你厂里最智慧的资产，正在按退休名单一个个消失

30秒看懂：工业企业最值钱的资产不是设备，而是藏在老师傅脑子里的报价边界、规格替代和客户判断。当这些关键判断随退休名单一个个消失，企业真正流失的是定价能力和毛利。本文给出一个可对账的量化方法：用“年度在险金额=单次经济敞口×年频次×（五年内退休人数÷能独立做对的人数）×错判率增量”把隐性损失算成经营账，并针对ETO、CTO、标准品和售后四种业务给出不同的AI切入点。结论是：先别谈传承，先把老王的脑子算成钱，从定价和报价复用开始，90天验证一条新规则能否在损益表上站住。

别把它当成“老员工要退休”这种人力问题。真正跟着人走的，是报价边界、规格替代和客户判断。设备坏了还能修，脑子里的生意经丢了，你连从哪儿漏的钱都找不到。

老J先开一刀｜别开会，先翻报价单

把过去 12 个月毛利最高的 20 单、最低的 20 单摆出来。别问“有没有 AI 规划”，就问：这 40 次报价，到底凭什么定的？

如果超过一半的答案是“某某的经验”，那就别自欺欺人：你们的定价能力还是私产。

老J的现场复盘｜一个真实场景

客户问：“旧型号停产了，有没有今天能报价、两周能交的替代件？”

我把销售、应用工程、内勤拉进一间会议室，谁都说“能做”，但谁也说不清替代规则在哪儿。最后销售为了不背锅，又报回历史型号。订单没丢，毛利也没报警，钱却悄悄从更优的 SKU 上溜走了。厂里最麻烦的损失，大多就是这么发生的：谁都没犯错，大家一起少赚。

我说句行业里不爱听的话：工业企业 AI 的第一价值，不是写方案，不是做大屏，更不是给老板演示一个会聊天的机器人。它的第一价值，是把“什么能替代、该报什么价、谁值得跟进”这些关键判断，从几个老人的脑子里，塞回每个人每天都在用的工作流。

反直觉的结论在这儿：先动手的优势不在模型。模型一升级就拉平，真正拉开差距的是你积累了多少“推荐被接受或被拒绝”的一线反馈。

先别谈传承，先把老王的脑子算成钱

“老师傅快退休了”这句话，董事会听完只会点头，不会批钱。你得把它翻成经营账：这类判断一年错一次要亏多少，发生多少次，现在有几个人能独立做对，其中几个人快走了。

年度在险金额 = 单次经济敞口 E × 年频次 f ×（五年内退休人数 r ÷ 能独立做对的人数 n）× 错判率增量 Δ

举个中型工业企业的量级：非标件报价只有 3 个人能独立做对，其中 2 人五年内退休；一次错判的毛利敞口 8 万元，一年发生 400 次。即便只按 10% 的保守错判增量估，年度在险也超过 200 万元。

很多老板只盯着大项目让价，那是因为显眼。真正咬肉的是高频、小额、全在授权范围内的报价。它不报警，没人背锅，月底却实打实少了一块毛利。能独立做对的人不超过 3 个，就别再把它交给 HR 年度盘点，直接挂进经营会。

别拿一把药，治四种不同的病

工业企业最爱犯的错，是看见同行上了 AI，就跟着买同一套。交钥匙工程的病、SKU 生意的病、标准品的病，压根不是一回事。先找失血口，再动刀。

交钥匙工程优先抓方案报价准确度和分包协同。多数集团同时有几种生意，别贪大，先从过去 12 个月毛利波动最大的一条产品线下手。类似地，AI落地：模型答得再准，你敢让它动公司的账吗提醒我们，AI的价值必须落到具体经营动作上，而非泛泛的“智能化”。

定价先动刀，不是因为 AI 酷，是因为钱回来最快

我通常先盯定价，不是因为它最时髦，而是因为它不需要你先打进新市场、也不要求销售队伍一夜换脑子。一家工业设备公司有超过 3 万个 SKU：规格散在不同系统，同一个需求被不同型号反复覆盖，替代逻辑全在销售和工程的对话里。于是每一单都合规，整盘生意却被“历史上常卖的型号”带着走，而不是往当下能交、毛利更好的型号上走。

