AI讲师简介与培训大纲

+

项目：大型制造企业 AI 培训 —《AI 在企业管理中的应用场景》
联系人：mia.zhu@akkodis.com
日期：2026 年 8 月

+
+

一、讲师简介

+

1.1 一句话定位

+
+

一个亲自下场、动手把 AI 在多个行业落成经营结果的人；用企业管理者的思维讲 AI，而不是用玩 AI 概念的人的视角讲概念。

+

我不是"研究 AI 的学者"，也不是"讲 AI 的老师"——我是一个带着企业管理视角、自己上手把 AI 做成经营系统的实践者，然后把我踩过的坑、跑通的路径、沉淀的方法论讲给企业管理者听。

+
+

1.2 核心背景

+
    +
  • 亲自下场的 AI 实践者：不是站在岸边讲 AI，而是自己跳进水里把 AI 做成经营系统。主导和参与超过 60 个 AI 落地项目，覆盖人力资源、招聘、法务、政务、医疗、教育、文旅、餐饮、汽车、金融、风控、财务、设计生成等 14 个方向，每个项目都回答"省了多少钱、赚了多少钱、控住了什么风险"。
    • +
  • 企业管理者思维：讲 AI 不从"技术多先进"切入，而从"老板最关心的三件事——利润、风险、组织能力"切入。能听懂业务部门的真实痛点，也能把 AI 翻译成业务部门能执行的动作，而不是把技术名词丢给业务部门让他们自己消化。
    • +
  • AI 协同推广者：坚信 AI 的价值不在"替代人"，而在"放大人"。我的工作方式是和行业专家并肩——专家出业务经验，我出 AI 能力和方法论，一起把经验变成可运行、可复用、可迭代的经营系统。我讲的不只是"AI 能做什么"，更是"企业里的人怎么和 AI 协同做事"。
    • +
  • 面向管理层的授课经验：曾面向人力资源服务公司老板、投后管理机构、零售区域总代、高校管理者等企业中高层做 AI 主题分享，擅长把技术问题讲得深入浅出、互动性强，能从老板视角谈"AI 能不能赚回钱、能不能管住风险"。
    • +
  • 制造业 / 汽车行业相关实践：主导汽车大数据国家级试点项目中的涉车企业数据智能平台（车脉 DIS）设计与落地，对汽车产业链、数据要素化、经销商体系、供应链协同有实际理解；研究过某国际玩具品牌华东区域总代 50+ 门店数据与 AI 驱动经营提升方案，对"制造 + 零售 + 供应链"复合业态有认识。
    • +
+

1.3 核心观点（贯穿全程）

+
+

观点一：AI 的最强能力，是对全行业最佳实践的深度掌握和超强大的逻辑推理能力。

+

大模型不是"会写东西的工具"，它把人类几十年沉淀的管理学、运营学、财务、供应链、质量工程的最佳实践都学进了脑子里。一个能用好 AI 的人，等于同时请到了麦肯锡、德勤、丰田生产方式专家、六西格玛黑带在身边随时答疑。AI 的瓶颈不在算力，在"提问的人懂不懂业务"。

+
+
+

观点二：AI + 行业顶尖专家，将极大提升企业各方面能力。

+

AI 不会取代行业专家，但"会用 AI 的行业专家"会取代"不会用 AI 的行业专家"。真正的跃迁发生在：行业专家把隐性经验讲出来 → AI 把它结构化、可复用、可推理 → 专家再基于 AI 的推理结果做判断。这是一个"经验放大器"，不是"人替代器"。

+
+
+

观点三：企业需要的，是能把 AI 和行业结合的人，而不是单纯行业专家或单纯 AI 专家。

+

纯行业专家讲 AI 容易停在"概念演示"，纯 AI 专家讲行业容易"隔靴搔痒"。真正能落地的人，要同时具备三种能力：理解 AI 能力边界、理解行业业务流程、能把两者翻译成可执行的项目。这种人现在最稀缺。

