Runwise 增长研究院

2026-10-10

Runwise 增长研究院

10/10/2026
企业AI创新

员工自建超1.4万个AI应用，海尔智家如何用统一底座、分层产品与数字员工把AI推进真实业务流程？

30秒看懂：海尔智家AI规模化落地的核心不是让员工写提示词，而是先用H-work统一业务底座，再按场景分层提供“智小能”“一念”“无界”三类产品，让员工自建超1.4万个轻应用，同时把数字员工编入通讯录参与工艺规划等真实流程，使工艺员从执行者转为审核者。这套打法把AI从试点推向6万人日常使用，75%的Token消耗来自员工，但应用数量不等于转型完成，持续活跃、复用与维护仍是未解考题。

企业AI转型的两难：一线业务需要应用，IT团队却难以响应所有需求

在大型制造企业里，研发人员要查询历史图纸，采购人员要对照订单与库存，仓储人员需要及时发现库位异常，服务人员还要从大量维修记录中寻找原因。这些工作并不总是缺少数字化系统。相反，企业积累的系统越多，数据、权限和流程越复杂，一线员工把一个想法变成可用应用，往往就越需要跨部门协作。

海尔智家CTO崔秀元在2026年接受36氪采访时谈到，过去员工提出数字化需求，需要向IT团队申请，再经历论证、排期和优先级比较。懂业务现场的人未必会开发；负责开发的人又难以逐一满足所有岗位的细碎需求。引入生成式AI以后，自然语言生成应用降低了技术门槛，却没有自动解决业务数据连接、权限控制和质量检查的问题。

这也是企业AI应用规模化面临的两难：如果所有需求都由少数专业团队开发，业务响应速度受限；如果每个岗位都可以自行创建应用，又必须回答数据从哪里来、哪些工作允许自动执行、生成结果由谁确认等问题。更重要的是，员工自己生成小工具与让AI承担完整业务流程，是两类不同难度的任务；前者首先解决开发门槛，后者还要处理系统连接、专业审核和异常责任。

2026年7月，海尔公开披露：超级智能体“智小能”覆盖人数超过6万，智能应用超过1.4万个，75%的Token消耗来自员工日常使用。同期官方口径将“智小能”“一念”“无界”定位为建立在H-work统一平台上的三类企业AI应用。真正值得研究的，不只是员工创造了多少应用，还包括数字员工怎样进入生产经营流程。海尔公开的实践形成了四条相互支撑但不能混为一谈的路径：统一业务底座、按场景分层的AI产品、员工自建岗位应用，以及由专业人员审核的数字员工流程。前两项提供共用基础和不同入口，后两项分别处理日常岗位提效与更复杂的业务协作。

海尔智家的AI突围之路：先积累数字化底座，再推动全员AI应用

海尔的企业AI并非从一个聊天工具开始。根据海尔智家在2026年6月交流活动上的公开分享，公司自2014年推进单点业务在线化，至2024年逐步推进底座统一化，随后加速AI转型。崔秀元介绍，H-work整合统一框架、权限、标准和数据，为新的AI能力接入既有业务创造条件。36氪采访进一步将H-work的建设起点追溯到2022年，描述了业务能力和API向统一平台汇聚、进入Agent阶段后进行语义化的过程。

这条转型路径与一些企业先让各部门采购多套AI工具、随后再尝试打通系统的做法不同。海尔此前积累的数字化资产，为新应用提供了公共基础。在这个基础上，一方面提供统一的员工入口，另一方面开放岗位级轻应用生成，并将部分复杂业务交给能够进入真实流程的数字员工。

这里也要分清海尔集团与海尔智家的披露范围。集团提出过全员AI赋能方向，上市公司半年报则披露了其企业侧AI应用、数字伙伴以及产品设计和客户服务等运营指标。研究海尔智家的员工AI应用，不能把集团全部AI项目或智能家居面向消费者的应用规模都算进来。

从统一平台到数字员工：海尔智家推动企业AI落地的4大创新策略

（1）平台化AI战略：用H-work统一业务能力，让智能体能够连接真实经营系统

企业AI最常见的落地障碍，并不是员工不愿意使用模型，而是模型无法在正确的权限范围内执行任务。比如一个采购人员询问某批订单是否缺料，如果AI只能读取通用文档，就只能提供采购建议；若它能够连接订单、物料与库存数据，才有机会输出与实际业务相关的判断。但不同岗位的数据权限本就不同，不能因为换成自然语言操作，就允许所有人访问相同的信息。