薄利行业，先堵漏再讲扩张。5.66% 营业收入利润率——国家统计局 2026 年 1—7 月：规模以上工业企业营业收入利润率。该行业口径不等于你的企业利润率，也不构成收益预测；它提示薄利行业应先验证定价纪律，而不是用行业数字替代财务测算。

真正的顺序和很多 IT 方案正好反着来：别先花一年洗全量主数据。先把一线叫来，问一句：这个品类里，究竟哪几个规格决定能不能互换？先把这几个关键字段补齐，再把毛利、交期、库存和市场条件排进去，最后把建议塞回销售原本就在用的搜索框或报价单。

1. 定义关键规格：让销售、产品和应用工程师拍板。别让 IT 用“全字段完整”这句漂亮话，替代业务判断。
2. 建立最小规格底账：只补跟互换判断有关的字段。少搞“顺手全治理”，那是把项目拖死的第一步。
3. 嵌入既有动作：建议必须出现在销售搜索、报价单或 CRM 里。再让一线多登录一个看板，基本等于做了个电子摆设。

这套打法能同时改善定价一致性和报价速度。但我也得先泼盆冷水：案例里的行业数字，只能拿来判断“值不值得试”，不能直接抄进你的立项收益表。市场涨价、行业景气都在里面掺了水。真正该抄的是动作链条，不是别人 PPT 上的收益数字。这与做了 300 个 AI 场景，CFO 为什么还不买单？中的教训一致：只有能对账的业务结果，才能让财务真正认可。

90 天只干一件事：拿到一个能对账的数

别给我上来就画三年AI路线图。先选一条产品线、一个区域、一个经营指标。三个月不叫“完成数字化”，只验证一件事：这条新规则，能不能在损益表上站住。

这四种做法，基本等于自己把项目做死：

1. 先搞 12—18 个月数据治理，把业务应用永远放到“下一阶段”。
2. 交一个新看板，再让销售多记一个账号、多开一个会。
3. 上线推荐，激励却不动；销售当然还是报最省事的历史型号。
4. 先建跨事业部数据仓库，再讨论一笔收入算谁的——这叫花钱买僵局。

一把手别开 AI 大会，这周就问三句话

把销售负责人、CFO 和那条产品线的负责人叫来。别让他们带 80 页 PPT，先把这三句话答明白：

• 如果最懂报价的人明天退休，报价准确度会掉多少？答不出量级，本身就是风险信号。
• 过去 12 个月，有多少毛利在授权范围内、以完全合规的方式漏掉了？这个数不在现成报表上，但应成为经营会要看的数。
• 如果只能做一个领域，哪一条产品线最值得先做？选不出来，就先不要在全企业铺开几十个用例。

老J的最后一句

别再问“我们要不要上 AI”。你该问的是：哪一笔已经漏掉的毛利，最值得先追回来？

转给销售负责人：带来 20 单高毛利、20 单低毛利报价。转给 CFO：算清过去 12 个月有多少毛利，在授权范围内安静地漏掉了。

来源、日期与口径：本文基于Runwise出版提供的《工业企业商业模式重构实录》改编，发布日期 2026-09-01。文中案例及宏观数据的原始来源包括Runwise, McKinsey & Company（2026）与国家统计局（2026）。范围：匿名工业企业案例与中国规模以上工业企业数据；匿名案例的细分行业、基线与部分量化口径未公开。文中“老J的现场复盘”为脱敏复合叙事，不对应单一真实客户。案例数字仅用于理解行动机制，不构成收益承诺或财务预测。

想把这套打法用到你自己的业务上？

本文给出的90天验证法，需要先摸清你厂里哪条产品线的毛利漏得最多。用 AI 顾问做一次快速诊断，把“老王的脑子”折算成具体金额，再决定从哪个动作切入。

💎 核心承诺：先诊断、再合作，思路不对不推进。

专属咨询热线：400 822 8832

扫码加顾问 Ben 评估