AI 个人效率工具正在快速普及。从查资料、写文档、做 PPT，到分析数据、操作软件，AI 的能力已经从“能问答”，逐步走向“能分析、能干活”。企业对 AI 应用的期待也随之发生变化：当 AI 开始具备完成任务的能力能不能进一步进入销售、财务、采购、主数据等专业岗位使用企业内部的数据和系统承担一项长期存在的工作？这正是汉得发起“DataClaw 企业 AI 数字员工上岗行动”的原因。我们的目标不是再增加一个 AI 工具，而是帮助企业从一个岗位、一项真实工作开始，逐步培育能够进入业务现场的 AI 数字员工。AI 会干活了但进入专业岗位还差什么？个人使用 AI，通常只需要考虑一个问题：它能不能帮我把事情做完。但当 AI 进入企业，情况就不同了。它需要处理企业内部数据，需要连接 ERP、CRM、MES、SRM、MDM 等正式业务系统，也需要遵循岗位权限、业务规则、审批流程和审计要求。因此，企业 AI 数字员工上岗前，至少要回答四个问题：第一，企业数据如何连接？数字员工不能只读取员工临时上传的文件，还需要在授权范围内使用企业正式数据，理解不同系统、不同组织和不同业务口径之间的关系。第二，数据权限如何管控？不同岗位能够访问的数据范围并不相同。数字员工需要继承企业现有的组织和权限体系，确保什么人能看什么数据、能执行什么操作都有清晰边界。 第三，企业敏感数据能否安全使用？合同、客户、供应商、财务和生产数据，都涉及企业核心信息。DataClaw 支持私有化部署，让数据、模型调用和任务执行过程保持安全可控。第四，不同业务系统如何连接并执行？数字员工不仅要“看懂”，还要能够调用系统、执行任务、校验结果，并保留完整的操作和审计记录。连接只是第一步。只有把数据、系统、权限、规则和运行治理统一起来，AI 才能稳定进入企业业务现场。企业上 AI为什么需要“1+1”？AI 个人效率工具、RPA 和企业 AI 数字员工，并不是相互替代的关系。AI 办公助手：适合提升个人办公效率，帮助员工完成会议纪要、文档撰写、资料检索等工作。RPA：适合执行流程固定、规则明确的自动化任务。DataClaw：更进一步面向企业实际业务岗位要求，需要理解业务目标、调用企业数据和系统、完成多步骤任务的专业岗位工作。企业既需要提升个人效率的 AI 助手也需要深入业务场景的 AI 数字员工这是“1＋1”，而不是二选一企业 AI 数字员工应该招哪三类？围绕企业岗位职责，DataClaw 将 AI 数字员工分为三类。第一类：业务操作类 AI 数字员工这类数字员工负责把一项具体工作接住并完成。例如：合同预审员工：根据合同模板、风险条款和业务规则完成初步审查；主数据质检员工：对主数据进行查重、完整性检查和质量校验；财务报表员工：从正式系统取数、计算指标并生成经营报表；采购执行员工：按照制度和流程完成查询、校验与系统操作。这类场景通常规则相对明确、工作高频重复，适合率先落地，也最容易衡量价值。第二类：业务洞察类 AI 数字员工这类数字员工不仅完成数据处理，还能够持续发现问题、分析原因并提示风险。例如：销售经营分析员工：自动生成经营日报，识别收入、利润、客户和销售人员的异常变化；总经理经营分析员工：围绕收入、利润、组织和客户变化，完成经营复盘并形成行动建议；采购策略分析员工：综合内部采购数据、供应商表现和外部市场信息，辅助品类选择与采购策略制定；库存健康度分析员工：持续识别呆滞、短缺和周转异常；它们帮助企业从“看报表”进一步走向“做经营”。第三类：决策参谋类 AI 数字员工这类数字员工面向企业中高层和专业管理岗位，辅助管理者进行方案推演、比较和决策。例如：制造良率分析参谋：融合生产数据与机器学习模型，定位影响良率的关键因素；生产排产参谋：在多种约束条件下比较不同排产方案；资金运营参谋：围绕资金计划、风险和使用效率提供决策支持。