AI时代的钢铁制造企业业务转型实战

钢铁行业AI转型的宏观图景会打开第一轮讨论，从钢铁产量到数据产量：钢铁制造已成为数据密集型…与一座典型高炉每天产生的数据量相当于一座中型城市…负责把练习结果接到后续工作

1天 供应链管理
授课讲师： 蔺军 · 工业数智化实战专家
获取课程方案 查看课程大纲

课程大纲

课程总览

一、钢铁行业AI转型的宏观图景
  • 1. 从钢铁产量到数据产量：钢铁制造已成为数据密集型行业
  • 1. 一座典型高炉每天产生的数据量相当于一座中型城市一天的互联网流量
  • 2. 从炼铁、炼钢、连铸、轧制到物流，全流程数据节点超过10万个
  • 2. 行业AI应用的三个层次
  • 1. 感知层：机器视觉、智能检测
  • 2. 决策层：智能排产、预测性维护、工艺优化
  • 3. 认知层：大模型驱动的知识管理与智能决策
二、钢铁企业的AI转型路径速览
  • 1. 数智化转型的顶层设计、整体规划、分步实施路径
  • 5. G智能工厂在寒地大型移动设备上的开创性应用
  • 3. 数字孪生工厂与全流程追溯体系的建设
三、业务主管面临的三个核心拷问
  • 1. AI会取代我的团队吗？——不会用AI的主管将被会用AI的主管取代
  • 2. 我的团队现在最缺什么？——不是技术，是AI-ready的组织能力
  • 3. 从哪里开始？——从认知升级开始
  • 互动破冰：AI冲击力自测
  • 3. 分钟完成一份10题自评问卷，从认知、组织、数据、场景四个维度评估自身团队的AI就绪度，绘制个人AI转型起点雷达图

角色重塑——AI时代业务主管的五大能力进阶

一、从管控者到赋能者
  • 1. 传统管理逻辑的局限：在AI时代，管控的边际效益递减
  • 2. 赋能的核心：为团队清除AI应用的障碍，而非替团队做所有决策
  • 3. 赋能者的三个关键动作：定方向、配资源、建机制
二、从经验决策者到数据+经验双轮驱动者
  • 1. 经验的不可替代性与数据的不可忽视性
  • 2. 案例：南钢AI模型提前两小时预测炉温变化，准确率稳定在90%以上
  • 1. 炉温预测从老师傅的感觉到算法的精确计算
  • 2. 铁水一级品率提升10个百分点，炼铁流程周转率提升
  • 3. 业务主管的翻译官角色
  • 把业务问题翻译成数据问题，把数据洞察翻译成业务语言
三、从部门墙守护者到流程破壁者
  • 1. AI要求数据贯通，数据贯通要求流程贯通
  • 2. 案例：元冶·钢铁大模型打通料铁、铁钢、钢轧及客户四大业务界面
  • 3. 破壁的三个切入点：以客户价值倒推流程设计、以数据流向倒推责任划分、以AI场景倒推协同机制
四、从人才培养者到人机协作设计师
  • 1. AI不是替代人，而是重新定义人的工作方式
  • 2. 案例：宝钢焊接智能体自动生成现场八成材料的焊接要求，工程师从写参数变为审参数
  • 3. 人机协作设计的三原则：AI做重复的、人做创造的、协作做增值的
五、从执行者到创新发起人
  • 1. AI时代的一线主管是创新最佳入口——离场景最近、离痛点最近
  • 2. 创新发起人的三个动作：发现场景、提出假设、推动验证
  • 互动环节2：我的角色画像