+
+

1.4 参考案例：从完全外行到快速完成餐饮连锁行业的企业运营态势感知系统

+

项目：某餐饮连锁品牌数字化运营管理平台（连锁餐饮行业 · 企业运营态势感知系统）

+

起点：讲师本人并非餐饮行业出身，对连锁餐饮运营管理是"完全外行"。

+

结果：在短时间内，亲自上手从零到一完成了一套覆盖"老板 / 总部 / 区域 / 店长"四级管理全链路的数字化运营管理平台，并形成可复用的行业方法论。

+

系统规模：

+
    +
  • 处理真实经营数据：90+ 家门店、上百万笔账单、数百万条菜品明细、数万条库存记录
    • +
  • 覆盖四级管理视角：老板看"势"（战略）、总部看"阵"（决策）、区域看"店"（管控）、店长看"事"（执行）、一线看"数"（作业）
    • +
  • 跑通管理闭环：数据发现问题 → 自动分级 → 生成门店任务 → 现场执行 → 周度检查 → 月度验收 → 有效经验标准化
    • +
+

这件事为什么重要 — 它证明的不是"我懂餐饮"，而是"AI 让一个懂方法论的人可以在任何行业快速达到资深专家水平"：

+
    +
  1. AI 掌握了全行业最佳实践：从连锁餐饮的北极星指标（可控经营利润）、对标分组、一店一策、标杆拆项复制，到菜品工程、成本断链分析、会员复购、平台价格纪律——这些原本需要 10 年行业经验才能建立的知识框架，AI 在几周内帮我系统化建立。
    2. +
  2. AI 的逻辑推理能力把碎片知识连成体系：不是给我一堆知识点，而是帮我推理出"为什么营业额不是利润""为什么同类对标比绝对排名更重要""为什么经验不能整店照搬只能拆模块试点"——这些是经营管理的底层逻辑，AI 能讲清楚因果。
    3. +
  3. 行业专家的价值被放大而不是被取代：真正的店长、区域经理、老板的经验，在系统里变成了"任务模板、异常阈值、验收标准、经验模块"——AI 帮他们把隐性经验显性化、可复用、可迭代。
    4. +
  4. 关键在于"结合"：这个项目之所以能成，不是因为我是餐饮专家，也不是因为我是 AI 专家，而是因为我亲自下场，把 AI 的能力、连锁餐饮的业务流程、运营管理的方法论三者翻译成一个能跑起来的经营系统。我讲这个案例，不是讲技术，是讲"一个具备管理者思维的人，怎么和 AI 协同把一个陌生行业做到资深水平"。
    5. +
+

这个案例对制造业企业的直接启示：

+
    +
  • 制造业同样有大量"老师傅经验"和"分散在各系统的数据"，AI 可以用同样的闭环方法论快速构建运营态势感知能力。
    • +
  • 企业不需要等"培养一个既懂 AI 又懂工艺 10 年的人"，而是要培养"懂工艺的专家会用 AI"和"懂 AI 的人能进车间"两类人，让他们协同。
    • +
  • 真正的 AI 落地不是上一个聊天机器人，而是把数据、规则、执行、反馈、优化、沉淀连成闭环——这套方法论行业无关。
    • +
+

1.5 参考案例：汽车大数据国家级试点项目 — 涉车企业数据智能平台（车脉 DIS）

+

项目背景：由中国广电集团发起的汽车大数据项目，在海南省完成首个省级试点，构建"一省一库一中枢"省级管理框架，覆盖销售、维修、零部件、运输、租赁、报废拆解六类涉车企业，为数千辆各类型车辆部署智能终端。