人负责提出目标、判断和承担责任，数字员工负责协同分析、推演和求解。从开发AI场景走向培育数字员工过去企业建设一个 AI 场景，通常需要经历需求提出、项目立项、方案设计、开发测试和上线运行。每增加一个场景，都可能重新依赖技术团队开发。DataClaw 提供了另一种方式：由业务人员通过自然语言，把知识、规则和工作方法教给数字员工。业务人员告诉它：◈ 这个岗位需要完成什么工作；◈ 数据应该从哪里获取；◈ 公司采用什么计算和判断口径；◈ 出现什么情况需要预警；◈ 结果应该交给谁；◈ 哪些操作必须经过人工确认。教会以后，这些能力不再只留在某个人身上，而是可以沉淀为企业的数字员工能力，并在授权后复制到更多岗位和组织。企业 AI 建设也由此从一次性交付的“场景开发”，逐步走向数字员工的持续培育和运营。企业应该从哪里开始？先让一个数字员工接住一项工作企业不需要一开始就规划几十个数字员工。更可行的方式，是先选择一个高频、重复、规则相对明确、价值可以衡量的岗位工作。例如：◈ 每天都要生成的一份经营日报；◈ 每天都要完成的一次合同预审；◈ 月结期间反复进行的一项数据核对；◈ 持续发生的一类主数据质量检查；◈ 采购人员反复开展的一项品类分析。先让一个数字员工接住一项工作。验证有效以后，再从一项岗位工作扩展到一条业务流程，最终复制到更多岗位和部门。从点到线，再到面企业建设的不是一批孤立的 AI 场景而是一支可以持续成长的数字员工队伍像招聘员工一样先试岗  再转正企业引入数字员工，也可以像招聘员工一样。先安排试岗，验证它能不能接住工作、能不能稳定完成任务、能不能带来可以衡量的价值。因此，DataClaw 目前主推按账号订阅，可按月起步。企业可以先用少量账号，从一个岗位、一项工作开始，以较低成本验证业务效果和使用频率。试岗不是看一场 Demo而是让数字员工进入一项真实工作如果验证有价值，再由企业根据实际效果和使用规模，决定是否持续使用、增加多少账号，以及复制到哪些岗位和部门。另外，此前参与本场直播的企业，还可以享受直播专属的首年试岗优惠。凭留存的直播间截图，联系您熟悉的汉得销售或扫描文末咨询二维码，即可申请直播活动专享优惠。从第一项工作开始让数字员工进入业务现场AI 能力已经从回答问题，逐步走向完成任务。企业下一步需要考虑的，不只是采购什么 AI 工具，而是：◈ 哪些岗位工作适合交给数字员工？◈ 企业数据和系统如何安全连接？◈ 业务人员如何参与数字员工的培育？◈ 第一个数字员工上岗以后，又该如何复制到更多岗位和场景？汉得DataClaw企业AI数字员工上岗行动已经启动！我们将从岗位识别、场景评估、试点构建到试运行与复制，帮助企业选择一个岗位，从第一项真实工作开始。现在该让企业AI数字员工正式上岗了！

少掉的2.74个百分点毛利，去了哪里？作为一家大型连锁零售集团的CEO，经营100多家门店、SKU 过万。面对日益激烈的市场竞争，需要为客户提供又快又好又便宜的产品和服务，需要时刻关注集团和各家店的成本毛利指标变化。特别安排财务运营团队协同一线门店负责人专门负责，要花费大量的时间在 ERP/WMS/POS 多个系统的数据统计分析汇总上，往往数据要滞后半天到1天的时间。而对于毛利率突然异常变动，真正困难的不是看到异常，而是需要从财务指标层层穿透到实际业务回答：问题到底出在哪里？往往耗时费力还不准确。这天上午，我们的财务成本运营专员在手机上收到一条预警：毛利率由40.88%下降至38.14%下降2.74个百分点这样的波动超过了预期，但奇怪的是，销售数量没有变化，净销售额也只变化了-0.01%。销售基本没变，少掉的毛利率去了哪里？过去，要回答这个问题，需要反复切换报表、导出明细、核对凭证；如果现有报表无法回答，还要请 IT 人员临时取数、写 SQL 或开发专项分析。