海尔选择先把这些基础工作做在平台层。2026年6月，海尔智家副总裁兼首席数字官孙丹凤在公开交流中回顾了公司从单点在线化到统一底座的过程。崔秀元则说明，H-work从框架、权限、标准和数据入手，为AI能力在企业内部接入提供基础。36氪对他的采访提到，H-work将研发、生产、供应、销售、服务中的业务能力、权限与API收拢到同一平台；到了Agent阶段，再把底层业务API作语义化处理，让模型更容易理解“要调用哪个接口、可以完成什么”。

这种做法的关键不是给员工增加一个新的登录页面，而是避免同一份业务能力在各个AI小工具中重复建设。订单查询、库存判断、经营报告、图纸识别等任务涉及不同系统，公共平台至少可以为不同应用提供一致的接入方向、既有业务定义和权限基础。接口语义化进一步改变了交互方式：员工无需记住系统菜单，也不必手动寻找某张报表，就可以用业务语言提出需求。

36氪报道提供了一个贴近实际的示例：员工向“智小能”询问订单，系统不仅可以检索订单，还能继续识别是否超时、是否需要加急；再询问原材料库存时，可以结合库存情况提示物料风险。这里的价值在于，单次问答沿着真实业务关系向下一步延伸，而不是让员工反复在订单系统、库存系统和报表之间切换。需要说明的是，这属于受访者在报道中描述的产品使用示例，公开报道没有提供该具体订单的独立运行日志。

研发端同样体现了数据连接的价值。海尔长期积累的大量历史图纸里含有零部件和尺寸等信息，过去相关资料往往需要专业人员查阅和人工整理。报道提到，图纸识别智能体可读取部分信息，再传给数字化系统，使历史图纸中的内容变成可调用的数据。与“用AI生成一段设计说明”相比，这项应用更接近制造企业长期需要解决的资料识别和结构化难题。

从业务责任看，海尔定义场景、数据、权限及使用入口，技术合作方提供部分模型、算力和工程化支撑。36氪报道提到，在与腾讯云的合作中，双方曾围绕隔离环境、安全沙箱和上线适配开展现场工作。它说明企业Agent落地不只是提示词开发，还涉及模型能力如何与业务安全要求匹配。不过，这些报道并不能证明所有员工自建的“一念”应用都自动继承了H-work的全部权限规则，也没有披露每个应用实际调用的接口清单。不能把平台层已经建设的能力，直接等同于每一个下游应用都完成了逐项验证。

对制造企业而言，海尔这项策略的启示在于：在大规模开放员工AI创作以前，先辨认订单、库存、工艺、客户等高价值数据资产是否已有明确的业务口径、权限归属和系统接入方式。平台的长期投入不会直接表现为某个爆款应用，却决定后续新场景可以多快接入、能否复用已有能力，以及出现异常时是否有可追溯的责任边界。这与AI加在有问题的流程上不会带来转型的判断一致：底座不牢，AI只会放大原有问题。

（2）AI产品策略：以“智小能＋一念＋无界”分层，匹配不同岗位与业务复杂度

大企业内部的AI需求差异极大。员工希望自动整理补货数据，工艺部门希望缩短生产规划时间，跨部门团队则可能需要调整多年运行的核心系统流程。若所有需求都使用同一个产品形态，轻量任务的使用成本会被复杂系统拖高；若全部交给员工自建，又容易让涉及多人、多部门和关键业务的项目缺少专业支持。

海尔没有将“企业AI”做成一款包打天下的工具。其官方资料明确列出三类产品：超级智能体“智小能”、员工自建的“一念·轻应用”和企业级应用“无界”。它们都依托H-work统一平台，但分别对应不同的业务使用方式。

“智小能”首先承担统一入口的角色。员工可以从同一入口提出业务问题、调用已有智能体，部分数字员工也由这一平台生成和部署。统一入口的商业意义是降低寻找工具的成本：员工无需先判断该打开哪套AI系统，而是从自己要解决的问题出发。在36氪描述的典型场景中，它已覆盖多个业务领域，包括订单、库存、经营报告、研发和客户服务等。

