加入轩辕同学，成就新汽车人
编辑 | 黄大路
设计 | 甄尤美
利润表正在逼出一道新题。
国家统计局数据显示，2026 年前 7 个月，规模以上汽车制造业企业营业收入同比增长 2.7%，利润却下降 20.4%。收入与利润的背离，把每一家整车厂和供应商推向同一个问题：用同样的人力与资金，能不能做得更好、更快、更准？
这道题没有捷径。汽车制造的特殊性在于，效率的提高必须同时经得起利润表和质量标准的双重检验。研发投入要产出更好的产品，生产资源要支撑更稳定的交付，供应链要减少浪费和返工——所有这些，都必须以质量和安全为前提。
企业要消灭的，是重复劳动、信息错漏和无效等待，而不是必要的工程验证与测试。
9 月 3 日，飞书在上海举办 "AI 驭链，整零焕新—— 2026 飞书 AI 生产力大会汽车行业专场 "，近 300 位整车、零部件及产业链相关企业的高层与数字化负责人齐聚现场。上汽集团与联合电子在现场展示的一项跨企业研发协同实践，成为当天最值得关注的信号：效率提高正在越过单家企业的边界，进入主机厂与供应商共同完成研发的过程。
效率的边界，已经移到企业之间
一家整车厂的研发和交付，从来不是一家企业能独立完成的工程。一辆车背后，是需求、软件、硬件、测试、制造和供应链的协同结果。参与方越多，研发节奏越快，信息之间能否连起来就越关键。
过去，这种连接主要靠人。一次需求变更，往往要经过文件导出、邮件传递和重新录入；版本是否对齐，要靠项目经理反复确认；会上解决一个问题，双方还要各自回到自己的系统更新状态。信息稍有遗漏，便可能在后续集成或测试环节酿成返工。
上汽与联合电子的整零协同项目，是这一问题的典型切面。这项合作涉及数百名工程师和 187 项主流程节点，从需求提出、零部件开发到测试评审，每一个环节都需要两家公司紧密配合，而两家公司此前各有自己的系统，中间靠文档、邮件和会议衔接。
结果是具体的，187 项主流程节点的计划排期，从过去的一至两小时压缩至五分钟；需求变更直达供应商经办人，交付材料自动归档，修改记录与业务讨论全程可回溯。" 这条链上七个角色，分属两家公司，今天跑在同一条流程上。" 上汽集团创新研究开发总院院长王从鹤在现场说。
这不只是效率的提升。整零协同最难的地方，从来不是技术接口，而是信息在流动的同时，如何保留权限与边界。知识产权、责任归属、数据安全，都要求合作双方既能共享必要信息，又能守住各自的边界。飞书的跨租户协同机制，提供了一种在保留边界前提下打通流程的路径。
蔚来的实践则走得更深。依托飞书项目搭建的合作伙伴工业开发管理平台 IDM，将数百家供应链伙伴的任务、流程、交付和风险信息沉淀在同一套开发底座上，项目任务可以在上下游企业间流转，进度、交付物和风险状态持续汇聚在同一条链路。这种积累，也开始成为 AI 识别风险和参与项目复盘的工作基础。
车企积累的业务基础，开始成为 AI 优势
飞书在汽车业的覆盖，已从早期的新势力车企扩展到更广的产业链。
按飞书披露的口径，2025 年中国上市车企市值前十中，已有 9 家集团、研究院、新能源品牌或相关业务主体使用飞书；前 30 家新能源车企中，超过七成使用飞书。舜宇光学、地平线、德赛西威、保隆科技、欣旺达、玲珑轮胎、万向钱潮，以及法雷奥、博世、丰田研发等跨国企业，都在这份客户名单上。
这种覆盖，在 AI 时代开始产生新的价值。
"AI 不缺算力，缺的是上下文。上下文不是凭空生成，是流程在线跑起来之后自己长出来的。" 王从鹤在大会上的这句判断，指向了一个许多企业正在面对的现实问题：同样一个大模型，进入不同公司，能做的事情可能完全不同。模型能力之外，决定 AI 能否真正参与业务的，是企业自身积累的上下文质量——任务的来龙去脉、决策的前因后果、异常的处理过程。
在车企内部，这种上下文积累正在转化为可见的业务结果。
北汽福田长沙工厂是较早把 Agent 用于生产场景的案例。在完成安全评估、限定权限后，工厂于春节前上线首批 Agent，用于任务跟进和业务查询。关键的前提是，工厂此前已用飞书多维表格把散落的业务信息整理成统一记录，并建立了持续更新的知识库。