+

讲师角色：主导涉车企业侧数据智能平台（车脉 DIS）的设计与落地，把国家级数据要素化架构翻译成涉车企业能直接用起来的经营管理系统。

+

项目核心：

+
    +
  • 国家级顶层设计：国家发改委综合运输研究所、国务院发展研究中心企业研究所、国家信息中心三项国家级课题构筑顶层设计，形成"1 个车联网汽车档案系统、7 大支持系统、18 类综合赋能应用场景、190 余项专利"的体系架构。
    • +
  • "AI 大模型 + 区块链 + 数据要素化"三位一体架构：AI 让数据"变聪明"、区块链让数据"可信赖"、数据要素化让数据"能变现"，三者协同把汽车产业海量数据从"沉默的金矿"转化为新型生产要素。
    • +
  • 三大数字化管理框架：省级"一省一库一中枢"、企业级"一企一码一端口"、车辆级"一车一档一身份"，覆盖省、企业、车辆三个层级。
    • +
  • C 端 + B 端双轮驱动：C 端车脉云盒实时采集车辆数据，B 端车脉云枢 + 车脉 DIS 为涉车企业提供一站式数字化经营管理系统，形成"感知采集 → 安全传输 → 可信治理 → 智能应用"的全链条数据基础设施。
    • +
+

车脉 DIS 的企业价值：

+
    +
  • 面向六类涉车企业（销售、维修、零部件、运输、租赁、报废回收），集"业务管理系统 + 数据中台 + 合规引擎 + AI 助手"于一体。
    • +
  • 解决涉车企业三大困境：数字化用不起（传统 ERP 首年 20-50 万）、数据用不上（只停留在记账层面）、合规跟不上（监管要求日趋严格）。
    • +
  • 让企业经营全过程数字化、可视化、可信化，数据可确权、可上链、可交易、可融资。
    • +
+

这个项目对制造业企业的启示：

+
    +
  • 数据要素化是制造业的下一个增长点：制造业同样有大量"沉睡的数据"——设备运行数据、工艺参数、供应链数据、质量数据，一旦可信化、可流通，就能从"成本"变成"资产"。
    • +
  • AI + 区块链 + 数据要素化的组合拳同样适用制造业：AI 让制造数据变聪明（预测性维护、工艺优化），区块链让数据可信赖（供应商协同、质量追溯），数据要素化让数据能变现（数据资产入表、数据交易）。
    • +
  • 企业侧落地才是关键：再宏大的国家级架构，最终都要落到企业愿意用、用得起、用得好的系统上。车脉 DIS 的设计逻辑——"让企业在日常经营中自然沉淀数据，而不是额外增加负担"——对制造业 AI 系统设计有直接参考价值。
    • +
  • 讲师亲自下场：这个项目不是"讲讲故事"，是讲师亲自参与设计和落地的国家级试点，踩过的坑、跑通的路径都是一手经验。
    • +
+

1.6 其他相关项目（节选）

+ + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + +
方向项目与制造业的关联
汽车 / 涉车企业车脉 DIS — 涉车企业数据智能平台汽车产业链数据要素、经销商体系、AI 数据分析与预警
零售 / 供应链某国际玩具品牌华东区域总代 50+ 门店 AI 经营提升计划制造 + 零售 + 供应链复合业态的 AI 经营改善
HR / 招聘AI 招聘面试、人才盘点、HRBP 数据分析等系列项目制造业 HR、技能人才评估、组织发展
法务 / 合规AI 法务秘书、合同审查制造业合同、合规、知识产权管理
财务AI 自动记账与报表生成制造业业财一体化、成本核算
风控 / 内审外包风险评估、全域内审平台制造业内审、供应商风险评估、质量风控
政务 / 公共服务政务 AI 智能办公平台与制造企业对接的政务侧 AI 应用
企业 AI 方法论AI 驱动企业运营闭环管理方法论行业无关的通用落地框架，可直接用于制造业
+
+

二、培训大纲

+

主题：《AI 在企业管理中的应用场景》
时长：1 天（约 6 小时讲授 + 互动，含案例与研讨）
对象：30+ 位企业中高层管理者（总监、部门负责人）
形式：线下，中文授课，案例驱动 + 互动研讨 + 现场答疑

