为什么钢铁是最难也最值得看的一类场景
钢铁是流程工业的样本：流程长、工序多、设备重、数据散。公开材料对沙钢的描述是，大量关键数据分散在生产系统、Excel 表格和纸质台账中，工艺分析、设备管理与经营决策长期依赖人工整理。这句话几乎可以套用到国内多数中型以上制造企业。
它难，正因为难，所以值得看。与办公协同类场景相比，钢铁场景有三个特点：数据大多已经存在于某个系统里，只是没被拼起来；判断权不能交出去，因为后果直接落在设备与安全上；每一次提效都可以落到某个具体环节的工时上，因此口径相对可核。
反过来说，如果一个智能体在钢铁这类场景里能成立，它的可迁移性反而比在办公场景里更强——因为它依赖的不是模型的通用能力，而是「把散落数据按业务主键串起来」这个可复制动作。下一节会看到，沙钢的三个场景恰好都在做这件事。
沙钢与它的三个起点
据公开报道，江苏沙钢钢铁有限公司是全国规模较大的电炉钢生产基地，产品应用于港珠澳大桥、西气东输等国家重大工程，远销 100 多个国家和地区。随着「智慧沙钢」建设推进，企业需要能打通数据、自主完成分析的智能体产品，最终选择接入千问办公。
| 场景 | 所在单元 | 原耗时 | 现耗时 | 公开提效口径 |
|---|---|---|---|---|
| 电炉冶炼复盘 | 电炉炼钢厂 | 约 30 分钟 / 炉 | 3 分钟 | 单炉复盘耗时 |
| 变压器状态评估 | 铁前总厂，13 个车间 229 台 | 每月 3 至 5 个工作日 | 几分钟 | 整体提效达数百倍 |
| 财务经营分析 | 月度经营分析报表 | 人工反复切换查找核对 | 未披露绝对值 | 编制效率提升 90% 以上 |
三个场景分属工艺、设备、经营三条线，看起来互不相关，但把它们并排看会发现结构高度一致。这是本文最想指出的一点，第九节会展开。
场景一：单炉复盘从 30 分钟到 3 分钟
电炉炼钢厂原来的做法是：每炼完一炉钢，工艺人员从生产系统导出数张明细表，手工拼合比对，一次复盘耗时约 30 分钟。
接入后的做法是：以炉号为主线，自动关联配料、能耗、合金、温度等七类数据，集中筛查异常炉次并给出调整建议，复盘时间压到 3 分钟。
这里需要拆清楚三件事。其一，被自动化的动作是「导出、拼合、比对、找异常」，不是「判断该怎么调整」——后者仍由工艺人员完成，智能体给的是建议。其二，七类数据的自动关联是这次提效的技术核心，它要求炉号在各系统中是统一且可用的主键。其三，「3 分钟」这个数字是复盘耗时，不是冶炼周期；行业媒体已明确提示不可混用。
按炉号关联七类数据，前提是炉号在配料、能耗、合金、温度等系统里都存在且口径一致。对多数制造企业来说，这一步的工作量远大于接入智能体本身。这也是后文判断可复制性时最需要核对的一项。
每炉省 27 分钟，能放大成多少
单炉节省 27 分钟（30 减 3），压缩比为 10 倍。这个倍数本身不难看，但它对全厂的价值取决于一个未披露的数字：每天炼多少炉。
公开材料没有给出炉次。本文按常见电炉生产节奏给出一组敏感度估算，供读者按自家实际炉次代入：
| 假设日炉次 | 日节省工时 | 按月 22 个工作日计 | 说明 |
|---|---|---|---|
| 10 炉 | 4.5 小时 | 99 小时 | 保守情形 |
| 20 炉 | 9.0 小时 | 198 小时 | 中位情形 |
| 30 炉 | 13.5 小时 | 297 小时 | 乐观情形 |
必须强调：以上为假设性估算，炉次为本文假设而非披露数据，且未扣除智能体本身的运维成本与异常复核成本。它的用途是提供一个换算框架——每炉 27 分钟乘以炉次，再乘以工作日。企业在自评时应直接代入自己的实际炉次，而不是引用本文的任何一个具体值。
另一个更值得关注的角度是：这 27 分钟原本由工艺人员承担，而工艺人员的时间成本远高于平均值。若按工艺岗位的小时成本折算，同样 4.5 小时的节省，价值与普工岗位的 4.5 小时不同。ROI 表里应当记录的是「谁的工时」，而不只是「多少工时」。