亿咖通的供应链场景更为典型。此前，一张紧急工单暴露了一个隐患：系统显示物料齐套，仓库却找不到关键料。采购、计划和仓储各自按自己的信息工作，差异直到生产环节才集中暴露。这个教训，让连接不同系统的数据成为必须解决的业务问题。
亿咖通通过飞书多维表格、应用开发平台和智能体能力打通了这些数据，让需求信息传到生产端，再用实际交付结果修正前端判断。AI 助手 " 拿铁 " 在这一过程中跟踪库存状态，识别缺料和积压风险，主动提示需要关注的物料与工单。
据案例披露，经过这轮供应链协同与 AI 改造，库存周转天数从 65 天降至 27 天——这是预测、库存与执行之间协同配合的综合结果，不是单一工具的贡献。
质量检测环节，AI 还需要理解专业经验。东风康明斯尝试解决的是发动机连杆的配对问题。连杆拆分后必须原配装回，错配可能在运行中酿成严重事故。早期 AI 检测准确率不足，团队把裂痕识别、配对码校对与老师傅的经验结合起来，持续调整判断规则，并用飞书多维表格组织数据，通过工作流处理异常预警。经过 9 个月、20 万张图片的运行和迭代，检测准确率稳定在 99.5% 以上。
同样的路径正在通过一线员工扩散。赛力斯的 AI 先锋活动中，一位班组长用飞书多维表格和 AI 能力，花 7 天搭建了能够查标准、跟踪问题的综合质量平台。东风汽车研发总院首届飞书 AI 效率先锋大赛，325 名参赛者形成了 57 项提效案例。过去留在个人脑子里的工艺经验、设计规则和判断方法，正在变成组织可以反复调用的集体能力。
从企业上下文到产业链上下文
今年 8 月 25 日，字节跳动正式发布全新 Agent 产品与品牌 " 豆包工作 ""，原生接入飞书。这个产品的出现，把一个关键问题推到了台前：AI 已经积累的业务上下文，能否被后续的 Agent 持续调用和扩展？
豆包工作可以在用户本人权限范围内，结合企业知识理解目标、拆解任务并调用工具，产出的文档、表格等成果也能回到飞书继续协作。这意味着，团队准备项目评审时，可以让 Agent 先依据有权访问的资料梳理背景，再生成供工程师核查和讨论的材料；过程中形成的新结论，又留在项目里供后续调用。已有记录参与新任务，新任务继续丰富记录，企业过去的数字化投入因此得以持续发挥价值。
随着整零协同的推进，AI 未来能够参考的业务过程也有机会超出单家企业。在约定的权限边界内，需求变更与供应商反馈可以保留在同一项目中，为 Agent 理解跨企业任务提供更完整的上下文。
这些变化汇聚在一起，指向一个更大的命题：车企过去选择工作平台，主要考虑人怎样更好地协作；如今还需要考虑，积累下来的业务知识能否被 AI 理解，已有流程能否容纳 Agent 参与。
飞书的行业覆盖让跨企业协作有了基础，车企在平台上积累的业务数据与流程工具，又为 AI 进入工作提供了条件。两者叠加，构成其走向汽车行业 AI 时代标配的实质依据。
对更多行业而言，汽车产业的实践提供了一个值得参考的路径：把整理业务与应用 AI 放在同一个工作环境中推进，日常协作持续留下记录，业务人员参与改进，新的 AI 能力再进入已有流程。这种方式有机会降低其他行业反复搭建独立应用、重新整理数据的成本。
企业 AI 的竞争，最终不只是模型能力的竞争，更是上下文质量、协同基础与组织行动能力的竞争。今天怎样组织工作，将影响下一轮 AI 能力到来时，企业能沿用多少已经做过的积累。汽车产业链正在验证的，是一个适用于更多行业的命题。
重磅投票②｜谁是《中国汽车：改变世界的二十年》供应链 20 强？
重磅投票③｜谁是《中国汽车：改变世界的二十年》之品牌 20 强？
重磅投票④｜谁是《中国汽车：改变世界的二十年》之 20 款代表车型？
重磅投票⑤ | 谁是《中国汽车：改变世界的 20 年》之 20 个关键事件？
AI 改变时代 , 她关注改变
请关注《汽车商业评论》兄弟媒体
革新、链接、化反 极致、共生、引领
加入轩辕同学 成就新汽车人
点击下图 扫码报名
点击阅读原文报名
▼