“一念”解决的是另一个问题：当已有应用无法满足个人岗位中的具体需求时，员工能否自己创造新的轻应用。海尔官网2026年6月发布的活动报道指出，员工用自然语言描述工作需求，系统便可以自动生成相应的AI应用。这种方式把一部分数字化需求从“提出工单、等待软件研发”改成了“业务人员描述问题、直接形成工具”。轻应用更适合需求清晰、任务边界相对窄、结果容易由岗位人员核对的工作。

“无界”则被官方定义为面向企业级深度业务场景的应用。如果任务需要连接多个部门、改变长期流程或影响重要业务决策，简单生成一个个人工具通常不足以完成实施。企业级应用仍需要更深入的流程设计、系统接入、业务负责人协同以及必要的验收。海尔公开了这一产品定位，但没有公开“一念”需求升级到“无界”的审批者、分流阈值和具体内部规则，因此不能把这一分层解释成已经公布的正式需求审批制度。

三类应用的关系，也不是“智小能负责问答、一念负责开发、无界负责大型项目”这样互不相干的三个产品。统一入口负责让员工找到AI能力，轻应用让岗位人员形成更多场景，企业级应用承载复杂且需要组织协调的任务。它们共同降低了员工采用AI的门槛，同时为不同复杂度的场景保留不同的建设路径。

产品	定位	主要用户	典型场景	关键约束
智小能	统一入口/超级智能体	全员	订单查询、库存风险、经营报告	权限与数据连接
一念	员工自建轻应用	一线岗位人员	补货分析、库位排查、日报汇总	结果由员工校验
无界	企业级深度应用	跨部门团队	核心流程改造、多系统协同	专业实施与验收

与普通的软件采购策略相比，海尔的价值在于把员工需求本身当作AI应用增长的来源。过去一张需求工单可能因排期较长而无法落地；现在部分小型场景可以通过轻应用快速验证。如果一个场景得到持续使用，是否需要推广给同类岗位、改造成更稳定的企业级应用，则应由后续使用数据、跨部门影响和质量要求共同决定。后一段是适合借鉴者采用的管理推论，海尔尚未公开实际升级标准。

（3）员工自主创新：通过自然语言生成与校验，让岗位人员自己开发AI应用

平台和产品分层解决“在哪里做”，员工自建解决“由谁把场景做出来”。制造企业大量效率损耗发生在不起眼的岗位事务中：日报汇总、补货分析、异常排查、物料核对、客户问题分类。它们不一定值得启动一个完整的软件项目，但每天重复发生，累积起来就是可观的时间成本。

用同样的框架诊断你的业务

海尔把AI铺到6万人、1.4万个应用，但你的企业卡在哪一步？是底座没统一，还是场景选错了？用AI顾问诊断一下你当前的AI落地瓶颈。

免费体验 Upskill AI 顾问 →

海尔推进的“全民开发者”思路，是把部分应用创建权交给最熟悉这些细节的人。根据海尔官网与36氪采访，员工只需描述自身需要解决的问题，平台便可生成轻应用；受访报道还称，员工在确认结果无误后可以发布，并提供用于帮助生成技能的辅助能力。这改变了传统数字化项目的起点：不再由IT先列出所有可能需要的工具，而是让一线岗位持续提出具体、可以试用的场景。

员工生成应用的公开流程可归纳为四个已报道的环节：先描述岗位问题，再由系统生成对应应用，随后由员工校验输出，确认后发布。支持接口和技能的工具可以帮助开发，但它们具体在哪一步自动接入、是否必须接受平台层复核、上线后对哪些同事开放，公开资料并未完整披露。这里不应把采访中分别提到的功能拼成一个已经被核实的统一八步审批流程。

两个岗位案例能够说明这种方式为什么适合制造企业。融汇栋蓝科技2026年7月的一篇行业报道介绍，供应链产销协同岗位的员工，过去需要约一小时汇总历史销售、实时订单及市场数据，分析补货并校准；使用自建AI应用后，相关数据分析时间缩短到约五分钟。仓储岗位的员工则将库位使用情况排查从四个多小时缩短到约十分钟，异常排查也更加迅速。

