一线员工自己搭 AI：认养一头牛 55 个实践里，最值得抄的三个场景

一个反常识的细节：55 个项目，没有一个来自 IT 立项

10 月 23 日，认养一头牛、飞书与豆包工作联合办了一场「AI 先锋大赛」决赛，地点在河北衡水的牧场和工厂。全集团共提报 55 个 AI 实践，两轮筛选后 8 支团队上台（中国日报 10 月 26 日报道）。

值得注意的是参赛者的身份：牧场兽医、乳品研发员、供应链计划员、电商运营。这些项目不是 IT 部门规划出来的，是干活的人自己提报的。

飞书首席商业官林婵在会上的一句话点破了逻辑：「最懂业务痛点的人，最应该第一个拿起 AI 工具。」

下面拆三个场景，都是中小企业明天就能照做的。

场景一：牧场兽医——把老师傅的判断留下来

过去的流程：发现牛只不适 → 查档案 → 牛舍里查不到就回办公室翻记录、填表单 → 再回牛舍检查 → 确诊开处方。一趟趟跑，一头牛查完要 10-15 分钟。比慢更麻烦的是经验——老师傅调走了，新人接不住。

他们的做法分两步：先把多年积累的诊疗方法在飞书上梳理成表格和知识库；再用豆包工作把牧场原有系统连上。

跑出来的结果（调试约四个月）： - 疾病异常可提前 1-3 天预警 - 诊疗效率比传统方式提升约 60% - 人员培养周期缩短三分之二

关键的分工边界：涉及诊疗和用药，仍由专业人员审核后执行；AI 负责在异常时主动推送、到现场给建议。处理结果记回系统，下次再看这头牛能接着往下判断——这才是「经验留在了公司里」。

场景二：研发——让柠檬奶不再变「蛋花汤」

柠檬汁倒进牛奶会起絮状沉淀，这是乳品研发的经典难题。过去研发员的路径是查文献、核对国标、回实验室打样，效果不好再查再试，几周时间就这么过去了。而打样速度往往决定能不能接住一笔生意。

他们整理了论文、国标等 100 余份资料，搭了个「智能研发与合规专家」。真正起作用的是提问的方式：不是「帮我研发一款柠檬奶」，而是——「调配出的牛奶加入柠檬后，两小时内不出现沉淀」。

这是一个可验证、有边界的目标。AI 先讲原理，再给配方建议；研发员按建议配抗酸乳、做实验，果然没出现明显沉淀。

同一套方法还用在了包装合规上：上传包装图，AI 对照资料提示可能存在的问题，研发员逐项复核。版面审核效率提升 5 倍。

场景三：供应链——先给 AI 一本「术语字典」

供应链中心做了三个分工不同的助手：牛吨吨管低温生产计划、牛犇犇辅助奶源调拨、牛达达辅助常温产品调拨。订单、排产、生产播报进表后，牛吨吨检查产能能不能满足需求，发现缺口就把预警和应对建议一起推给计划、物流、生产——由人判断、拍板。

最有价值的细节在这里：刚开始调试时，它听不懂工厂里的话。

大清洗、小清洗、换模、换标、可用库存、真实库存、冻结库存……这些词没弄明白，后面的账就算错。团队为此整理了一本供应链术语字典，再拿真实场景反复调试。

这件事的启示是通用的：任何行业的 AI 落地，第一批要交付给它的不是数据，是「你们这行怎么说话」。

三个能直接抄的做法

1. 让懂业务的人自己搭，IT 只做支持。业务骨干知道规则的边界在哪，搭出来的东西才像干活的，不像演示的。
2. 先把隐性经验写下来。知识库不是形式主义——没有它，AI 就只是个会聊天的空壳。
3. 明确「谁拍板」并写进流程。这三个场景里，AI 全程只做预警、建议、初筛，最终判断都在人手上。这不只为了安全，也为了让一线愿意用它。

不止乳业：同一套打法的其他样本

• 赛力斯：SAI 2.0 上线半年，激活率 100%、日均使用 173 分钟、AI 日活超 7500 人，每天 2000 多篇会议纪要靠 AI 生成；技术文件审查覆盖率从 5% 扩到 100%，年省 5 万小时
• 南京钢铁：高炉专家计算模型搭在飞书上，单次关键工艺参数核算 30 分钟 → 5 分钟（提升 85%）
• 广东毅马：用飞书 aily 搭数据问答智能体，直连 ERP、MES，运营日报从人工 1 小时缩到 1 分钟，整体运营效率提升 40% 以上

赛力斯 IT 负责人有句话值得所有老板记住：「AI 组织的标志，不是 IT 做了多少项目，是 AI 有没有变成每个人的工作方式。」

老板该问自己的三个问题

1. 你的员工里，谁最懂某个环节的「门道」？
2. 这些门道现在存在谁脑子里，还是已经写下来了？
3. 如果这个人明天离职，这套判断还在不在公司里？

如果第 2、3 个问题答不上来，那你的 AI 项目该从哪开始就很清楚了——不是买工具，是先把人的经验变成能被执行的东西。

想给自己企业做一次这样的「经验盘点 + 场景筛选」？把业务清单发给我们，FDE 工程师上门或远程都可以，按你的流程出方案。