光谱

· 哪些关于 AI 的说法，现有证据还不能支持

先说方法：十节点，从 " 数字化 " 到 "AI 化 "

我习惯把一张产业订单的价值活动拆成十个节点：创意、设计、研发、制造、定价、营销、交易（商品）、仓储、配送、售后。产业数字化的落地价值和这十个节点密不可分。要评估这十个节点的数字化程度，每个节点依次追问三件事：这里发生了什么价值活动？数字化／产业互联网怎样介入？实际的制造、仓储或服务履约由谁承接？ [ 0 ]

数字化十节点是 " 传统行业 + 互联网 " 的产物。它观察的是：这十个价值活动，被数字工具、数据与跨主体连接重新组织到哪一步。

当模型开始参与决策与执行，只问 " 在不在线 " 就不够了。同样的十个节点，升级成三问：

1 这个节点的决策与执行，原本由谁承担——人、规则，还是流程？

2AI 以什么形态介入——判别式模型、生成式模型、Agent，还是具身智能？

3 介入之后，这个价值活动被重组成了什么样——增强人、替代人，还是创造出原本不存在的新活动？

这就是产业 AI 化十节点：坐标不变，追问升级。

原模型里有一行关键判断—— " 基础设施化 "：除 " 交易（商品）" 外，创意、设计、研发、制造、定价、营销、仓储、配送、售后都被标为 " 是 "。它提醒一件事：卖出商品本身，不足以解释一家产业数字化企业的基础设施价值。

AI 化版本需要再补两层数据基座：商品数据化（SKU 标准化），让 AI 读得懂 " 物 "；知识数据化（经验标准化），让 AI 接得住 " 术 "。

数字化阶段可以容忍人工把商品录进系统；AI 化阶段不行。AI 报价、AI 匹配、AI 合规、AI 库存，全都以 " 商品可被模型读取 " 为起点。没有 SKU 主数据，定价、交易、仓储、配送、售后等商品强相关节点，很难进入稳定、可审计、可规模复制的执行阶段；经验标准化同理——没有显性化的知识，模型在生产级场景里没有东西可学、没有边界可守。

节点 0（数据基座）：商品数据化（SKU 标准化）＋知识数据化（经验标准化）＋十个价值节点 × AI 化形态。

SKU 标准化的主位置在 " 交易（商品）" 节点—— SKU 是商品的原子数据单元；但它横切定价、仓储、配送、售后等商品强相关节点，是它们走向可审计执行的数据前提。它有三个 AI 场景，刚好是同一层数据的三种用法：

AI 行业词典（商品语义层）。把行业的黑话、非标品、规格型号变成结构化词典。化学品的 CAS 号与 UN 分类、钢材的规格型号、电子元器件的参数库，都是行业词典。它解决的是 "AI 读得懂商品 "。

跨境参数 AI 匹配（标准对齐层）。同一商品在不同标准体系下的参数映射—— GB 与 ASTM／EN／JIS／IEC、各国危化品名录。参数对得上，AI 才能跨市场认出同一个商品。

AI 合规查询乃至适配（监管对齐层）。SKU 到监管要求的映射：交易前查询、交易中适配（申报、标签、包装、运输条件）、售后追溯。落到这三个环节，AI 要回答的是 " 这个商品能怎么卖、怎么运、怎么交付 "。

这三个场景，做在同一层数据上：SKU 主数据 + 行业语义 + 标准映射 + 监管映射。

需要先说清楚：SKU 标准化本身不是 AI。行业词典、参数库、监管映射都是数据资产，属于节点 0。能不能算 AI 介入，还要看模型是否实际参与判断或执行——不能把规则查询、自动计费、3D 建模一概算成 AI。

节点 0 第二层：经验标准化——让 " 做法 " 从个人私有变成组织资产

SKU 标准化解决 "AI 读得懂商品 "；还有一半问题没解决—— AI 接不接得住 " 做法 "。

产业里有大量决定质量与安全的判断，长在老师傅身上：危化品怎么装卸才安全、报价里哪些变量会咬人、先配哪台车、异常情况怎么处置。这些是典型的隐性知识——存在于经验里，不在手册里。产业 AI 化要落地，先要过这一关：把老师傅的隐性经验，沉淀为组织的显性知识资产。