组织进化——构建业务+数据+AI的融合型团队

一、传统组织架构在AI时代面临的挑战
  • 1. 业务部门用不上数据：数据在IT部门，场景在业务部门
  • 2. 数据部门不懂业务：数据团队不了解生产工艺和质量标准
  • 3. AI项目落不了地：技术验证成功，业务推广失败
二、融合型团队的组织设计原则
  • 1. 原则一：数据团队向前站——数据分析师嵌入业务单元
  • 从集中式数据部门到联邦式数据架构
  • 2. 原则二：业务主管向后看——每个业务主管都应是数据的主人
  • 业务主管对数据质量的最终责任
  • 3. 原则三：AI能力平台化——共享AI能力中台，避免重复建设
三、新岗位与新角色的设计
  • 1. 数据管家（Data Steward）：业务部门的数据质量责任人
  • 2. AI场景产品经理：负责将业务需求转化为AI产品需求
  • 3. 人机协作教练：培训团队使用AI工具、优化人机协作流程
四、组织变革的推进节奏
  • 1. 试点先行：选择一个业务单元作为融合型组织试点
  • 2. 机制保障：建立数据共享激励机制和AI应用创新奖励机制
  • 3. 文化营造：从怕犯错到快试错
  • 实战工作坊1：我的团队架构优化画布（40分钟）

数据筑基——钢铁制造企业的数据治理实战

一、为什么数据治理是AI落地的第一公里
  • 1. AI的三大支柱：算法、算力、数据——数据是质量最不可控的一环
  • 2. 钢铁制造的数据特点：数据量大、来源分散、格式多样、实时性要求高
  • 3. 垃圾进、垃圾出：没有高质量数据，就没有可靠的AI
二、数据治理的四步法
  • 1. 第一步：摸清家底——数据资产盘点
  • 1. 案例：宝武问数2526整合426个合并报表关键指标、113个成本对标指标、65个总账指标，数据可追溯至2017年
  • 工具：数据资产目录的建立方法
  • 2. 第二步：制定标准——数据标准与规范
  • 1. 统一数据定义（如合格率在不同产线的定义必须一致）
  • 2. 统一数据格式、统一采集频率、统一存储规范
  • 3. 第三步：打通孤岛——数据集成与共享
  • 从数据烟囱到数据江河
  • 4. 第四步：持续运营——数据质量闭环管理
  • 1. 数据质量监控指标的设定（完整性、准确性、及时性、一致性）
三、业务主管在数据治理中的三个关键角色
  • 1. 数据标准的最终确认者——业务含义只有你懂
  • 2. 数据质量的第一责任人——你的业务系统产生的数据，你负责
  • 3. 数据应用的首席倡导者——带头用数据说话、用数据决策
四、数据治理的常见陷阱与应对
  • 1. 陷阱一：追求大而全的数据治理——应从小切口开始
  • 2. 陷阱二：数据治理是IT的事——业务必须深度参与
  • 3. 陷阱三：等数据完美了再开始AI——边治理边应用
  • 互动环节3：我的数据家底清单

