《AI赋能管理：新能源制造中高层提效与决策升级》

《三年后回头看，AI 不是替代你的工具，而是检验你的标尺》

AI 赋能管理：新能源制造中高层提效与决策升级

主讲：俞平老师

【课程背景】

公司主营动力电池、储能系统、电站建设运营、小动力及 C 端业务，产业链覆盖锂矿开采、四大主材、电芯、电池包、BMS、回收利用全环节；组织上形成中国动力、中国储能、美洲、欧非、亚太五大业务板块，加研究总院与财务、人力、供应链、品质、服务等总部职能平台。2024 年营收 354 亿元、2025 年 450 亿元、2026 年上半年 278 亿元。业务规模持续放大的同时，管理复杂度同步上升：多板块、多区域、多基地并行，国内为主、海外陆续投产，研产供销服与总部职能跨层协同，经营判断正从“看结果”转向“看过程、看预测、看全链”。

当前中高层管理正面临四类典型压力。第一，经营分析滞后且分散：数据散落在多个业务系统中，经营会往往“先凑数、再解释、后拍板”，缺少实时归因与情景推演。第二，成本与库存压力大：锂价波动、技术迭代加快，安全库存、呆滞库存与跌价风险难以平衡，多基地排产与海外爬坡进一步放大预测难度。第三，客户与交付管理复杂：动力电池重定点、重 JIT、重质量追溯，储能各场景差异明显，小动力等新兴市场需求变化快，销售端既要接单又要反哺产品与交付计划。第四，职能与业务协同要求高：财务、人力、供应链、品质等职能单靠人工报表和经验判断，已难以支撑高速扩张下的目标达成与风险预控。

AI 不是替代管理者，而是重构管理范式。对新能源制造企业而言，AI 可嵌入经营分析、成本管控、排产调度、库存管理、质量追溯、客户管理等核心场景，把中高层从“找数据、填报表、凭经验”中释放出来，转向“定标准、看异常、做决策、抓执行”。本课程基于制造业 AI 管理落地实践，结合动力电池与储能全链条场景，帮助经营层建立 AI 赋能管理的整体认知，借鉴标杆做法，明确中高层在 AI 转型中应扮演的角色与推进路径，服务公司从规模增长走向高质量、精细化、智能化经营。