这一步不是把人 " 降维 " 成数据，而是把经验从个人资产变成组织资产，双向受益：

对老师傅：稀缺能力从 " 一个人的上限 "，变成 " 组织的能力下限 " ——经验被放大，而不是被取代；

对企业：价值载体从 " 个人人力资本 "，升维为 " 组织知识资产＋AI 资产 " ——企业开始拥有不随人员流动而流失的能力。

由此产生四个可验证的价值升级：

1 可复制：从 " 一个老师傅服务一个客户 "，到 " 一套系统服务所有客户 "

2 一致性：从 " 看人下菜 " 到 " 标准操作 " ——合规敏感行业里，一致性本身就是产品

3 连续：人员流动不再带走能力——组织能力不再等于个别岗位的存续

4 可产品化：管理输出、行业解决方案、SaaS ——企业从 " 卖服务 " 走向 " 卖能力 "

密尔克卫 2026 年预算会把 " 人均价值大于 100%" 列为增长目标，但公开报道没有说明这一目标由经验标准化驱动。这里先把它当作一个可验证的切口：判断经验复用是否真的转成组织价值，要看培训周期、差错率、人均产出和管理输出收入，而不是看口号。

十节点 × AI 化形态

表中各节点的 AI 化形态是候选假设，是否成立要看最低判据：模型是否实际参与判断或执行。行业词典、参数库属于节点 0 数据基座；纯规则或传统算法的自动计费、3D 建模归入自动化，不计入 AI 化等级。具体公司的落地证据，将结合各家财报披露在后续文章中逐节点补入，没有证据的节点留白。

这张表还有一层隐含前提：面向生产级落地，节点的 AI 化通常先要完成该节点的经验标准化——制造工艺、定价报价、仓储操作、配送调度、售后处置，先有规则和数据，再有模型。创意、设计等节点依赖设计数据而非 SKU，不作一律断言。

AI 化度：不是 " 有没有 "，而是 " 到第几级 "

给每个节点一个 0 – 4 级的光谱，替代 " 是不是 AI 企业 " 的二元判断。先有一个最低判据：模型是否实际参与判断或执行——不满足的，归入节点 0 数据基座或自动化，不进入 AI 化等级。

1 工具辅助：AI 提供信息与建议，人做决策

2 流程内嵌：AI 参与决策，规则与人工兜底

3 自主执行：AI 决策并执行，人负责监督

4 跨主体协同：达到 3 级自主执行后，AI 再与外部系统、外部组织直接协同

公司喊 "All in AI"，不等于 AI 化企业。要看具体节点落在第几级，有没有订单占比、效率数据、上线系统做证据。

不应作出的推导

· 节点被 AI 介入可以观察到，网络效应或客户协同带来的净增价值，仍需单独证明

· AI 化发生在某个节点，不等于整家公司是 "AI 公司 "

· "All in AI" 等战略表述，不等于 AI 收入或效率已经兑现

· 没有 SKU 标准化的行业，商品强相关节点（定价／交易／仓储／配送／售后）的 AI 化通常难以进入稳定、可复制的执行阶段

· 经验标准化不等于老师傅被替代——老师傅仍是模型经验的上限来源与安全边界；沉淀完成度要用培训周期、差错率、人均产出等指标验证，不能凭 " 上了系统 " 断言

回到开头那句话：产业 AI 化十节点要回答的，是订单里的决策如何交给模型。答案不在框架里，在证据里。明天，我会用密尔克卫刚披露的 2026 年半年报，按十节点逐一核对——有证据的落位，没有证据的留白。

资料来源

[ 0 ] 原始框架来源：托比研究院《产业数字化分析模型》，" 数字化十型 " 部分（2025，作者持有的非公开检索材料）。本文的 " 数字化十节点 " 与 " 产业 AI 化十节点 " 为作者基于该模型的升级。外部概念背景：国家发展改革委对工业互联网的名词解释；工信部《制造业企业数字化转型实施指南》解读。

[ 1 ] 密尔克卫集团 2026 年度预算会报道（" 人均价值大于 100%" 增长目标）：密尔克卫官网新闻中心。公开报道未说明该目标由经验标准化驱动；本文将其作为待验证假设。各公司的财报案例将在后续文章中逐步展开。

本文讨论方法与机制，不构成对任何公司的投资、估值、竞争优劣或 AI 战略判断。数字化十节点与产业 AI 化十节点为作者自创框架。