这两个案例不是“海尔所有岗位平均提效”的证据，也不应由单次任务节时推导全年节省的人力成本。报道没有说明样本数量、应用使用频率、准确率核算方式、参与岗位名称以及应用上线后的复审情况。它们能说明的，是员工确实能够围绕较小、可识别的岗位问题建设AI工具，并在媒体报道的具体任务中获得明显的时间改善。

更重要的是，这类场景有一个共同条件：使用者理解输入数据的含义，也有能力检查输出是否合理。补货人员能根据业务经验判断建议有没有偏离订单与市场变化；仓储人员可以对照真实库位确认异常。因而“员工创建、员工校验”可能成为轻应用快速扩张的一种可行方式，但不能推及财务付款、采购审批或高风险设备操作等场景。错误代价越高，人工复核与专业验证的重要性越大。这与AI落地时模型答得再准也不敢让它动公司账的顾虑一致：高风险动作必须保留人工闸门。

立即登录阅读全文

登录或注册即可解锁全站内容，即表示你理解并同意服务协议与隐私政策

36氪还披露了一个较早阶段的规模口径：员工已自建262个智能体和5100多个轻应用。海尔7月披露超过1.4万个智能应用，半年报则使用“超1.4万个员工自建智能应用”的表述。由于较早数字细分了智能体与轻应用，较晚数字采用合并口径，不能简单以两组数字计算月度增长率，更不能将应用数量直接当作每日活跃应用数。它们共同反映了员工自建从少量试点扩展到相当大规模的趋势。

让员工成为AI应用的供给者，实际上改变了企业创新的成本结构：IT人员不再需要从零处理所有微小诉求，但平台必须持续提供可靠工具、业务数据接入、帮助文档和异常处理渠道。员工可以更快验证问题，企业也更容易看到真实需求集中在哪里。与此同时，同类岗位是否在重复创建相似应用、谁负责长期维护、低使用率应用如何退出，都将成为规模化后绕不开的运营工作。海尔的公开材料尚不足以证明这些长期工作已被完整解决。

（4）业务流程创新：数字员工进入组织通讯录，让工艺员从执行者转为审核者

如果企业AI只停留在员工自建小工具，价值主要是岗位事务提效。海尔还有更进一步的探索：把数字员工引入相对完整的业务流程，让人和AI重新分配工作。2026年6月，海尔官网在介绍“智小能”时指出，它不是单一数字员工，而是一个可以快速生成、部署数字员工的平台；数字员工还可以被编入组织通讯录，承担相应工作流程。

“编入通讯录”在案例中不是一种神奇的自动授权能力，也不能直接证明数字员工拥有与自然人员工相同的业务权限。它至少说明海尔希望将AI使用从个人临时打开的工具，变成组织能够识别的工作参与者。数字员工是否拥有独立身份、不同岗位之间如何转派任务、如何记录执行结果，以及故障时谁接手，目前仍需要更细的公开证据。

海尔披露的智能工艺规划，是观察这种变化最直接的例子。传统工艺规划需要专业人员检索历史资料、编制工艺方案并反复检查。海尔官网2026年6月介绍，“智小能”相关AI应用依托历史数据辅助完成工艺规划，工艺员从原先的执行者转为审核者；工艺规划编制由数小时缩短至分钟级，准确率提升20%以上。这是公司公开介绍的单一业务场景成效，不是全集团所有工艺工作的平均数据。

这一场景真正发生变化的是工作分配：AI承担整理历史信息与形成方案的前段任务，专业工艺员把更多精力放在审核结果和判断例外情况上。若只把它概括为“AI写得更快”，就忽略了企业生产经营的关键约束——工艺方案最后仍需要能承担责任的专业人员确认。实际应用中的审核标准、质量抽检安排和错误回退路径，现有官方公开内容没有完整介绍。

36氪采访还描述了其他可以帮助理解工作流改造的场景：历史图纸识别后传回数字系统；经营分析从自动推送报表进一步延伸到追查指标变化原因；订单查询能够连接库存风险；售后服务人员利用AI逐层分析故障。不同场景的成熟程度和量化成果不同，不应统一包装成全部已实现端到端自主运行。但它们展示了同一个方向：AI开始承担过去需要人工频繁查找、比较和汇总的信息工作，并将输出交回业务系统或专业员工继续处理。