场景二：229 台变压器与「数百倍」
铁前总厂有 229 台变压器，分布在 13 个车间。原来的月度点检方式是：人工翻阅分散台账，逐台比对变压器的健康状态，一轮月度点检需 3 至 5 个工作日。
接入后的做法是：按周期和油质指标自动判定变压器风险，生成点检报告，并直接向责任人派发整改任务，全程仅需几分钟。公开口径为整体提效达数百倍。
本文先做一条基础换算：229 台除以 13 个车间约等于 17.6 台，即平均每个车间约 18 台变压器。这个数字决定了点检工作的形态——不是集中在一个机房，而是分散在 13 个物理位置上，因此「翻阅分散台账」本身就是主要的耗时来源。
第二个值得注意的设计是动作的闭环：智能体不只判定风险，还生成报告并向责任人派发整改任务。也就是说它把「发现问题」直接接到了「有人负责处理」这一步，而不是停留在出一份报告。这一点在 ROI 归因上很关键，第五节会展开。
数百倍这个说法，算得通吗
「数百倍」是一个模糊表述，本文尝试在给定区间内验证它是否成立。
口径一，按工作日折算小时。3 至 5 个工作日，若按每日 8 小时计，为 24 至 40 小时。「几分钟」若取 3 分钟（0.05 小时）至 5 分钟（约 0.083 小时）：
| 原耗时 | 现耗时 3 分钟 | 现耗时 5 分钟 |
|---|---|---|
| 3 个工作日（24 小时） | 480 倍 | 288 倍 |
| 4 个工作日（32 小时） | 640 倍 | 384 倍 |
| 5 个工作日（40 小时） | 800 倍 | 480 倍 |
结论是：在 3 至 5 个工作日与 3 至 5 分钟的区间内，压缩比落在约 288 倍至 800 倍之间，与「数百倍」这一表述自洽。这是本文对公开口径的一次正向核验。
但必须补两条限定。其一，这个倍数衡量的是点检环节的作业时长，不等于设备可用率提升、也不等于故障率下降——整改是否及时、隐患是否真的被消除，都发生在智能体动作之外。其二，3 至 5 个工作日若由多人分担，则这里的「小时」是总人时而非单人时，折算成人力成本时需要按实际参与人数再除一次。公开材料未披露参与人数。
再给一条绝对量的视角：按每月 22 个工作日计，3 至 5 个工作日约占月度工时的 13.6% 至 22.7%。被省下的绝对量约为每月 24 至 40 人时。这个绝对值比「数百倍」更适合放进预算表——因为它不会随口径不同而剧烈变化。
场景三：报表的 90% 与可溯源
财务经营分析环节，月度经营分析报表涉及几十张源报表、100 多个数据单元格。原来的做法是人工反复切换查找并核对。接入后，智能体自动完成取数、换算、校验与回读复核，编制效率提升 90% 以上。
本文认为这个场景里更重要的那半句在后面：每格数字均可溯源。
理由是，财务场景与工艺、设备场景有一个根本区别：它的产出会被用于决策与对外报送，因此可信度要求高于效率要求。一个快 10 倍但无法追溯来源的报表，在财务线上没有价值；一个快 2 倍但每格都能回到源报表的报表，反而可以直接进入流程。
「回读复核」这一动作也值得单独记一笔。它不是生成后的抽查，而是把结果再读回来与源数据比对一遍——这是一种把校验写进流程而不是写进制度的设计。对准备在财务、合规类场景落地智能体的团队来说，这条比 90% 更值得抄。
同样需要标注口径：90% 以上是报表编制效率，不含数据治理投入，也不含报表口径梳理的初始工作量。行业媒体已明确提示这一点。
三个场景共同省掉的那一环
把三个场景并排看，会发现被替代的动作高度一致。
| 场景 | 被智能体接手的动作 | 仍归人的动作 | 数据是否已在系统内 |
|---|---|---|---|
| 电炉复盘 | 导出、拼合、比对、筛异常 | 判断调整方案 | 是，分散在多张明细表 |
| 变压器点检 | 翻阅台账、逐台比对、出报告、派单 | 执行整改 | 是，分散在纸质与电子台账 |
