南京市夜鹭云人工智能科技有限公司史杰松应邀到访昆山鸣朋纸业谈《包装行业如何做AI营销》

2026 年 10 月 9 日，南京市夜鹭云人工智能科技有限公司史杰松应邀到访昆山鸣朋纸业，跟一批纸包装行业的老板，做了一场闭门交流。当天在座的，有开纸箱厂开了二十年的老板，有做 ERP 的，也有做管理咨询的。

那天在昆山鸣朋纸业的会议室，三个小时的谈话，而贯穿始终的答案只有一句话：先别急着买工具，你缺的是一块地基。

南京市夜鹭云人工智能科技有限公司史杰松把当天的内容整理成下面七个部分。

一、AI 很聪明，但它不认识你的企业

南京市夜鹭云人工智能科技有限公司史杰松一直在讲一句话：AI 要在企业里干成事，靠的是三驾马车——模型选择、知识库构建、数据接入。少一样都跑不起来。

模型：三驾马车里最简单的一驾

模型反而是最简单的。现在模型厂家这条战线基本拉齐了，能力上没有特别大的差异，不像 2023、2024 年的时候跟硅谷差着一大截。模型中转站里常备的大模型就有七十多个，还不算冷门的。难的是后面两样。

知识库：地基的一部分

包装行业哪些盒型能接、哪些单子接了要亏、报价里有哪些门道，模型天生不知道，得靠企业把老师傅的经验、这些年攒下的制度和案例一点点喂给它，它才懂行。这一块急不得，后面会专门展开讲。而最要命的，是一个被反复忽略的事实：模型越来越聪明，是一个事实；模型越来越不了解你的企业，也是一个事实。这中间是个断层。多数制造企业的 ERP 是私有化部署的，数据不出厂；大模型再聪明，它也没见过你的客户档案、你的排产表、你的报价逻辑。它不可能懂。所以我当天没有只停留在模型，而是先问了一个问题：你的数据，现在能不能拿出来用？

数据孤岛：看着都通，其实只通了 10%

史杰松讲一个他看到的真实情况。大部分企业不是没有数据，是数据通得不够——A 系统跟 B 系统通，B 系统跟 C 系统也通，看着两两都通，其实只打通了 10%，离 100% 差得远。剩下的 90%，散在 ERP、CRM、财务、OA 各自的角落里。这就是数据孤岛。AI 的尴尬正在这里：它要的是数据，可你给不出完整、干净、真实的数据，它就取不了数，也就没法给你做任何决策。

你问 AI 明天天气，它能答，因为它能连上气象数据；问你的排产、你的客户，它手里没有数据，没有知识库。企业里的问题比问天气复杂一百倍，但道理一模一样：决策的质量，取决于你能给它多少数据。你要想让它给你一个准确的决策，回头看，还是这三样东西——好的模型、全面的行业知识库、还有你的数据。没有，就是实现不了。

痛点：企业最普遍的错位，是把钱和注意力花在最容易买到的模型上，而真正决定成败的数据底子，被当成 IT 部门的内部事务往后排。

结果是一边追着新工具跑，一边连自家的客户、排产和报价都调不出来——工具一直在升级，能拿来做决策的数据却没有增加。

史杰松的判断：三驾马车里，模型可以买，知识库里通用那部分也可以买，但真正决定交付质量的那部分只能自己攒。所以企业之间的差距，不会拉开在选了哪个模型上，而是拉开在要用数据的那一刻，拿不拿得出来。讨论 AI 之前先解决数据从哪来，这个顺序不能反。

二、数据资产是能被确权的数据

数据变资产，中间要跨一道确权

很多人以为数据资产就是"把数据存起来"。其实并不是。数据变成资产，中间要跨一道门槛：确权。这批数据是公司的，还是个人的？能不能在员工在职与离职之间交接？这件事说不清楚，数据就永远是数据，不是资产。

从个人微信搬到企业微信，这一步就是确权

南京市夜鹭云人工智能科技有限公司史杰松在服务的企业里做的最基础的一步，就是把客户资产从个人微信搬到企业微信上。差别在哪？个人微信里的客户，是业务员的个人资产。人一离职，微信带走，客户也带走，公司留不下——这个事你还没法较真，因为劳动法摆在那儿。企业微信里的客户，不一样。后台可以直接做在职继承和离职继承。人走了，客户档案、聊天记录、跟进过程全留给公司，一分不带。史杰松把这一步叫数据资产化，也是确权。做完这一步，数据才真正有了主人。

