每一杯奶170M数据量的背后，蒙牛玩转AI！

蒙牛集团在全球乳业企业排名第八，在全球范围内有68座工厂，每年生产的牛奶、鲜奶、酸奶、奶酪等产品，营收近1000亿。

这么庞大的一个乳业集团，到底是如何做数字化的？又是如何快速融入AI时代的呢？在上周举办的 火山引擎春季Force原动力大会上，蒙牛集团副总裁、首席数智官李琤洁给出了答案。

从信息化到数智化，一步步走向AI

蒙牛集团发展到现在，大概走了25年。在25年里，数字化一直是蒙牛孜孜不倦追求的一条道路。回溯到最早的时候，从企业做ERP等数字化， 到今天一步步走向AI，蒙牛数字化的发展，整个路径是非常清晰的，可以分成货的数字化、人的数字化到AI驱动的数智化转型三个阶段。

在数字化1.0阶段，蒙牛基本上实现了所有流通供应产品的全维度数字化。从端到端，实现从奶源、工厂到消费者全链条的数字化覆盖，并计算出每一杯奶包含170M的数据量。

在2.0阶段，蒙牛围绕消费者的数字化，不但实现了2.2亿消费者的同人辨识，提出了“围绕同一消费者的个性化服务”，而且在深度洞察消费需求的基础上，再做细分化的产品，并为消费者提供适合的增值服务，增强消费黏性。

在今天所处的数智化3.0阶段，AGI如呼啸般的到来。其实，蒙牛探索AI开始的非常早，并不仅是基于生成式AI。而对于生成式AI，大概在2022年10月就开始进行整体布局，并在企业内整体应用。

蒙牛通过实施“AI驱动的双飞轮”战略，构建出以企业大脑和知识银行为引擎的技术底座，使AI能力对供应侧和消费侧进行全面加持。

然而，在李琤洁的认知中，要想完成AI转型，以下三大关键布局最值得关注。‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

三大布局之生产工具进化：

构建造工具的工具

第一件事情，就是技术平台，需要有一台“造机器的机器”。

蒙牛从2022年下半年开始探索，到今天逐步形成AI中台的能力。这样的AI基础设施，会在底部形成模型的调度层，对开源、闭源的模型评测，安全化运营以及企业合规的保障。这是一个整体的底座，所以蒙牛所有的AI Foundation都是在重构，就是这个道理。

AI基础设置之上，还需要“企业大脑”作为引擎。大脑是什么意思呢？

随着蒙牛一阶段数字化的能力形成，已经沉淀下来很多数字化的能力，在企业里呈现形式就是一堆API。这些API今天要被重新调度，让智能体调度这些API，组成和形成新的流程，并不断优化，完成一件件工作，所以这就是互相之间的能力调度层。

在企业内部，他们称之为“企业大脑”，它是对企业一阶段数字化积累的再应用。所以，大量的能力被整个调度层调度起来是非常重要的。

另外一个“引擎”，或者说最关键的，我们叫企业的“知识银行”。它把企业里所有的数据，从结构化的数据，到非结构化的数据沉淀下来的知识，以 AI 友好的方式存储和被使用。

这三台机器的运作方式，要有强劲的底层，然后要有能调度各种能力的调度层。那么，这个调度到底谁来给它指令？它就需要在企业的知识银行不断地学习，把企业的知识消化，以 AI 友好的方式来解读，进而形成一些调度的指令。企业大脑把这些模型调度起来，形成一个个可应用的智能体。

这是我们说的第一件要做的事情，打造一台“造机器的机器”。

三大布局之生产方式进化：

深入场景解题‍‍

蒙牛要做的第二件事情是在企业里深度地做场景解题。

每家企业的运作方式是不一样的，到底该构建哪些智能体？跟谁合作？哪些智能体应该自主研发？一系列的问题随之而来，所以我们对企业场景做了梳理，得出三大分类。

第一类，我们叫做通用技能。 越通用的技能，越应该跟生态合作来做。举个例子，群消息可以在IM里面完成；会议记录等很多的通用能力，都已经有了非常好的能力。所以，这些Agent的能力可以开箱即用，拿来提效。

第二类，是专业领域的知识。 专业领域的知识，分前台和后台。偏后台的，也相对偏职能性的通用。比如，人力资源领域，每天会收到很多简历，是不是有一个很好的Agent，可以帮我们智能筛选简历。再比如法务体系，很多层面可以做到降本和提效。今天市场上的 SaaS 厂商在做 AI 能力的提升，这个部分结合企业的知识数据，就能够很好地在企业内应用。

专业领域相对偏前台的，就跟业务场景结合的更多了。比如虚拟主播，不仅仅是生一段文字的内容，关键是生了文字内容后，要对产品做深度的解读，把产品知识跟主播技巧相结合，然后在合适的平台上露出，这需要把企业的能力跟外部能力结合。所以这部分偏前台的专业领域知识利用好，就能够做到提效和增收。