场景落地——AI+钢铁制造的百景图

一、AI场景识别的四步法
  • 1. 第一步：沿着价值链找痛点——从采购、生产、质量、设备、物流到销售
  • 2. 第二步：判断AI适配度——重复性、规律性、数据可得性
  • 3. 第三步：评估价值大小——降本、增效、提质、安全
  • 4. 第四步：规划实施路径——从短平快到大而全
二、AI+生产：从经验炼钢到智能炼钢
  • 案例一：南钢AI炉温预测模型
  • 1. 痛点：炉温控制依赖人工经验，波动大、质量不稳定
  • 2. 方案：训练AI模型提前两小时预测炉温变化
  • 3. 成效：准确率90%以上，铁水一级品率提升10个百分点
  • 案例二：宝钢AI智慧高炉大模型
  • 1. 痛点：高炉操作复杂，参数调整依赖专家经验
  • 2. 方案：构建高炉大模型，核心命中率超90%
  • 3. 成效：一年降本超千万元
三、AI+质量：从事后检验到过程预测
  • 案例三：宝钢AI云表检系统
  • 1. 痛点：表面质量检测依赖人工肉眼，效率低、漏检率高
  • 2. 方案：AI视觉识别技术自动检测钢板表面缺陷
  • 3. 成效：重点缺陷识别准确率96%，缺陷漏检率降低
  • 案例四：南钢钢材力学性能预测模型
  • 1. 痛点：力学性能检测周期长、成本高
  • 2. 方案：基于生产数据预测钢材力学性能
  • 3. 成效：产品成材率提升，交付周期缩短10%，年均节省检验费用超5000万元
四、AI+设备：从计划维修到预测性维护
  • 案例五：宝钢设备智能体集群
  • 1. 痛点：设备故障停机造成巨大损失，计划维修存在过度维修和不足维修
  • 2. 方案：累计打造100余个智能体，上线600余个AI场景
  • 3. 成效：取向硅钢板形精度提升，断带率下降
五、AI+供应链：从被动响应到智能决策
  • 1. 找钢集团AI Agent系统：每日处理3000家供应商上传的400万吨钢材库存数据
  • 2. AI在采购预测、库存优化、物流调度中的应用方向
六、AI场景落地的五要五不要
  • 1. 要从业务痛点出发，不要从技术能力出发
  • 2. 要从小场景切入，不要一开始就追求大平台
  • 3. 要有明确的价值衡量，不要为了AI而AI
  • 4. 要业务主管深度参与，不要全部甩给技术团队
  • 5. 要边用边迭代，不要等完美再上线
  • 互动环节4：场景快闪

行动路径——从今天开始的AI转型路线图

一、AI转型的三阶段路径
  • 1. 第一阶段（0-3个月）：认知先行、小切口试点
  • 1. 完成团队AI认知培训
  • 2. 选择一个短平快场景（2-4周可见成效）
  • 3. 建立数据治理的基本规范
  • 2. 第二阶段（3-12个月）：场景扩展、能力沉淀
  • 1. 复制成功场景到3-5个业务点
  • 2. 建立数据分析师嵌入业务单元的机制
  • 3. 沉淀AI应用的方法论和工具模板
  • 3. 第三阶段（12个月以上）：系统推进、文化形成
  • 1. 全面铺开AI应用场景
二、业务主管90天行动清单
  • 1. 第1-30天：认知升级
  • 1. 完成自身AI通识学习
  • 2. 与团队开展一次AI能为我们做什么的头脑风暴
  • 3. 走访一个已经开展AI应用的兄弟单位
  • 2. 第31-60天：场景识别
  • 1. 梳理业务价值链，标注3-5个潜在AI应用点
  • 2. 与数据团队对接数据可用性评估
  • 3. 选定1个试点场景，制定试点方案
  • 3. 第61-90天：试点启动
  • 1. 组建试点团队，明确角色分工
三、阻力与应对策略
  • 1. 团队抵触：AI会抢我们的饭碗——用事实说明AI是助手而非对手
  • 2. 数据缺乏：连数据都没有——从能采集什么开始，而非缺什么
  • 3. 领导质疑：投入产出比怎么算——选择可量化价值的场景先行
四、持续学习的资源与渠道
  • 1. 行业平台：中钢协数字化转型推进中心
  • 2. 标杆对标：宝武、南钢、永钢等行业先进企业
  • 3. 内部资源：集团智能化推进部门、已获评智能工厂的兄弟单位
  • 实战工作坊2：我的90天AI转型行动计划（60分钟）
  • 课程总结与行动实践指南
一、全天核心要点回顾
  • 1. 角色升级：从管控者到赋能者、从经验决策到双轮驱动
  • 2. 组织进化：构建业务+数据+AI融合型团队
  • 3. 数据筑基：数据治理是AI落地的第一公里
  • 4. 场景落地：从痛点出发、从小处着手、快速迭代
二、行动实践指南（可带走的工具包）
  • 指南一：《业务主管AI就绪度自评表》——每月自评，跟踪团队AI能力成长
  • 指南二：《AI场景识别画布》——从价值链出发系统识别潜在AI应用点
  • 指南三：《数据资产盘点模板》——快速梳理本业务单元的数据家底
  • 指南四：《90天AI转型行动计划模板》——将学习成果转化为行动承诺
  • 指南五：《AI应用价值评估卡》——统一评估标准，辅助场景优先级决策
三、课程结语