这一次，接下调查任务的是汉得 DataClaw 中刚刚上岗的一名数字员工——毛利成本调查官。先认识一下这名新员工财务成本运营专员在手机上问它：“你是谁？”▲ 毛利成本调查官在手机端完成自我介绍毛利成本调查官按照设定的时间，自动读取数据、计算期间毛利率，并检查波动是否超过阈值。本次巡检中，它发现毛利率下降2.74个百分点，而销量和销售额基本没有变化，因此首先判断：问题更可能出在成本端。财务成本运营专员不需要先打开报表，也不用等到经营会议上才发现问题。异常发生后，第一条毛利率预警已经主动送到了手机上。▲ 手机端定时巡检与毛利异常预警遵循毛利率的公式：（净销售额−净商品成本 −原材料损耗−非转售商品成本−耗材成本−买一赠一−盘点调整−报损处置−捐赠−部分调整）/净销售额。毛利下降可能是公式中所列的多个因子共同造成。财务成本运营专员只追问了一句：“净商品成本是主要原因吗？其他成本因子怎么样？”毛利成本调查官随即回到毛利公式，对各项成本因子逐一计算贡献：净商品成本贡献-2.75个百分点，是唯一主因；报损处置贡献-0.05个百分点；部分调整贡献+0.06个百分点；其余七项因子合计影响接近于0。全部因子贡献合计-2.74个百分点，与毛利率实际变化完全勾稽。调查不必再在所有成本项目中“大海捞针”，只需要沿净商品成本继续向下。继续下钻后，81,020元净商品成本增量全部集中在华东门店101、乳制品、DF1001低温鲜奶1L。该商品两期销量均为7,000件，售价基本不变，成本率却由54.02%上升至131.05%。销量没变，售价没变，问题指向单位成本。商品移动平均价此前稳定在8.10元，调查期却升至16.60-22.50元。▲ 沿毛利公式完成因子分解并锁定异常门店与商品沿着移动平均价继续追溯，毛利成本调查官锁定了7月17日的一笔采购收货：物料凭证M509917、采购单PO-DEMO-0715-08/00010、移动类型101；收货10,000件，金额1,665,000元，隐含单价166.50元/件。收货前，库存为100,000件、价值810,000元，移动平均价为8.10元；收货后，库存变为110,000件、价值2,475,000元，移动平均价升至22.50元。移动平均价由 SAP 内部完成估价，数仓抽取的是 SAP 已经计算的结果。毛利成本调查官没有虚构 SAP 内部算法，而是把采购单、物料凭证、库存价值和移动平均价变化串成了一条可以复核的证据链。▲ 从移动平均价追溯至SAP物料凭证和采购单调查过程中，还有一笔更醒目的异常：7月22日报损金额达到120,000元，单日毛利率一度跌至10.03%。如果只看当天数据，很容易把这笔报损认定为毛利下降的主要原因。但毛利成本调查官没有停在这里，而是继续检查次日凭证。7月22日，M509922 以移动类型551报损6,000 件、120,000元；7月23日，M509923 以移动类型552冲销5,900件、-118,000元，两张凭证存在明确参考关系。未完全冲销100件，配对净额仅2,000元。所以，报损处置对期间毛利率的贡献只有-0.05个百分点。单日看是剧烈异常，跨日看则主要是过账时点波动，并不是本周毛利下降的真正主因。▲ 检查次日冲销还原大额报损的期间真实影响现有数据已经可以确认：毛利变化了多少、哪个成本因子贡献最大、异常集中在哪个门店和商品、对应哪张 SAP 凭证，以及大额报损是否存在跨日冲销。但这些证据还不能直接证明“采购人员维护错了订单”。采购单价格或金额疑似异常，仍需要采购人员核对业务依据，SAP 与财务人员补充发票及后续凭证，门店或财务确认未冲销2,000元的处理结果。毛利成本调查官没有替业务强行下结论，而是明确区分：哪些是已经证实的事实，哪些是基于数据的分析推断，哪些事项还需要谁来确认。AI 知道如何继续追，也知道证据不足时应该停在哪里。这是业务人员敢于使用调查结果的前提。