+

2.1 课程设计原则

+
    +
  • 不讲概念炫技，讲经营结果：每个 AI 应用都回答"省了多少钱、赚了多少钱、控住了什么风险"。
    • +
  • 不讲技术细节，讲管理判断：管理者需要知道"AI 能做到什么、做不到什么、什么时候该信、什么时候该复核"，不需要知道模型怎么训练。
    • +
  • 不讲通用案例，讲可迁移逻辑：用餐饮、汽车、零售等案例，提炼出能直接搬到制造业的方法论。
    • +
  • 不单向灌输，要带走行动：每个模块结束有"周一可以做什么"的行动清单。
    • +
  • 讲师亲自下场：所有案例都是讲师自己动手做过的，不是转述别人的故事；讲的是"我怎么做的、踩了什么坑、怎么绕过去的"，不是"理论上应该怎么做"。
    • +
+

2.2 课程结构（4 个模块 + 1 个研讨）

+

模块一：AI 发展趋势及对企业效率提升的价值（约 75 分钟）

+

目标：让管理者建立对 AI 的"经营者视角"，而不是"AI 爱好者视角"。

+
    +

  1. AI 这两年到底发生了什么

    +
      +
    • 从"会聊天"到"会做事"：AI 已经能处理企业真实业务，不只是写写文章
      • +
    • 多模态、长上下文、结构化输出：AI 能看懂表格、图表、合同、报表，能按要求给出结构化结果
      • +
    • 国产大模型现状与选型逻辑（不站队，讲取舍）
      • +
    +
    2. +

  2. AI 的两种核心能力，决定了它能为企业做什么

    +
      +
    • 能力一：对全行业最佳实践的深度掌握 — AI 把人类几十年的管理学、运营学、质量工程、供应链管理经验都学进了脑子里，等于企业随时有一个跨行业专家智库。
      • +
    • 能力二：超强大的逻辑推理能力 — 不是给答案，是给"为什么这个答案对、依据是什么、什么情况下不适用"。
      • +
    • 这两点合起来，意味着 AI 不是"工具"，是"放大器"——放大的是会用它的人的认知边界。
      • +
    +
    3. +

  3. AI 对企业效率提升的真实价值边界

    +
      +
    • 能做的：知识结构化、规则显性化、异常发现、决策辅助、经验复用、初稿生成
      • +
    • 暂时做不到的：替代关键管理判断、独立承担对外承诺、在没有数据的地方凭空创造
      • +
    • 一个公式：企业 AI 价值 = 数据质量 × 业务理解 × AI 能力 × 组织协同，任何一项为零，结果都为零
      • +
    +
    4. +

  4. 管理者最容易踩的三个坑

    +
      +
    • 把 AI 当"万能问答机器人"而不是"经营系统组件"
      • +
    • 只给技术团队定 KPI，不给业务团队提需求
      • +
    • 追求"大而全的 AI 平台"，忽略"小而美的闭环试点"
      • +
    +
    5. +
+

互动：现场调研 — "贵司目前 AI 用在哪里？用得最满意和最不满意的是什么？"

+

模块二：AI 在不同职能的典型应用场景（约 120 分钟）

+

目标：让各部门负责人看到"我这块也能用 AI"，并带走 2-3 个可启动场景。

+

按制造业核心职能逐一展开，每个职能讲：痛点 → AI 能做什么 → 落地案例 → 行动建议。

+
    +

  1. 生产

    +
      +
    • AI 辅助排产与瓶颈识别、设备效率异常归因、工艺参数优化建议
      • +
    • 案例：从"老师傅经验"到"可复用的工艺规则库"
      • +
    +
    2. +

  2. 供应链

    +
      +
    • 需求预测与安全库存动态调整、供应商风险评估、交期异常预警
      • +
    • 案例：餐饮连锁 90+ 店库存与成本断链检测 → 制造业物料齐套率预警
      • +
    +
    3. +

  3. 采购

    +
      +
    • 智能询价与比价、合同条款审查、供应商画像与分级
      • +
    • 案例：AI 法务秘书 + 风险评估系统在供应商准入与合同风控的应用
      • +
    +
    4. +

  4. 质量

    +
      +
    • 质量异常根因分析、质量报告 AI 辅助生成、过程异常自动识别
      • +
    • 案例：从"事后复盘"到"事中预警"的闭环质量管控
      • +
    +
    5. +