适合对象

建议由业务负责人、项目骨干、内训师和正在试点AI工具的团队共同参加，便于课后在同一套判断标准下继续推进

课程定位与主要问题

工具会用但流程接不上、结果不好验时，课程可以用于梳理现状、练习方法，并明确课后的跟进责任

核心收益

  • 场景边界更清楚：AI时代业务主管的五大角色升级路径，从管控者转变为赋能者与翻译官
  • 理解AI时代组织架构的演进方向，学会设计业务+数据+AI的融合型团队结构
  • 建立数据治理的系统性认知框架，掌握钢铁制造企业数据资产化的关键方法与工具
查看更多收益 收起更多收益
  • 学习至少五个行业标杆企业的AI落地完整案例，获得可复用的场景识别方法论
  • 场景边界更清楚：多轮现场实战工作坊，产出一份适用于自身业务单元的AI应用场景清单与行动计划

课程背景与交付信息

当前，人工智能正在深刻重塑全球制造业格局。据中国钢铁工业协会统计，重点钢铁企业的机器人应用密度已达65台（套）/万人，95%的企业已将数字化转型融入企业发展战略，钢铁行业正从千锤百炼走向算法加持。然而，AI转型的最大瓶颈往往不在技术本身，而在于企业业务主管的认知准备、组织适配能力和数据治理水平

本课程聚焦人的转型——帮助业务主管在AI时代找准角色定位、重构组织能力、夯实数据基础、落地业务场景，从管理者升级为AI时代的业务架构师

课程时间

1天

授课方式

理论讲授、案例研讨、互动演练、实战工作坊，讲-练-评循环教学

课程内容重点

01钢铁行业AI转型的宏观图景
02从钢铁产量到数据产量：钢铁制造已成为数据密集型行业
03一座典型高炉每天产生的数据量相当于一座中型城市一天的互联网流量
04从炼铁、炼钢、连铸、轧制到物流，全流程数据节点超过10万个
05行业AI应用的三个层次

讲师介绍

蔺军 讲师头像

蔺军

工业数智化实战专家

浙江大学工学博士，正高级工程师。21年工程管理及12年数智化实战经验，主导3家龙头企业数智化转型，擅长智能建造与大型工程全周期管理，兼具深厚学术背景与丰富一线实战成果

建筑工程钢结构桥梁工程智能制造航空航天
查看讲师主页

课程差异说明

本课程页面围绕《AI时代的钢铁制造企业业务转型实战》重点呈现课程定位、适合对象、核心收益和 6 个主要模块，便于快速判断培训匹配度

课程常见问题

这门课适合哪些学员参加？

建议由业务负责人、项目骨干、内训师和正在试点AI工具的团队共同参加，便于课后在同一套判断标准下继续推进。

学习这门课可以获得什么收益？

掌握AI时代业务主管的五大角色升级路径，从管控者转变为赋能者与翻译官；理解AI时代组织架构的演进方向，学会设计业务+数据+AI的融合型团队结构。

课程通常安排多长时间？

课程通常可按1天安排，具体节奏会结合企业培训目标、学员基础和现场安排确认

课程采用什么授课方式？

课程主要采用理论讲授+案例研讨+互动演练+实战工作坊，讲-练-评循环教学，强调理解、讨论、工具练习和业务场景应用

企业可以基于这门课做定制吗？

可以。正式交付时可结合企业行业、岗位对象、当前问题和培训时长，对案例、练习和重点模块做适配