“AI原生100”是虎嗅科技组推出的AI原生创新栏目。
OpenClaw爆火之后，许多传统企业的企业主找到了工业AI企业梅洛迪，要求部署类似的产品。梅洛迪甚至为此专门成立了一个“业务线”，负责给政府和企业做相关技术的科普。在OpenClaw爆火的第一天，梅洛迪就是第一批强调安全风险的企业。
在梅洛迪联合创始人贾亦凡看来，OpenClaw最致命的风险，在于它可能拥有访问企业内部各个接口的最高权限。“如果你把微信、邮件这种能接收外部信息的接口，以及企业内部文件夹的最高权限全部开放给OpenClaw，这就变成‘黑暗森林’了，”他说，“你不知道从哪来的什么人攻击你，对方也不一定是瞄准你攻击的。”
这句话，说的不仅是OpenClaw，也映射了整个工业AI落地的现实处境：企业主们对AI的渴望与对安全的恐惧，往往同时存在，互相缠绕。
对此，梅洛迪的创始人兼CTO许中人有一个独特的判断：在工业AI这件事上，最该学的不是OpenAI，而是AK47。道理很简单，越简单、越耐用、越容易上手，成功的可能性就越大。最好是做到“奶奶也能操作”。
在制造业的“孤岛”上，重新连接数据
2024年12月，在美国读完工程博士的许中人买了一张回国的机票。前一天在租房APP上看好房子，第二天早上八点见房东，当场签下合同，周一他就去工厂报到了。他创办的梅洛迪，是一家专门为制造业企业提供AI改造服务的公司——他们从采购和工艺两个核心场景切入，帮工厂梳理清楚数据，再用AI提升效率。
那时创始团队还在大洋彼岸，接下来半年，只有他一个人在无锡推进。没有资本撑腰，也没有大厂背书，就凭着一句“我先帮你看一看”，他敲开了一家又一家工厂的大门。许中人从高中阶段就开始跟着项目跑测试，他自己坦言，在学校跟老师待的时间，远不如跟工人、工程师待的时间长。
我们见面的地方，是位于无锡东站旁的长三角（无锡）国际人才港。以这里为圆心，周围环绕着国内企业级软件市场份额领先的公司、众多电动车企业总部，以及构成中国制造业高密度地带的纺织、五金、精密零件等产业集群。
然而，这个行业此刻正处于一种奇异的撕裂状态。一边，垂类AI Agent在各垂直场景加速落地，每隔几个月就有新的融资消息传出；另一边，在许多工厂里，老师傅还在凭肉眼判断焊缝质量，工艺参数记在个人的笔记本里，图纸甚至是手绘的，报价依然靠经验拍脑袋。
许中人坐在这矛盾的中心，却很从容。“你首先得承认，制造业本来就是这样的，”他说。公司起名“梅洛迪”，他调侃是“没落地”。但当他说这句话时，手边已经有了若干个真实的工业客户、一个盈利的账本和一支38人的团队。
过去两年，“工业AI”被反复提及，但落地效果普遍令人失望。许中人对这种情况有个形容：又一轮“孤岛”。上一轮信息化建设制造了数据孤岛，这一轮AI热潮，许多公司仍在重复同样的错误。
梅洛迪选择了一条截然不同的路：先帮工厂做“体检”，查清楚数据从哪来、到哪去、中间断在了哪里，然后再谈AI能优化什么。这个过程笨重、耗时，甚至需要花费大量时间解决企业决策者的思维问题。
“你现在解决的可能根本不是企业真正的病灶，”许中人解释道，“症状体现在采购部门，病根可能在工艺，也可能在老板的决策逻辑。”因此，梅洛迪的销售方式就是直接与企业最高决策者对话。
聚焦采购与工艺：跳过SaaS，直击核心
调研越深入，目标就越清晰。在许中人看来，制造业里有两个环节可以直接跳过传统的SaaS阶段，进入AI深度改造：采购和工艺。
这与上一轮以ERP为代表的信息化建设有根本差异。上一轮的逻辑是给企业一套系统，数据填进去就算完成任务，至于数据能否流动、是否有价值，则少有人关心。梅洛迪做的是相反的事：先把数据理活，再把数据留住。
经过多个项目的积累，梅洛迪已经整合了超过六十类工业数据源。这些数据源并非来自通用数据集，而是在一个个非标准化项目里硬啃出来的。许中人的逻辑是：非标场景多且复杂，先做难的，难的做好了，简单的就容易了。
每一个定制化项目，表面上是在解决某家工厂的具体问题，但背后是在提炼可通用的工程经验——哪些场景可以泛化，哪些数据可以沉淀进平台，以便复用到下一个类似的企业。目前梅洛迪的单个项目周期是三到四个月，他们的目标是将其压缩到两到三个月。
这里有一个容易被忽视的细节：工业AI需要的数据，和企业现有所谓的“结构化数据”，往往根本不是同一种东西。“数据的形态完全由产业属性决定，”许中人说。例如，核心加工企业需要生产、原材料数据；纺织企业需要布料、针织数据；缺陷检测可能需要图片甚至超声波反馈图。“虽然都叫数据，但不同场景需要的数据类型、可应用的范围都不一样。”
这种深入业务场景、从数据源头做起的模式，与知名数据分析公司Palantir的早期路径有相似之处。但许中人的看法更为冷静：“Palantir不是先有了优秀的商业模式才变现，而是先靠军方关系完成了早期变现。”梅洛迪没有这层背书，面对的是中国制造业中那些有改变意愿、但尚未被充分服务的腰部企业。