一个客户一个群，让信息在公司的池子里流

史杰松在服务的企业里有个方法很有效：一个客户一个群。2000 多个客户，就是 2000 多个群，群里固定有业务负责人、跟单员、售后服务经理、营销总监。客户所有的话都在群里说，所有的信息都在公司的池子里流。所以我想强调一句话：数据中台背后真正的逻辑，是把企业的数据当成资产来管理。不是存下来看一眼，是像管资产一样管它——有归属、有账目、有权限、有生命周期。

痛点：企业手里的数据，往往是"挂在岗位上"而不是"属于公司"：它跟着具体的人流动，人在时才算资产，人一走就归零，事后连追讨的依据都没有。真正缺的从来不是存储空间，而是归属——说不清归谁的数据，没人敢把它当资产用。

史杰松的判断 ：数据变成资产，第一步不是技术动作，而是一次权属交割：把客户关系从个人的社交关系里挪进公司的系统，让"人走"不再等于"资源走"。确权做完了，后面的中台和智能体才有东西可管；确权没做完，投进去的钱只是在给个人资产做加持。

三、数据资产怎么做（一）：先把地基打出来

当天有位老总讲了一段话，说得很准："数据中台建好了，上面就是标准插座，配件模块化配好，越往上升越容易。可要是底座没打好，短平快先用着，时间越长问题越大。"

后来有人补了一句更狠的，也是史杰松当天最爱的一句：万丈高楼平地起。你把地基打好了，一层盖得非常快；地基打不好，盖到几层发现不对，推倒重来。这笔预算谁来兜？所以史杰松说，AI 这件事的顺序是：先打地基，再谈装修。

中台是一个"半成品超市"

那这个"地基"到底是什么？是数据中台，也可以叫数字中台。我给它下过一个定义：中台不是一个软件，更像是一个"半成品超市"。ERP、CRM、财务系统里的原始数据太原始、太碎、太专业，AI 直接抓是抓不动的。中台先把它们收上来，做成半成品，摆在货架上。上面各类智能体、各类业务应用，需要什么就取什么。但这里有一条边界，很多人搞混：数据的收集、清洗、脱敏、存储，是中台的事，不能交给 AI。为什么？因为 AI 会有幻觉。你让 AI 去清洗数据，它可能把一个数字"顺手补全"了，而你还不知道。这样出来的数据，谁敢用来做决策？

AI 在中台里只干两件事：取数和调数。它是个高效的调用者，不是数据的加工者。前提也很硬——你得先有数据，数据还得正确、真实、准确，它才取得到。

存储与取数：私有化，且只取你要的字段

存储这一块也说清楚：一定是私有化存储，用数据库软件存，不用文件形式。做中台的厂商，产品必须兼容主流数据库。兼容之后取数还得有自己的标准——就像仓库有几百种料，你只领这一单要用的那几种。

痛点：企业建中台的典型误区，是把它当成又一次软件采购：比功能、比报价，却没有人对数据的口径、归属和生命周期负责。系统上线之后才发现，原始数据进不来、半成品出不去，中台反而成了又一个需要被喂养的系统。

史杰松的判断 ：中台的价值不在多一套软件，而在把散落的原始数据做成统一口径、可以被反复调用的素材。这件事必须由人负责、由中台承载——一旦让模型去加工数据，它会用"看起来合理"去填补"事实的空白"，而数据最不能容忍的恰恰是这一点。

四、数据资产怎么做（二）：谁来牵头，怎么打通

南京市夜鹭云人工智能科技有限公司史杰松反对让企业自己硬扛，也反对把 ERP 绕开。当天企业负责人讲得很直白：建数据中台，把 CRM、ERP 打通，做成智能底座，上面像插件一样插上去就好了。我说点不同意见。数据中台是个战略，不是个小事。它有三个难点，得先摆在桌面上：

1、难点一：投入大，200 万到 300 万

史杰松了解到的行情，找专业厂商做一套数据中台，成本大概在 200 万到 300 万之间。这还只是一家厂商的报价，不代表全部。

2、难点二：考验原有系统的数据资产结构

这关乎ERP、CRM、财务软件这些老系统里的流程和数据。结构化的数据好办，非结构化的麻烦——而最核心的非结构化数据，恰恰藏在 ERP 和 OA 里流转的管理制度、管理流程、客户聊天记录、沟通过程里。

3、难点三：它不见得马上有结果

从建中台到拿结果，中间还隔着一个组织过程、人员过程。谁要是指望它下个季度见效，那大概率会失望。那谁该来牵头？这个问题史杰松回答得很直接：数据中台这个活，应该让 ERP 厂家来牵头干。道理很简单：ERP 厂家近水楼台先得月。你的结构化数据在人家手里，流程在人家系统里跑，人家最清楚数据的口径和血缘。企业绕过 ERP 直接找第三方做中台，是把顺序弄反了。