再有一类，就是企业非常特有的场景，叫做行业的专业场景。 它带有行业专业知识的Know How，比如说数据分析。今天蒙牛做了AIDM（智能数据助手），用大语言模型帮助一线的人员更好地应用数据，把数据的使用平权。

最早，我们说数据的PGC，专业人员产出数据报告；后来我们说数据的UGC，做一个集市，让数据分析师拖拉拽，形成业务要用的报告。真正最懂数据场景的是一线业务人员，为什么他不可以用自己的自然语言，以最快的方式跟速度，来了解他所要知道的情况，进而更好地获得建议。在他的场景里面，如何把这些数据的应用，变成一个个最佳解决方案，推进到下一个应用流程里面。这就是数据使用的平权，而这件事非常大量，需要结合知识银行，跟企业大脑协同把它做起来。

再比如，我们在去年8月，推出了 AI 营养师。当产品同质性越来越高，什么能够带来更高用户粘性？其实是服务。所以我们在产品上加了一个二维码，当消费者买了蒙牛的产品后，扫码都可以带回去一个定制化的 AI 营养师。这个营养师了解你、了解你家人的需求，不断给你定制化的需求，管理各种营养跟健康的场景。这些就是行业特有的场景，本质上它帮助企业从卖货，变成从人的层面上提供更多的服务，进而可能带来新的商业模式。

所以第二件事情，在企业里很重要的就是做场景解题，做好才能把 AI 的技术能力跟企业的应用结合起来，真正让它发挥企业级的效能。

三大布局之组织方式进化：

基于AISM平台，构建AI Agent矩阵‍‍

第三件事，就是一定要培养会用 AI 的员工。

在蒙牛，我们通过培训跟考试，认证了大概 370 位 AI 提示词工程师。他们在机器的最上层工作，已经自主的创建了大概 1700 多个AI应用。有的比较深入，把多引擎串联，有的比较简单，直接基于一个提示词完成单向的工作，类似于一个Bot的工作。这些应用每周大概有 6000多次调用，逐步地帮员工替代一些体能的工作。有些工作，我们发现它运作的很好，能够被多场景使用，或者提炼出来跨场景使用，我们就把它再加工，形成了企业级的 AI Agent。

今天蒙牛，企业级的 AI Agent有 6 个用的比较广泛。如在营销场景的“AI广告投放投手”。快消品行业每年广告投放量是非常大的，投入的费用跟投入的场景和终端非常多，所以我们创造了一个投手的AI Agent。

它基本上是端到端，可以把广告投放的闭环走完：从找一个产品的特色到用户策略，到媒体策略，再到投放策略，之后做投放和监控，并进行数据的回流。目前，我们大概有8个品牌在用AI广告投放助手做投放，整体能比传统的投放方式有12%的增强。

再比如“AI SEO专家”。大家都知道投广告之前，要做搜索引擎的优化。这在很多流程里是必要的一个能力，我们也把它 Agent化了。然后我们做 AI 的数据分析师，以及前面讲到的营养师，奶粉行业里用到的育婴师，运动产品里用到运动的营养师。

这些 AI Agent ，已经在蒙牛方方面面被高频的使用起来。特别是前面介绍的AI营养师服务平台，高粘度的服务了大概300万的用户。我们只有一个运营人员，从给用户测评，到告知用户怎么使用，到跟踪使用，整个人员只有一个人力投入，其他全部是AI Agent完成。

未来：AI生产力变革不可限量

传统型企业流程是靠口口相传，大家靠着经验去传递，靠着你认识我，我认识你。到了上一个时代，我们是把所有的事情流程固化，然后在流程引擎里面深度的挖掘，发现新的机会点做优化。现在，从数据到知识， AI 能够帮助大家逐步、持续、更好地调优流程，让流程一直在优化的过程中。

所以大家可以想象在 AI 的时代，企业的原生转型会变成什么？从跟机器之间一个Bot 的使用，到Copilot的使用，到最后你的Agent、我的Agent一起在工作。人可以干更高层面上的事情，都去想策略、战略的事情，想未来的事情，想发展的事情，很多的 Agent都是在体力跟智力的方面层层契合。那对生产型的企业来说，AI跟AIOT的协作也变得非常重要。所以通过这一系列 AI 的赋能，整个 AI 生产力会带来企业运作方式的全面颠覆。

如果看远一点，今天AI还处于初级阶段，能够用到的还是一个初级阶段的Agent。但它已经超越了基础的Bot层面，能做简单的生成。往前走，要让那些Agent有自主的使用方式，应该是一个Multi Agent的状态，有一些自主的决策力，能够自动、自发地解放人，带来越来越多的生产力，这是未来发展的方向。

深度的解读了我们的场景、实践和运用，过程中有很多尝试、很多成功点，也有踩坑。整体而言，我们觉得AI对企业赋能是完全不可逆的，整体往前发展，AI带来的力量是不可限量的！