在实施分工上，企业需要决定哪些步骤可让AI自动完成，哪些必须人工确认。36氪采访提到海尔与腾讯云合作时，会针对安全沙箱、隔离及工程化进行适配，关键指令仍强调人工把关。对于企业管理者，后者比“数字员工”这个称呼更值得关注：如果AI输出直接影响客户承诺、生产排程、物料采购或付款，人工复核就不是附属功能，而是业务流程的一部分。

这也解释了为什么“岗位轻应用”和“完整流程数字员工”值得被区分研究。前者强调让员工更快搭出工具，重点在低门槛创建和即时反馈；后者强调让AI承担可定义的流程任务，重点在系统连接、角色分工、异常处理及结果确认。海尔用不同形态探索这两种路径，但对外披露尚不足以证明已经有统一、完整的全公司级应用生命周期管理体系。

超1.4万个员工自建应用与工艺规划提效：海尔的企业AI转型成效

2026年7月，海尔公开披露“智小能”覆盖超过6万人，智能应用超过1.4万个，75%的Token消耗来自员工日常使用。8月发布的海尔智家2026年半年报进一步确认，上市公司已沉淀超1.4万个员工自建智能应用，并称6万余个数字伙伴活跃在各类业务场景中。这两组数字的对象不同：一组是入口覆盖人数，一组是数字伙伴，不能在没有定义核对的情况下将其视为相同的6万名每日活跃自然人。

半年报还披露，报告期内产品设计周期缩短12%，智能客服占比达到83%；官方工艺规划案例则报告编制时间由数小时压缩至分钟级、准确率提升20%以上。这些结果说明AI应用已产生可观察的具体业务价值。不过，半年报中的产品设计、客服等数据是公司整体运营指标，不能简单全部归因于员工自建轻应用，更不宜将不同场景的节省时间累加为集团层面的降本总额。

同一份半年报显示，海尔智家上半年实现营业收入1521.15亿元，归母净利润103.16亿元，分别受到内外市场压力及汇率等因素影响。公司没有披露“1.4万个应用使利润增加了多少”，不能用集团财报直接证明员工AI策略对净利润的独立贡献。

把这些指标放在一起，才能准确评价标题中的两项成果：超1.4万个员工自建应用，证明轻量工具的创建已经达到较大规模；数字员工参与工艺规划等流程，则说明企业AI还在向更复杂的业务环节延伸。两类实践共享平台与产品体系，却不能据此认定每一个员工自建应用都已接入核心流程、通过统一质量审查，或在持续活跃。

海尔已披露的是覆盖、创建规模、使用消耗结构和部分具体场景成果；未披露的是1.4万个应用中有多少持续活跃、使用频率和复用率如何、重复应用如何处理，以及维护、下线和质量责任怎样分配。这决定了当前最稳妥的结论：海尔已经将企业AI从集中试点推向广泛的岗位使用，并在一些关键场景形成效率收益；但其长期应用运营效果仍需更多数据检验。这与做了300个AI场景CFO仍不买单的困境形成对照：规模不等于价值，活跃与复用才是关键。

对中国企业的启示：海尔的4大AI落地策略如何借鉴？

海尔智家最值得借鉴的不是“让每个人都开发一个AI应用”，更不是“创建1.4万个应用就等于完成AI转型”，而是先把业务底座与接口准备好，再为轻量岗位需求和复杂企业流程提供不同的AI路径。没有统一的数据口径、权限边界和可用的业务系统，员工再会写提示词，也很难把AI稳定接入真实工作。

对数字化基础较好的大型企业，可以先选择少数能够清楚核对结果的岗位场景，验证员工提出需求、生成应用、人工确认和持续使用这条路径；对流程复杂、出错代价较高的工作，则应保留专业团队参与和必要的人工审核。若企业当前连订单、库存或客户资料都没有统一定义，直接复制海尔的应用创建速度，未必能够复制其业务价值。

应用数量上升以后，真正值得持续追踪的指标也需要改变：不仅看创建了多少工具，还应看多少被持续使用、哪些被跨团队复用、哪些因错误或低价值而需要调整或退出。海尔案例提供了平台化、分层应用、员工创新和人机分工的可核实践；至于长期运营中的复用、维护与退出，公开资料仍留有缺口。把已验证的策略学到手，同时把未验证的部分提前设计好，才是制造企业推进AI转型更有价值的做法。