| 财务分析 | 取数、换算、校验、回读复核 | 解读与决策 | 是，分散在几十张源报表 |
三个场景里，被替代的都是「判断之前的搬运」，判断本身一次都没有交出去。这个共同点有两个直接推论。
其一，可复制的前提是数据已经在系统里，只是没被拼起来。如果数据还停留在老师傅的经验里、或者在纸质单据上尚未电子化，这类智能体接不住——这与本栏目 R-CASE-48 复盘飞书豆包工作在东风奕派、南钢等现场时得到的结论一致：共同的前置动作是把记录搬到可读的位置，而不是先买模型。
其二，这类场景的 ROI 主要来自工时，而非人力替代。三个场景都没有出现岗位减少的公开表述，出现的是「耗时压缩」与「效率提升」。这与本栏目 R-CASE-47 复盘彩讯多智能体体系时的观察一致：价值落在节奏而不是人力替代。
ROI 账本该怎么记：四列法
基于以上结构，本文给出一份面向制造业智能体项目的 ROI 记账建议，共四列。
- 时长节省：记录具体环节的作业时长前后值，并注明是单环节还是全流程。单炉复盘的 30 到 3 分钟属于单环节。
- 质量变化：记录异常检出率、漏检率、口径一致性。变压器场景中「按周期和油质指标自动判定」理论上应降低漏检，但公开材料未给出前后对比，这一列目前是空的——这本身就是需要补的项。
- 频率改变：记录动作频次的变化。月度点检若因成本下降可以改为周度或按需，价值远大于单次时长压缩。这也是三个场景里公开信息最缺的一列。
- 复核成本：记录人工复核智能体产出所花的工时。财务场景的回读复核是自动化完成的，但在多数企业里这一步仍需人做，且常常不计入 ROI。
四列里，当前公开的只有其一的一部分。这也是本文对这份案例材料最主要的保留：三个数字都落在「时长」这一列上，而制造业智能体的长期价值通常出现在「频率」那一列——当检查变得便宜，检查就可以变密，问题就能更早被发现。建议后续披露补上这一列。
口径陷阱：三个数字各自不含什么
任何准备引用这组读数的团队，都需要先记下三条边界。
| 公开数字 | 它衡量的是什么 | 它不衡量什么 |
|---|---|---|
| 单炉复盘 3 分钟 | 复盘环节的作业耗时 | 不等于冶炼周期缩短，不等于钢水质量提升 |
| 点检提效数百倍 | 点检环节的作业时长压缩比 | 不等于设备可用率提升，不等于隐患整改率提升 |
| 报表编制效率提升 90% 以上 | 编制环节的效率 | 不含数据治理投入，不含口径梳理的初始工作量 |
此外还有三项属于行业媒体已提示、企业未披露的内容：其一，全部读数均为企业披露口径，无第三方验证；其二，「部分核心业务场景提效可达数百倍」中的「部分核心业务场景」未列出清单，无法判断覆盖范围；其三，沙钢计划把冶炼分析、设备运维等经验打造为可复用的钢铁行业 AI 技能库，这一计划目前没有公开读数，属于规划而非成果。目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。
政策与行业坐标
把单个案例放进产业背景里看，位置会更清楚。据国新办发布会与行业媒体转述，2025 年人工智能核心产业规模超过 1.2 万亿元；「人工智能+制造」专项行动围绕 20 个行业凝练 1000 余个高价值场景、发布 285 项典型应用案例、打造超过 500 个高质量数据集、推广 100 余款工业智能体；已成立 600 亿元国家人工智能产业投资基金。工信部 7 月披露规上工业企业 AI 应用普及率超过 30%。
同期还有同类动作可以参考：2026 年 10 月 29 日，深圳市标准技术研究院发布标准化行业智能体 V1.0，以题录、格律两大数据底座支撑，围绕「怎么写、怎么管、怎么用标准」调度十六项专家能力与十项核心技能，把查新环节的作业时长由天级压到分钟级。其覆盖与准确率未披露。
把沙钢、深圳标准院两个案例并排看，能看到同一种路径：选择一个数据已经存在、但人工串接成本极高的具体环节切入，把压缩比做出来，再谈横向复制。这与本栏目 R-CASE-46 复盘的山东制造业三样本（云鼎科技、中国重汽、浪潮云洲）呈现的「平台先行、智能体后置」是同一条路径的两个阶段。