当天还聊到一个很现实的卡点——接口。有的 ERP 厂商只开放"自然录入数据"的接口，也就是人工录入的那部分；流转之后经过算法加工的数据，不开放。那你怎么接？只能先把订单源头这一段接上，做到完工为止，再往下就接不动了。在签 CRM 和财务软件合同的时候我就写进去了：必须打通，或者必须留端口。这是基础性要求，不是可选项。

打通的方式也讲清楚：CRM 到 ERP 是端到端直连，客户在 CRM 建档，订单从 CRM 直接流转，取数走 API 接口，不做数据库复制。数据库复制看起来方便，但复制过来那份版本你还得再做一次清洗和修改，反而多一道活。

还有一个数字，很多人会好奇：中台里存的 CRM 数据和 CRM 自己的数据，重叠多少？答案是重叠 40% 到 60%。重叠的是客户档案、跟进信息、关联信息；不重叠的，是那些最鲜活的过程描述——今天客户说了什么、明天客户又追加了多少。这些过程记录，恰恰是最有复盘价值的。

痛点：数据打通真正的阻力，很少来自技术本身：报价高、老系统结构复杂、周期长到看不见结果，都还只是表层；更硬的是接口——数据在别人的系统里，能不能拿、能拿到哪一段，不由自己说了算。企业常把它当成一次采购，实际上它更像一场关于数据边界的谈判。

史杰松的判断：数据中台不是一道软件采购题，而是一道主导权题：谁掌握数据的口径和血缘，谁就该来牵头打通。让离数据最近的一方负责，成本最低、顺序最对；企业自己硬扛，或者另找一家从零拼装，看似绕开了依赖，实际上把最关键的一段留成了空白。

五、知识库：把老师傅的手艺也变成资产

数据之外的另一半地基，是知识库。当天有人问了一个很实在的问题：企业要建知识库，可现有的东西分三类，这三类怎么处理？

1、第一类：已经写在纸上的

公司章程、管理制度、操作手册、作业标准。这类东西——只要企业愿意给，对我们来说都不是问题。给它做成问答、做成各种形式，是我们的活儿。最终给你一个结果。所以史杰松说：凡是书面上有的，都不是问题。

2、第二类：老师傅脑子里的

这类最难，因为卡在两件事上：他给不了，和他不愿意给。你问一个老师傅"你的经验是什么"，他往往不知道怎么讲；技术专家和一线工人，很多时候也不愿意讲。

史杰松最初是两种办法都试过：一是培训。让技术专家来上课，计划之内的、计划之外的，所有现场的视频、音频全部留下来。这就是知识库最原始的语料。最缺的就是这个原数据。二是直播。我们定的是每周三做技术分享直播，一个半小时，必须讲满一个半小时。老板看、员工看、同行也看，他不好好准备对得起自己吗？再加一位主持人提问引导，不断发散，一场直播下来，一整套经验就留下来变成视频了。

所以南京市夜鹭云人工智能科技有限公司团队后来的做法是：搞一个模板，让他先填，比如机器维修，当时什么故障、什么原因、采取了什么措施，一层层往下走；他填出草稿之后，再安排一个年轻人陪着聊，聊完整理出来，再拿给他确认。就这样一点点挖出来。

3第三类：行业通用的，花钱买过来

这类大多是公开的、通用的知识，花点钱买过来就行。对企业来说，这是最省事的一类。

三类来源之外，还有一个硬性的分界线要划清楚：中台里的业务数据一律私有化；知识库按涉密程度分级，非涉密制度类可上云。因为员工手册这种东西，就算给到竞争对手，对公司也没有实质影响。但客户档案、合同、交付周期、生产排期表这些涉密的，必须做私有化部署，绝对不上云。

痛点：知识库最容易卡住的地方不在技术，而在人：能写下来的早就写下来了，真正决定交付质量的经验，本人往往既说不清、也未必愿意讲。企业最值钱的那部分知识，就这样长期停在无法交接的状态里——它留在了具体的人身上。

史杰松的判断 ：知识库能做到什么程度，不取决于买了什么工具，取决于企业愿不愿意花时间把隐性经验挤出来。书面制度和行业通用知识都容易补，真正拉开差距的是——在师傅手里的那部分：没法书面交接，只能靠长期记录、追问和确认，一点一点转成组织资产。

六、一本实在账：数据资产带来的变化

为了让上面的道理不像空话，我拿一家企业客户的真实账本说话。这套 CRM 上线快半年，每 15 天做一次数据复盘和监控。现在他们所有的营销会议，不再凭感觉，全部用后台数据做考核和评定。上 CRM 最大的问题，不是软件的问题，也不是费用的问题，是流程再造和组织变革。

