TE Connectivity：把AI從“話題”變成“算盤上的數字”

現在，AI的價值衡量標準正在從“有沒有”變成“好不好用、賺不賺錢”。

你的公司用AI了嗎？用了之后，賺錢了嗎？

你可能會以為，當一家公司里82%的員工都用上了AI，35%的業務已經實現規?；渴饡r，大家最關心的一定是“還能做出什么顛覆性產品”。

TE首席執行官Terrence Curtin直言：“真正走在前面的企業，是那些能把AI投入轉化為實際業務成效的企業?！?/p>

換句話說，AI用了四年，從實驗室走進工廠、供應鏈和日常辦公之后，大家終于開始認認真真地算一筆賬：這波投入，到底賺不賺錢？

01

AI“成熟期”的三個硬指標

當一家企業的AI應用真正長出了可衡量、可復制、可管理的能力時，我們才能說AI正式步入了成熟期。TE在《2026行業技術指數》指出，目前全球已有82%的受訪企業在不同程度上采用了AI，其中35%實現了AI的廣泛應用。

而現在，AI的價值衡量標準正在從“有沒有”變成“好不好用、賺不賺錢”。

TE中國區總經理兼亞太區人力資源副總裁張超在2026年《行業技術指數》媒體分享會上分享道，目前TE的AI戰略分為三個階段：文化轉型、流程轉型、價值最大化。他表示，TE目前正處于“將AI真正嵌入產品研發、物流、制造，甚至日常辦公”的第二階段，并加速向第三階段邁進。因此，可以將“從零星試點走向規?；渴稹币暈槌墒炱诘牡谝粋€硬指標。

第二個硬指標則體現在AI是否能夠深度嵌入核心業務流程，而非獨立存在。

正如TE汽車事業部中國區商業智能總監楊玲朗所說：“AI是否步入成熟期，有一個非常重要的標志：是否從技術驗證轉向價值創造的階段，也就是是否真正進入流程和業務指標，并持續產生業務結果”。

楊玲朗提到TE在幫助供應鏈團隊開展的一個排產項目中，傳統的方式是用Excel來處理排產的計算邏輯，但是隨著業務規模量的擴大，當數據量達到百萬級時，傳統的Excel計算能力就不夠了。

但在上線AI算法和系統后，原本需要6至7小時一次的排產縮短到6至7分鐘。由AI的算法和系統提供基于不同的業務目標的不同版本的排產，業務人員就可以根據自身經驗，來做下一步的判斷、調整和決策。

AI的價值必須可衡量，投資回報率（ROI）成為最終標尺是第三個也是最關鍵的硬指標。

TE今年的《行業技術指數》報告揭示了一個轉折點：受訪企業首次將財務目標置于產品創新之上。43%的管理者表示首要目標是增加企業利潤，工程師群體中也有31%將利潤列為首要目標。

在中國，這一務實轉向更加明顯。85%的中國受訪者表示其所在企業已在不同程度上采用了AI技術，超過全球水平（82%）。在AI相關決策上，74%的中國受訪者將成本列為AI應用的首要顧慮。

無論是視覺檢測帶來的效率提升，還是工藝優化保障產品性能，企業對于AI的運用能夠“看得見、算得清”，才是這項技術真正走過“青春期”的表現。

02

中國企業務實轉向：成本成為首要的顧慮不再怕監管，而是怕虧錢

在全球主要經濟體中，中國企業對AI的態度最為現實。

楊玲朗在2026《行業技術指數》媒體分享會上回顧了從2022年底ChatGPT問世以來的心態變化。

楊玲朗提到，在2023年TE主要關注的是如何驗證模型的能力以及它是否安全。TE意識到，AI真正好的前提，是企業內部數據得先治理好，如果數據標準不統一，AI不能理解數據，也不能真正幫助企業解決業務場景的問題。

“去年，我非常明顯地感受到中國的企業管理層會更加關注AI是不是能夠帶來實際的業務價值，對于AI的投入到底可不可以給公司帶來實際的成本節約。”

張超在發言中也談到，2025年TE中國區銷售額達到了46億美元，同比增長了31%，在全球占比中舉足輕重?！斑@樣的業績和我們持續的研發及AI投入是有關的，”張超說，“如果包括AI在內的各種技術投入不能帶來效益，那么我們就不會這樣去做?！?/p>

03

TE怎么做？——“不挑毛病，先擁抱”

當許多企業還在為“AI會不會取代我”而焦慮時，TE 從高層到一線，都在積極主動地擁抱AI。

張超在媒體分享會上透露，不久前TE在上海舉辦亞太地區女性工程師活動，兩位事業部首席技術官在沒有事先對稿的情況下，不約而同地談到了AI，核心態度就是“去擁抱AI，不要只挑毛病”。

哪怕AI現階段還不夠完備、結果不太對、存在數據安全風險，也要看到它每天都在進步。這種自上而下的文化倡導，成為TE在 AI戰略的第一塊基石。

TE的企業文化包括讓每一個員工都相信AI是“助手”而非“對手”。

在工程師群體中，這種文化被提煉為“AI First”思維。

TE高級總工程師、先進制造技術高級總監張丹丹博士解釋道：“比如在技術開發的時候，首先想到有哪些AI工具可以幫助到我?！彼窒砹艘粡埩钊擞∠笊羁痰氖疽鈭D：一位工程師坐在中間，周圍圍繞著一群AI助手，各有分工，還能彼此交流配合，7天24小時不間斷工作。工程師不再是重復勞動的“螺絲釘”，而是AI團隊的“隊長”。