▲ 区分已确认事实、分析推断与待确认事项这套调查逻辑，并不是 AI 凭空生成的。第一次调查时，财务成本运营专员带着毛利成本调查官一步步完成追问：先检查销售和毛利变化，再拆解成本因子；锁定主因后，继续下钻门店和商品；遇到大额异常，不急于下结论，而是检查次日冲销和期间净额；最后追到 SAP 凭证，并划清事实、推断与待确认事项的边界。调查完成后，这套思路被沉淀为“毛利成本调查Skill”。下一次出现类似异常，数字员工不再等待业务人员重新组织一连串问题，而是可以按照同一套方法主动完成调查，形成包含异常定位、原因判断、凭证证据和待确认事项的调查结果。经过业务专家确认后，这项能力还可以共享给更多财务、采购和运营人员使用。一个人培育好的数字员工，可以成为更多人的业务助手。▲将本次调查思路沉淀为Skill并在组织内复用共享过去，财务成本运营专员要把绝大部分时间花在5件事上：◈ 拉数据；◈ 拆解成本因子；◈ 跨日辨真伪；◈ 追到 SAP 凭证；◈ 把分析结果写成可复核的报告。现在，这5件高频重复工作由毛利成本调查官来完成。他只负责判断和决策：◈ 业务依据是否合理；◈ 凭证是否需要冲销；◈ 要不要介入采购流程；◈ 是否要追责到具体责任人。财务成本运营专员终于可以把时间放回到真正影响毛利的事情上：◈ 盯住异常成本因子；◈ 推动采购流程改进；◈ 门店对齐盘点规则。把时间留给业务判断，把重复交给数字员工，这正是毛利成本调查官正式上岗的意义。毛利成本调查官带来的，不只是更快得到一份分析报告。它能够主动发现异常，沿着管理会计逻辑持续下钻，把汇总指标追到业务单据；面对醒目的异常，不凭直觉下结论，而是检查完整周期与凭证关系；证据不足时，明确告诉业务人员下一步应该由谁补充什么。更重要的是，财务成本运营专员在一次调查中形成的专业方法，可以被沉淀下来，成为一项持续运行、可以复用、可以共享的企业能力。从一个资深员工完成一次调查，到一名数字员工持续接住这项工作——这才是毛利成本调查官正式上岗的意义。今天毛利成本调查官在某连锁零售集团正式上岗。从今天起，每一次毛利异常，都会被这条毛利公式追到底；每一笔可疑成本，都会被钉在凭证上。您的企业，也有这样的工作吗？一项工作长期存在，规则相对稳定，需要访问企业正式数据，还要遵守权限、审计和业务确认要求。过去，它可能长期依赖少数专业人员反复完成。现在，可以从一次真实任务开始，把专家的工作方法教给 DataClaw，培育一名能够持续上岗的企业 AI 数字员工。想看您所在的零售/消费品行业的 AI 数字员工怎么用？请联系您熟悉的汉得商务伙伴或扫描下方二维码了解更多~*数据说明：本文案例基于零售业务规则构造的合成数据，组织、门店、商品、金额及单据编号均为虚构，不涉及任何客户生产数据。SAP 实际估价结果应以企业配置和业务凭证为准。

在 AI 时代，大模型、智能体和智能应用如何快速落地融入企业提质增效受到广泛的关注。工业企业尤其是制造企业流程长、业务场景复杂，在工业AI智能化落地难度尤其大。其中，制造企业的管理团队焦虑的核心关注点之一：AI 能不能进入工艺、设备、质量和生产现场，解决一个个具体问题，优化提升工艺质量。汉得深耕制造领域近30年，积累大量制造业客户和行业场景。依托「得·灵」企业级AI产品/服务体系，基于企业级 PaaS 平台 H-ZERO 构建的智能制造 HCMs 协同平台，我们把工业数据、业务流程和 AI 模型连接起来，帮助企业构建高效、可靠、可闭环的工业 AI 行业垂类模型和应用。这个专题希望通过一系列工业 AI 真实场景落地案例，把我们在工业 AI 落地中的经验、想法和方法呈现出来，为更多制造企业提供参考。这是“工业 AI 实战”专题的第二篇：动力电池电芯容量预测大模型（Traction Battery Cell Capacity Prediction Model 简称TBCP Model）贯通质量数据，预测与验证协同，节约成本，提升生产效率，构建竞争优势。