  5. 研发

    +
      +
    • 技术资料检索与知识图谱、专利分析、实验设计辅助、研发成本断链检测
      • +
    • 案例：菜品工程与成本穿透分析 → 制造业研发成本治理
      • +
    +
    6. +

  6. HR

    +
      +
    • AI 招聘面试、人才盘点与胜任力评估、培训路径推荐、HR 数据对话分析
      • +
    • 案例：AI 招聘与人才评估系列项目，制造业技能人才评估
      • +
    +
    7. +

  7. IT

    +
      +
    • AI 辅助运维、代码生成与审查、知识库与工单智能分发、内审与安全扫描
      • +
    • 案例：全域内审平台、AI 安全扫描
      • +
    +
    8. +

  8. 财务

    +
      +
    • AI 自动记账与报表生成、业财一体化对账、成本异常检测、经营分析对话
      • +
    • 案例：AI 智能财务 → 制造业成本核算与经营驾驶舱
      • +
    +
    9. +

  9. 法务

    +
      +
    • 合同审查、法律文书生成、合规风险预警、知识产权管理
      • +
    • 案例：AI 法务秘书在合同条款审查中的应用
      • +
    +
    10. +
+

互动：每个职能讲完，请对应部门负责人现场说一个"我最想用 AI 解决的问题"，讲师即时判断可行性与落地路径。

+

模块三：制造业 / 汽车行业 AI 实践案例分享（约 90 分钟）

+

目标：用真实案例让管理者看到"同行已经在做什么、效果如何、怎么开始的"。

+
    +

  1. 案例一：从完全外行到快速完成餐饮连锁企业运营态势感知系统（主讲案例）

    +
      +
    • 背景：非餐饮行业出身，如何在短时间内亲自上手完成覆盖 90+ 店、四级管理链路的数字化运营平台
      • +
    • 关键方法：AI 掌握全行业最佳实践 + 逻辑推理 + 行业专家经验放大
      • +
    • 系统全景：四级管理视角、闭环管理、自动分级、任务生成、经验标准化
      • +
    • 对制造业的迁移：制造业同样有"老师傅经验 + 分散数据"，同样的闭环方法论可直接套用
      • +
    • 核心启示：企业不需要等一个"既懂 AI 又懂工艺 10 年的人"，而要培养"懂工艺的会用 AI"和"懂 AI 的能进车间"两类人协同
      • +
    • 讲师视角：我讲这个案例不是炫技，是想告诉各位——一个具备管理者思维、愿意亲自下场的人，配合 AI，可以在任何陌生行业快速达到资深水平。各位企业里的人本来就懂自己的行业，加上 AI，能力上限会高得多。
      • +
    +
    2. +

  2. 案例二：汽车大数据国家级试点项目 — 涉车企业数据智能平台（车脉 DIS）

    +
      +
    • 背景：中国广电集团发起，海南省首个省级试点，覆盖六类涉车企业、数千辆车辆
      • +
    • 核心架构："AI 大模型 + 区块链 + 数据要素化"三位一体，省级 / 企业级 / 车辆级三层管理框架
      • +
    • 讲师角色：主导涉车企业侧数据智能平台设计与落地，把国家级架构翻译成企业能用的经营系统
      • +
    • 对制造企业的启示：数据要素化是制造业下一个增长点；AI + 区块链 + 数据要素化组合拳同样适用；企业侧落地才是关键——让企业在日常经营中自然沉淀数据，而不是额外增加负担
      • +
    +
    3. +

  3. 案例三：某国际玩具品牌华东区域总代 50+ 门店 AI 经营提升计划

    +
      +
    • 制造 + 零售 + 供应链复合业态的 AI 经营改善
      • +
    • 对制造企业的启示：从渠道数据反推生产与供应链决策
      • +
    +
    4. +