為了讓“AI First”從口號變為能力，TE投入了大量資源進行培訓和賦能。

在TE汽車事業部中國區，第一期智能體培訓營就有60位業務部門的專家主動報名參加。楊玲朗總監說：“在我們事業部，是業務部門追著AI部門去做項目的。”這種用業務拉技術的生態，得益于TE對復合型人才的培養策略，既要懂業務邏輯，又要懂得AI能力邊界，讓AI真正成為“個人能力的放大器”。

與此同時，TE還通過開放式創新平臺“TE AI Cup”競賽與全球高校合作，今年吸引了27所高校超過300名學生深入TE工廠，參與真實的AI開發，新增的供應鏈與采購選題直接反映了企業的真實需求。對內培訓賦能，對外聯合育才，TE正在構建一個內外循環的人才生態系統。

04

真金白銀的落地

在TE的制造與運營體系中，AI是可以直接貢獻到效率、成本和質量的生產力工具。其中最具代表性的是AI視覺檢測。

張丹丹在分享會上提到，目前TE全球已經部署了超過800套AI視覺檢測系統，而且不再是過去“一個工廠裝一兩套”的試點節奏。

在亞太地區，有的工廠一次性就部署了幾十套甚至上百套。這些系統替代了傳統的人工目檢，不僅檢測速度更快，而且一致性更高，大幅降低了漏檢率和誤判率。張丹丹直言：“這些項目確實能夠為企業帶來看得見、算得清的價值?！?/p>

從“一兩套”到“上百套”的量變，背后是ROI被驗證后的信心質變。

在生產工藝控制領域，TE擁有大量的注塑機、沖壓機等設備，生產過程中涉及數十個工藝參數的協同控制，不同批次的原材料也可能帶來質量波動。過去，工程師靠經驗和反復試錯來調整參數；現在，AI模型能夠實時監控工藝數據，自動推薦或直接執行最優參數組合，從而穩定產品質量、降低廢品率。

張丹丹說：“通過AI對制作工藝的關鍵參數進行控制和優化，能夠很好地保障產品性能，并提升競爭力?！边@種優化帶來的價值直接體現在材料利用率提升和廢品成本下降上，同樣是可量化的ROI。

除此之外，材料工程師的日常工作也正在被AI深刻改變。

TE高級專家材料工程師、TE中國材料實驗室負責人黃忠喜博士分享道，為了滿足公司2032年范圍3碳排放相較2022年基準降低30%的可持續發展目標，團隊需要大量對比低碳材料與現有材料的性能指標。以前，把所有可用材料的數據放進Excel，靠人工逐一比對，完成一項篩選任務需要2到3個小時?，F在，借助AI工具，同樣的工作在5分鐘內就能完成?！肮澥∠聛淼臅r間可以去思考更多新的材料應用，”黃忠喜說。

從2小時到5分鐘，AI并沒有取代工程師，而是把工程師從繁瑣的數據比對中解放出來，讓他們專注于更高價值的創新工作。

05

智能體元年，瓶頸在哪？

當AI從“有沒有”走到“好不好用”，技術曲線的下一站自然指向了Agent智能體。

2026年被TE內部視為“智能體爆發的元年”。楊玲朗在媒體分享會上判斷：“現在是智能體爆發的元年，處于剛開始并持續推進的階段?！?/p>

智能體不同于傳統的大模型對話工具，它能夠自主理解任務、調用工具、執行多步操作，甚至與其他智能體協作。然而，從試點到規?；瘧?，制造業企業面臨著兩個明確的瓶頸。

第一個瓶頸是流程復雜度。楊玲朗指出，制造業的流程非常復雜，“用單個智能體去解決特定復雜流程具有挑戰性”。解決方案往往需要多個智能體的融合，并且還要與其他數字化技術協同，才能解決特定場景問題。這就要求AI工程師必須透徹理解業務流程的本質，同時業務人員也要真正懂得AI的能力邊界。

雙向理解，是智能體落地的第一道門檻。

第二個瓶頸來自系統和數據層面。智能體通常需要與企業內部多個系統打通，并獲取不同來源的數據。如果內部系統之間接口不統一、數據標準不一致，智能體就無法有效工作。

楊玲朗強調：“數據的治理、數據的一致性、數據能否被智能體很好地采用，是一個挑戰?！?/p>

在這方面，TE會先對數據進行分級管理，不同級別的數據共享需要經過嚴格的審批流程，既保障安全，又促進協同。張丹丹補充道：“我們有自己專屬的大語言模型平臺，能夠接入內部數據?！?/p>

從數據治理到平臺建設，TE正在為智能體的規模化應用鋪路。雖然挑戰存在，但楊玲朗認為，只要清楚挑戰具體的差距點在哪里，就能知道如何解決。

06

AI不是目的，創造價值才是

恰如張超在分享會最后所言：“企業在當前環境下更加關注價值創造的現實考量。一開始AI屬于很新奇的東西，到現在要回歸落實到本來的初心?！?/p>

無論是全球800多套AI視覺檢測系統的規模化部署，還是供應鏈排產從6小時到6分鐘的極致提效，TE用一個個“算得清賬”的案例證明：AI不是用來替代人的，而是用來放大人的。

工程師身邊多了一圈AI助手，業務專家手里多了一套智能工具，材料科學家從2小時的數據比對中解放出來去做真正的創新。而在可持續發展的長跑中，AI也在幫助TE以更低的成本、更高的效率逼近減碳目標。

當越來越多的企業開始像TE一樣，把AI從“話題”變成“算盤上的數字”，這場技術革命才真正走進了下半場：不是誰用得最早，而是誰用得最值。