电芯容量预测理解一颗电芯的完整制造过程电芯容量，是评价动力电池性能和一致性的重要指标，关乎电池包质量、续航，也是价格/成本的核心影响因素。一批电芯完成生产后，需要根据实际容量进行检测和分级。容量接近、性能一致的电芯，才能进入后续配组和成包环节。动力电池包是多颗电芯串并联，遵循木桶效应：电池包可用容量由容量最低的那颗电芯决定。电芯容量不一致会导致电池包实际可用容量缩水，整车续航打折，低温环境会进一步恶化。容量不一致带来压差持续拉大，局部电芯析锂、发热加剧；极端情况下会出现鼓包、热失控风险。分级检测会带来成本和价格差异：A 品电芯容量偏差小、一致性好，分选严格，采购价格最高，是整车动力电池主流选用。降级 B 品容量低于标称、批次离散大，价格明显更低，但不能用于车载动力；多用于低速、储能低端场景，循环寿命、安全性不满足车规要求。 分选成本为获得高一致性电芯，产线需要充放电容量测试、分级，会增加设备、时间损耗；筛选淘汰的不良品拉高 A 品电芯单位成本。难点在于，电芯容量不能只通过某一个仪表读数直接确定。▲一颗电芯的制造数据链传统方式通常需要在分容环节对电芯进行规定的充放电测试，根据完整测试过程计算实际容量。这种方式直接、可靠，却也需要较长的检测时间，占用大量分容设备和生产资源，并产生相应的能源消耗。当产量不断扩大时，分容不再只是一个质量检测动作，也可能成为影响制造周期、设备投入和生产效率的重要环节。与此同时，低容量电芯的形成通常也不是由单一因素决定的。原材料批次发生变化，涂布面密度或辊压厚度出现波动，注液量、烘烤水分或化成过程发生偏离，都可能最终反映在电芯容量和一致性上。这意味着，电芯容量预测不能只是对一段充放电曲线做简单拟合。它需要理解一颗电芯从原材料、前段工艺、装配、注液到化成的完整制造过程。我们沉淀了动力电池电芯容量预测大模型（简称TBCP Model），通过对完整制作过程数据的实时分析、预测与验证协同迭代质量研判，大幅降本提效。数据贯通为每颗电芯建立制造档案电芯容量预测的第一步，不是选择某一种算法，而是把分散在不同工序、设备和系统中的数据准确连接起来。围绕一颗电芯，需要逐步建立从原材料到电测试的制造数据链：在原材料环节：记录正极材料批次、材料克容量和首充效率等信息；在匀浆、涂布和辊压环节：采集浆料黏度、涂布面密度、辊压厚度和膜片电阻等数据；在装配和注液环节：记录极片尺寸、烘烤水分、注液重量、注液量和电解液批次；在化成环节：需要采集电流、电压、温度等连续变化的时间序列数据。这些数据还必须与电芯编码、物料批次、生产设备和工序位置准确绑定。动力电池电芯容量预测大模型（简称TBCP Model）看到的不是一组彼此孤立的参数，而是一颗电芯完整的“制造档案”。特征提取从过程变化中寻找容量信号在这个场景中，AI 要学习的不是某个参数与容量之间简单的一一对应关系，而是多个制造因素共同变化时，与最终容量之间可能存在的关联。以化成数据为例，电流、电压和温度曲线包含大量连续信号。模型可以对时间序列进行自动分段，提取不同阶段的均值、波动、峰值等统计特征，也可以结合深度学习方法提取曲线中的高层特征。与此同时，还可以引入具有电化学含义的机理特征，例如曲线变化中的特定峰值、静置阶段的电压变化等。再把这些特征与原材料、涂布、辊压、注液等跨工序数据结合起来，模型才能逐步识别：◈ 哪些电芯处于正常范围？◈ 哪些可能存在偏低容风险？◈ 哪些数据变化可能来自设备或工艺异常，以及对于正常电芯，最终容量可能处于什么区间？这里使用的动力电池电芯容量预测大模型（简称TBCP Model），不是面向自然语言问答的通用大模型，而是面向制造过程数据的机器学习和深度学习模型。