【课程收益】

建立 AI 赋能管理的整体认知，理解新能源制造从信息化、数字化到智能化的演进逻辑。

认清中高层在 AI 转型中的责任：不是看工具，而是定场景、定数据、定流程、定结果。

借鉴动力电池 / 储能 / 大制造标杆案例，理解 AI 在经营分析、排产、质量、供应链、客户管理中的实际价值。

掌握“经营问题 — 管理场景 — AI 能力 — 组织机制”的映射方法，避免把 AI 做成纯 IT 项目。

能用 AI 视角重构经营分析会：从事后通报转向事前预测、事中预警、事后闭环。

理解成本管控中的 AI 应用思路：价格预测、边际成本、良率成本、库存持有与跌价风险联动。

理解多基地与海外投产场景下的排产协同、齐套分析与交期管理思路。

理解客户管理中的 AI 应用方向：需求预测、客户分层、报价盈利、质量追溯与售后提升。

识别总部职能 AI 提效场景：经营测算、人才管理、供应链寻源、品质闭环等。

明确中高层推进 AI 的落地路径：选高价值场景、理数据底座、设管理闭环、建跨部门机制。

形成本公司 AI 赋能管理的初步共识清单，可直接用于会后试点选题。

提升经营层“用数据决策、用模型校核、用机制落地”的管理习惯。

【课程大纲】

模块 1：AI 赋能管理的必要性与紧迫性

定位：少而准的背景导入，统一认知，不堆技术概念。

新能源制造进入“规模 + 技术 + 全链”三重管理阶段，管理半径持续拉长。

传统管理惯性的四个典型表现：经验判断多、系统核对多、会议材料多、异常复盘慢。

AI 对管理层的核心价值：经营透明、异常前置、决策提速、执行可控。

中高层常见的四个认知误区：把 AI 交给 IT、只买工具不理数据、重演示轻闭环、用 AI 替代管理责任。

公司经营场景的 AI 应用方向总览：经营分析、成本、排产、库存、质量、客户、研发、职能办公。

图1 · 全链条经营：AI 介入的八个落点（覆盖锂矿开采到回收利用）

案例：某企业人工排产协同周期长，智能排产后的巨大变化

模块 2：AI 时代管理方式升级与启发

定位：理念 + 标杆，重点讲管理模式变化、管理者角色重塑、可复制做法。

2.1 从经验管理到数据驱动

三种管理范式的演进：经验驱动、流程驱动、数据智能驱动。

数据驱动的管理闭环：目标设定 — 过程采集 — 异常识别 — 归因建议 — 决策执行 — 复盘沉淀。

中高层的新角色：场景发起人、数据治理推动者、流程重构者、AI 输出校验者。

2.2 智能制造与经营管理的贯通

产线数据对经营决策的价值：良率、设备效率、能耗、批次追溯如何反推成本与交付。

数据打通的管理前提：不追求一步全域，先统一指标口径，再分域推进。

智能制造的经营意义：不只降缺陷，更为经营可预期。

2.3 对本公司管理模式的启发

五大板块 + 总院 + 总部职能如何建立“统一指标、分域模型、分级授权”。

国内多基地与海外陆续投产：先建数据标准，再谈模型应用。

经营分析会的演进方向：从汇报材料中心转向指标中心 + 预警中心 + 决策建议。

图2 · 三种管理范式演进与中高层在 AI 时代的新角色定位

模型：管理范式三阶段演进模型 + 数据驱动管理闭环六步法

案例：标杆企业“统一指标口径 → 分域建模”的落地路径

模块 3：AI 嵌入核心业务管理场景

定位：紧贴公司实际，围绕经营分析、成本、库存、客户四大场景，讲思路、给方向。

3.1 经营分析与目标达成

AI 辅助归因与情景推演：价格波动、需求变化、爬产进度对年度目标的影响。

经营分析会的 AI 化应用方向：自动汇总、异常排序、行动项跟踪。

3.2 成本管控

全链条成本视角：从上游资源到回收利用的整体成本逻辑。

价格预测与采购节奏的思路。

3.3 库存调度与多基地协同

不同业务板块的需求预测思路：动力、储能、小动力各不同的建模逻辑。

安全库存动态化的管理方向：库龄、跌价、技术迭代风险联动。

3.4 客户管理

客户分层与需求预测：不同类型客户的差异化建模思路。

报价盈利分析与回款风险管理。

3.5 职能平台提效

财务：经营测算、预算偏差、成本归因。

人力：编制预测、继任管理、人才画像。

供应链：寻源比价、供应商风险、物流路径。

品质：批次追溯、客诉聚类、改进闭环。

图3 · AI 嵌入四大核心业务场景的落地思路

案例：动力电池企业用 AI 做价格波动情景推演，提前锁定采购节奏

案例：储能客户分层建模后，报价准确率与回款周期同步改善

模块 4：中高层管理者转变与 AI 落地推进

定位：从“听案例”转到“我们怎么推”。

4.1 管理者认知的三个转变

从“要报表”到“要指标逻辑与数据口径”。

从“拍板凭经验”到“经验 + 模型双校验”。

从“催部门”到“设场景、定责任、看闭环”。

4.2 管理者角色重塑（分层定位）

高管 / 经营委：定战略、选场景、配资源、破阻力。

板块负责人：对经营指标负责，提业务场景。

基地总经理：抓数据真实、执行闭环。

职能与销售负责人：财务建模、人才建模、预测建模、客户分层。

4.3 AI 管理落地四步（管理视角）

选场景：高价值、高频、数据可拿、结果可衡量。

理数据：统一口径，先小范围试点。

嵌流程：AI 建议进入经营会、排产会、成本会、客户评审会。

建闭环：预警 — 归因 — 决策 — 执行 — 复核 — 沉淀。

图4 · 四层管理者定位与 AI 管理落地四步法

工具：AI 落地场景评估矩阵（价值度 × 数据成熟度 × 落地难度）

研讨：围绕经营分析、排产库存、客户管理三个议题，任选其一，输出 3 条场景清单与责任部门；讲师巡回答疑，提炼共性结论

模块 5：互动答疑与经营改进建议

结合三季度经营分析会热点，回答 AI 与经营目标、成本、库存、客户、海外基地相关问题。

给出会后可启动的“轻量试点”建议方向。

图5 · 研讨共创输出与会后轻量试点推进路径

交付：本公司 AI 赋能管理初步共识清单 + 会后轻量试点场景选题