  4. 案例四：AI 驱动企业运营闭环管理方法论（通用框架）

    +
      +
    • 六环节闭环：资料获取 → 知识提取 → 运营指导 → 结果反馈 → 规则优化 → 实践沉淀
      • +
    • 为什么这套方法论行业无关：数据、规则、执行、反馈、优化、沉淀是所有运营型企业的共性
      • +
    • 制造业如何用这套框架做自己的第一个 AI 闭环试点
      • +
    +
    5. +
+

模块四：管理层如何推动 AI 落地及组织变革（约 75 分钟）

+

目标：让管理者带走"下周一可以做什么"和"未来一年怎么排"。

+
    +

  1. AI 落地的三个层次与管理者角色

    +
      +
    • 工具层：用 AI 提效（个人级，1 个月内见效）
      • +
    • 流程层：用 AI 改造业务流程（部门级，3-6 个月见效）
      • +
    • 体系层：用 AI 重构运营管理体系（企业级，6-18 个月见效）
      • +
    • 管理者在每一层应该做什么、不应该做什么
      • +
    +
    2. +

  2. 如何选第一个 AI 试点场景

    +
      +
    • 好试点的五个特征：边界清晰、数据可获得、结果可衡量、失败可承受、成功可复制
      • +
    • 反面教材：为什么"做一个企业知识库"经常做成摆设
      • +
    +
    3. +

  3. AI 落地的组织变革

    +
      +
    • 三个新角色：AI 产品负责人（业务侧）、AI 工程化负责人（技术侧）、AI 翻译官（兼懂两边）
      • +
    • 最稀缺的是 AI 翻译官 — 不是行业专家，不是 AI 专家，是能把两者结合的人
      • +
    • 如何在现有团队里识别和培养这种人
      • +
    • KPI 设计：不要给 AI 项目定"技术指标"，要定"经营指标"
      • +
    +
    4. +

  4. 风险与治理

    +
      +
    • 数据安全：哪些数据能进 AI、哪些不能、怎么脱敏
      • +
    • 决策边界：AI 建议 + 人工确认的分级授权机制
      • +
    • 供应商管理：自研 vs 采购 vs 共建的取舍
      • +
    • 避免"AI 焦虑"和"AI 冷淡"两种极端
      • +
    +
    5. +

  5. 一份可执行的 90 天行动清单

    +
      +
    • 第 1-30 天：选场景、盘数据、定指标、组小队
      • +
    • 第 31-60 天：跑通一个最小闭环、验证经营价值
      • +
    • 第 61-90 天：复盘、固化、推广到第二个场景
      • +
    +
    6. +
+

模块五：现场研讨与答疑（约 60 分钟）

+

形式：分组研讨 + 集中答疑

+
    +
  1. 分组研讨：按职能分组，每组选一个本部门最想用 AI 解决的问题，讲师现场点评可行性与落地路径
    2. +
  2. 集中答疑：管理者关心的任何问题，不回避、不绕弯
    3. +
  3. 讲师总结：给企业留三句话
      +
    • AI 的最强能力是掌握全行业最佳实践和逻辑推理，用好它等于请了一支跨行业专家智库
      • +
    • AI + 行业顶尖专家是真正的跃迁点，企业要投资"让专家会用 AI"
      • +
    • 企业最该招的不是行业专家或 AI 专家，而是能把两者结合的 AI 翻译官
      • +
    +
    4. +
+
+

三、讲师可提供的后续服务

+
    +
  • 线上需求沟通：与客户管理层进行 1-2 次线上会议，对齐企业实际场景与培训重点
    • +
  • 定制化案例：根据企业提供的行业、规模、痛点，补充 1-2 个定制化案例
    • +
  • 培训后辅导：可提供培训后 30 天的线上答疑，支持企业落地第一个 AI 试点
    • +
  • 长期合作：可就企业 AI 战略规划、试点场景设计、组织能力建设提供长期顾问服务
    • +
+
+

四、联系方式

+
    +
  • 讲师：[姓名]
    • +
  • 邮箱：[邮箱]
    • +
  • 电话 / 微信：[联系方式]
    • +
+
+

本简介可作为讲师候选材料提交客户，后续可按客户需求调整大纲重点与案例比例。

+
+