1、客户必须进公海

2000 多个客户，原先基本都在业务员自己的脑子里。客户里有活跃的、沉睡的、消亡的，因为没有分级管理，新员工接不了手，缺的就是一个"公海"。上了 CRM 之后，我们立了一条红线：所有客户必须进 CRM 公海，不允许只留在业务员个人手里。订单没在 CRM 里走一遍，就不算有效订单，跟业绩提成也没关系。这条一立，数据才真正长出来。

2、AI 接手复盘：2000 多个客户群

2000 多个客户，就是 2000 多个客户群。销售总监不可能一个个看，那他的活儿谁来干？AI 看。AI 把当天所有群的信息过一遍，告诉他：哪些工作今天必须注意、哪些明天要完成、哪些问题需要他出面。然后他拿着这个结果，加上 CRM 的数据，去开夕会——数据代表客户完成情况，AI 结果代表实际交付情况，两下一对照，会开不开、怎么开、谁来参加，一目了然。

目前 AI 在这 2000 多个群里主要干三件事：每日复盘、每周复盘、每月复盘。看什么？今天下了多少单、订单跟进到什么程度、下单过程中有没有问题、对产品质量有没有提出新需求。原则只有一句：聊天记录里有的，它就能复盘；聊天记录里没有的，复盘不了。

这里有一条法律红线，必须说清楚：打电话不行。这涉及个人信息保护，法律上是不能碰的红线；但微信群聊内容可以用，前提是客户知情，并且脱敏之后才能进语料库。电话是红线，聊天记录是资产。

痛点：数据资产这件事，最容易在最后一步失败：系统买了、培训做了、口径也定了，但一线还在按老习惯办事——客户留在个人手里，订单走线下，数据自然长不出来。缺的从来不是工具，也不是预算，是把新规则真正执行下去的组织能力。

史杰松的判断：数据资产带来的收益是可以量化的：获客成本、考核颗粒度、复盘频率都会变。但收益的顺序不能颠倒——先把规则立在前面（客户归公司、订单走系统），数据才会自己长出来；任何一项指标的改善往上游追，追到的都是流程再造和组织变革。

七、AI 落地：三个阶段，三个层次

AI 进企业这件事，南京市夜鹭云人工智能科技有限公司史杰松认为分三个阶段，绕不过去。

1、第一阶段：老板认同

这是一把手工程。有的老板还认为 AI 是泡沫，是小孩玩的东西，是个人行为——那这事儿就不用再考虑了。你自己不认同，别人更不可能认同。

2、第二阶段：找一个场景用下去

不用大，一个小场景就够：AI 做 PPT、AI 写公众号、AI 打外呼电话、语音克隆……找一个先用起来。用完拿到一个小结果，大家发现"这东西还真不错"，才有可能往下想。

3、第三阶段：系统化、规模化

这时候才轮到数据中台、知识库、组织培训这些重活上场。而这一阶段，已经把很多企业排除在外了——因为他们不具备那个能力。当天有位老总提了一个我觉得特别好的框架，是"AI 进企业的三个层次"。

第一层：评估工作

让 AI 先看一遍你现有的工作、工作流，给你的工作健康度打个分。做得好，它给你肯定；有差距，它指出来。这是 AI 最容易做、也最没有风险的一层。

第二层：替代工作

把人做得很累的、重复的部分交给 AI。以前加班，现在不加班；以前干 12 小时，现在 8 小时。是替代工作，不是替代人。

第三层：指导工作

这是最高境界，也是最难的。就像最前沿的模型能在上万个目标里排优先级、做毁伤评估一样——它能告诉你下一步该干什么。但要它指导你，前提还是那三样：好模型、全的知识库、真的数据。

提醒：还有一个组织上的问题：很多企业的员工，用 AI 只用豆包。现在多数人用的还是通用对话产品，你问它今天天气怎么样，它答得挺好；可企业里要的是干活，不是对话——干活要用能干活的智能体，工作台、工作流这类工具，是现在最低的标准。

门槛不在技术，在人。南京市夜鹭云人工智能科技有限公司服务的企业里，一线员工的年龄偏大、数字化基础相对薄弱，这是事实。所以我们做 CRM 培训的时候有一条铁规矩：每次培训控制在 5 分钟之内，一共只讲 3 个步骤，操作非常之简单。不少企业上 AI 的姿势是"跳级"：一把手还没真正认同，一个具体场景也没跑通，就先谈中台、知识库和全员培训。

预算花在了最重的那一步上，组织里却没有人相信这件事——投入越大，反弹越大。AI 落地有它自己的顺序：先解决认知，再用一个具体场景换回一次可信的小结果，最后才谈系统化和规模化。