它的价值在于，从大量工艺参数和时间序列中寻找人工难以持续观察的关联规律。预测与验证协同让风险电芯进入不同路径工业 AI 进入生产现场，不能只有一个预测结果，还必须回答：这个结果如何改变下一步生产动作？动力电池电芯容量预测大模型（简称TBCP Model）采用“预测与验证协同”的方式。对于模型判断正常、数据完整且预测结果稳定的电芯，可以探索使用较短的测试过程结合模型完成容量估算和分级。对于疑似低容、偏低容、处于分类边界，或者预测置信度不足的电芯，则仍然进入完整分容测试，通过真实充放电结果完成确认。生产现场还需要保留一定比例的完整测试样本，持续比较模型预测容量与实际容量之间的偏差。因此，这个场景的目标并不是让 AI 立即替代全部分容测试，而是探索把所有电芯采用同一条检测路径，逐步转变为正常电芯快速预测、风险电芯重点检测、部分样本持续验证的协同模式。质量底线仍然由完整测试、现场规则和人员确认共同守住。▲电芯容量预测闭环异常回退先判断模型所见数据是否可靠工业现场的数据环境会不断变化。原材料批次切换、工艺参数调整、设备状态异常、传感器漂移或者数据采集中断，都可能使当前数据与模型训练时的数据产生差异。如果不识别这些变化，模型即使给出预测结果，也可能不再可靠。因此，动力电池电芯容量预测大模型（简称TBCP Model）对容量预测建立了异常回退机制。当系统发现关键数据缺失、设备异常比例升高，或者预测偏差持续扩大时，应暂停使用原有预测路径，让相关电芯回到完整检测流程。随后再进一步分析：问题来自数据采集、设备和传感器，还是来自原材料与生产工艺的真实变化。如果是设备问题，就需要推动设备校准和数据质量治理；如果是工艺或原材料变化，就需要积累新数据，重新训练和评估模型。AI 不应绕过现场质量规则，而应在规则允许的范围内工作，并在自身不确定时主动回退。结果回流让模型跟随制造过程持续迭代电芯容量预测不是一次建模、长期不变。每一次完整分容得到的实际容量，每一次低容电芯确认，每一次设备异常和工艺调整，都是后续模型优化的重要依据。✅ 预测结果与真实容量之间的偏差需要被记录；✅ 异常电芯经过复测后的结论需要回到数据集；✅ 设备、原材料和工艺变化也需要形成新的特征标签。经过持续的数据清洗、模型训练和效果评估，动力电池电芯容量预测大模型（简称TBCP Model）才能逐步适应不同批次、不同设备和不同生产状态。这也是工业 AI 与普通数据分析的区别：它不是生成一次报告，而是进入生产流程，在预测、验证、处置和结果回流中形成持续闭环。从容量预测走向制造质量的前置判断电芯容量预测的意义，不只是提前得到一个容量数值。动力电池电芯容量预测大模型（简称TBCP Model）更重要的价值，是把原本集中在生产末端的完整检测，向制造过程中的风险识别和质量判断前移。对生产现场来说，模型负责持续分析跨工序数据并识别风险，完整测试负责验证真实容量，工艺和质量人员负责判断异常原因并推动处置。在这一协同机制下，企业可以探索减少不必要的完整检测资源占用，让风险电芯更早进入重点验证，也让原材料、设备和工艺波动更早进入质量分析视野。更进一步，动力电池电芯容量预测大模型（简称TBCP Model）连接原材料批次、设备数据、工艺参数、化成曲线、分容结果和质量处置流程。依托统一的数据和业务平台，预测结果真正进入生产系统，而不是停留在孤立的算法模型中。依托「得·灵」企业级 AI 产品/服务体系，以及基于 H-ZERO 构建的智能制造 HCMs 协同平台，可以进一步探索把数据接入、特征处理、模型训练、风险识别、现场验证和结果回流连接成完整闭环。从 AI 理解一颗电芯的制造过程，到预测结果参与分容决策，再到真实结果推动模型迭代，动力电池电芯容量预测大模型（简称 TBCP Model）代表了工业 AI 进入动力电池质量管理的一种重要探索路径。专题系列文章▲点击了解详细内容