需要说明的是，1.2 万亿元是核心产业规模，不等于应用深度；30% 的普及率也不等于深度使用。引用这两个数字时同样要标注口径。
与已复盘过的制造业案例对照
| 案例 | 切入环节 | 公开口径 | 共同前置 |
|---|---|---|---|
| 沙钢（本文） | 单炉复盘、变压器点检、财务报表 | 30 分钟到 3 分钟；数百倍；90% 以上 | 数据已在系统内，缺的是串接 |
| 东风奕派（R-CASE-48） | 设备故障现象定位 | 30 分钟到 2 秒 | 先把维修经验与点检记录搬进可读位置 |
| 中国重汽（R-CASE-46） | 研发设计五类智能体 | 需求结构化率 100%、设计准确率提升 50% | 先建四大云平台 |
| 美的荆州工厂（R-CASE-47 转引） | 14 个智能体覆盖 38 个核心场景 | 排产响应提升 90%、首检 15 分钟到 30 秒 | 先有完整的数字化产线 |
四个案例的共同点不是技术选型，而是切入的都是「人工串接成本极高」的环节。反过来看，那些数据尚未电子化、或者判断权无法界定的环节，在四份材料里都没有出现公开读数。这本身就是一条有用的负面清单。
六步路径与三条红线
综合本案例与本栏目此前复盘的制造业样本，本文给出一份六步路径。
- 先盘主键，不先盘场景：列出业务里可以作为统一主键的字段（炉号、设备编号、工单号、批次号），评估它在各系统中是否都存在且口径一致。沙钢能按炉号关联七类数据，前提是炉号可用。
- 只在数据已存在的环节里选场景：优先选「数据在，但没拼起来」的环节，避开「数据还没有」的环节。后者需要先做采集与治理，成本结构完全不同。
- 把判断权留在人手里并写清楚：沙钢三个场景都保留了人的判断（调整方案、整改执行、解读决策）。上线前把这条写进流程说明，比事后解释更有效。
- 把发现直接接到责任：变压器场景的价值不只在于判定风险，还在于直接向责任人派发整改任务。只出报告不派单的智能体，价值会衰减一大截。
- 把校验写进流程而不是制度：财务场景的回读复核是自动执行的。凡是要求「人工再核一遍」的设计，都要把这遍复核的工时计入 ROI。
- 四列 ROI 一次记全：时长、质量、频率、复核。缺列时明确标注为空，不要用一个时长数字代替全表。
三条红线：
- 不把环节耗时说成全流程耗时：3 分钟是复盘，不是冶炼周期；数百倍是点检，不是设备可用率。
- 不把环节提效说成人力替代：三个场景均无岗位减少的公开表述，引用时不要外推。
- 不把规划当成果：钢铁行业 AI 技能库目前是计划，尚无公开读数。
冷静判断：可复制到什么程度
这份案例真正的价值，不在于三个倍数的大小，而在于它把一个可复制的动作描述得足够具体：按业务主键把散落在多个系统里的数据串起来，筛出异常，交给人判断，并把发现直接接到责任人。
这个动作的可复制性高，原因是它不依赖特定行业的知识深度，只依赖两件事——主键是否可用、数据源是否可达。对多数已经走过信息化阶段的中型以上制造企业，这两件事的答案通常是「部分可用」，因此落地的实际工作量会集中在数据侧的对齐，而不是智能体本身。
需要保留的部分同样明确：三个数字全部落在「时长」这一列，且全部为企业披露口径、无第三方验证；质量变化与频率改变两列是空的；覆盖范围（「部分核心业务场景」）未列清单。因此这份材料适合用作「路径参考」，不适合用作「效果基准」。
最后一个判断：沙钢选择先做工艺、设备、经营三条线各一个场景，而不是在一个场景里做深，是一种取覆盖而非取深度的打法。这种做法的好处是能快速验证智能体在不同数据形态下的适用性，代价是每个场景都停留在提效层面、尚未进入闭环控制。从公开的规划看，团队自己也清楚这一点——把经验沉淀为可复用的行业技能库，是从提效走向闭环的下一步。至于这一步的具体路径与读数，目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。