对话许中人：拆解工业AI落地的真实挑战
以下是虎嗅与梅洛迪创始人许中人的对话节选，进一步拆解了工业AI落地的逻辑与挑战。
虎嗅：为什么选择采购和工艺这两个场景切入？
许中人：采购涉及原材料流转、供应和消耗，是获取大量数据的关键入口，它直接反映了企业的自我掌控力。工艺则是企业技术积累和经验沉淀的核心。许多企业面临经验传承的难题，全厂生产规划可能只依赖一两位老师傅。如果师傅离职，这些经验如何数据化、标准化地留存下来？我们做的，说白了就是帮企业构建自己的数字资产。
虎嗅：上一轮信息化建设留下的“孤岛”问题，你们如何解决？难点在哪？
许中人：可以理解为我们是在替上一轮建设收拾部分烂摊子。数据收集和梳理的过程本身，就是在帮企业完成真正的信息化。前期梳理往往能帮他们解决30%-40%的问题，这相当于一次全面的企业体检。
但难点也在这里。客户各部门提需求时，往往是“盲人摸象”，只看到本部门的问题，而这些问题很可能根源在上下游。这就像中风，症状体现在肢体上，但病根在大脑。如果我们陷入解决单个部门问题的循环，就会重走老路。因此，如何理解客户真实需求、找到病灶，对我们来说是最大的挑战。另一个现实是，没有最高决策者的拍板，项目很难推进，所以我们的销售方式就是直接和老板谈。
虎嗅：工业AI需要的数据，和企业现有的结构化数据是同一种吗？
许中人：往往根本不是同一种。具体需要什么数据，完全由企业的产业属性决定。这也是为什么现在提倡做不同行业的高质量数据集。数据的维度很多，可能是图片、文字、语音，甚至是超声波图。我们的客户常常需要处理CAD工艺图，关键在于提取图纸中的参数信息，而不仅仅是存储图纸文件本身。
虎嗅：如何看待当前企业主对AI改造的态度？
许中人：大致是两种极端，很少有折中的。一种是“许愿式”，觉得AI无所不能；另一种是完全不相信，觉得什么都做不了。很多老板是受了上一轮信息化建设失败的影响。所以，我们很多时候要做的工作是降低不合理期望，帮他们建立对AI的正确认知。
虎嗅：产品要让一线工人使用，教育成本是不是很高？
许中人：这是最核心的问题。我的经验是，把人的操作下限预估得越低，做出来的系统成功概率就越高。最好做到“奶奶也能操作”。这就好比当年的AK47，它成功不是因为最精密，而是因为简单、耐用、易上手。工业AI产品也一样，稳定性和可靠性远比炫技重要。我们要让操作人员感受到价值，而不是增加他们的负担。
虎嗅：进入客户企业，会直接替换他们原来的ERP系统吗？
许中人：不是直接替换，而是“温水煮青蛙”。在原有系统基础上做改良，逐步让旧系统从业务支撑系统，转变为单纯的数据收集系统。大型企业就像高速运转的赛车，我们的工作不是等它停下来，而是在它行驶过程中更换发动机。
竞争、收费与未来：如何跑通工业AI的商业模式？
虎嗅：现在有真正的竞品吗？大厂是否入场？
许中人：目前真正能够深入到制造业核心流程、并具备工程交付能力的团队并不多。我们和大厂聊过，他们表示要做类似业务，至少需要22个月的准备期。这给了我们一个时间窗口。
大企业有大企业病。我们在欧洲有个项目，客户之前与某大厂合作过一个五年计划，对方把全部精力押在通用大模型上，忽视了具体场景的落地——工厂里每台机床、每套工人经验、每家工作流程都不同，指望一个通用模型解决所有问题，本质上是错的。结果五年只跑通了几个传统机器学习的单点应用。
虎嗅：你们的收费模式是怎样的？
许中人：主要是“开发费用+季度订阅费用”。开发费根据场景复杂度核算；订阅费则用于覆盖我们基于客户数据定期迭代和再训练小模型的成本。也有客户选择“结果付费”模式，即降低开发费，根据项目带来的实际提升效果进行分成，海外客户更喜欢这种方式。
虎嗅：最终的效果如何？有具体数据吗？
许中人：举个例子，原本一个10人的工程师小组，完成某个特定场景的工程任务需要80人天、项目周期3个月；使用我们的系统后，4个工程师20天就能完成。
虎嗅：未来的规划是什么？
许中人：不是简单“出海”，而是定位全球市场。但要先在中国起步，因为中国的企业场景更复杂，客户要求也高，这能更快地帮我们打磨出过硬的产品。先攻克最难的部分，在最激烈的环境里磨练自己，之后再放眼全球，就会从容许多。
结语
梅洛迪的故事，为喧嚣的人工智能应用市场提供了一个冷静的注脚。它揭示了一个朴素的道理：在数字化转型的深水区，尤其是工业领域，成功的关键或许不在于追求最前沿、最复杂的模型，而在于能否打造出像AK47一样简单、可靠、易用的工具。真正的价值，始于对业务痛点的深刻理解，成于对数据“脏活累活”的耐心梳理。这条路虽不性感，却可能是通往AI Agent规模化落地的坚实一步。对于工业AI的探索与实践，欢迎在云栈社区与更多同行交流。
发表于 昨天 06:16
|
查看: 5|
回复: 0
