物理 AI 大环境下，造出一台 AI 汽车，与转型为一家 AI 企业，这两件事的紧迫性，是一致的。

但谈起转型，多数车企即便在组织层面大刀阔斧地改革后，依然会迷茫：到底该往哪儿使力，AI 才会成为「神之一手」。

讨论这个抽象的问题很复杂，不如先接地气一点，回答一个更实际的问题，即 AI 怎么做到提质增效？

当下，效率足以决定车企身位。研发模型的迭代节奏、产能爬坡的调度能力、供应链的预警与调整，慢下来就意味着落后。

一种解决方式，是从内部搭建一套 AI 体系，比如宝马自上而下搭建了一套智能体系统——「盖亚」。另一种方式则是找到合适的 AI 平台，进行深度共建。

零跑与 WorkBuddy 的合作，就完成了这一逻辑的验证。

今天，WorkBuddy 宣布正式「入职」零跑，AI Agent 落地 40 多个核心业务场景，横跨整车研发制造与采购供应链，覆盖软件质量、工程数字化、智能座舱测评、实验室管理等核心业务域，平均提效做到了 90%。

从中可以得出两点结论：

第一，现有智能化平台已逐步具备进入车企核心业务域的成熟度，落地效果有了实证。

第二，AI 不再是单独被调用的编程工具，它以一种更直观、也更底层的方式融入组织上下文，成为车企核心生产力。

01

「小而痛」的需求，

被立刻解决

特斯拉深陷产能危机时，马斯克一针见血得指出了一种「错位」。设计工程师坐在远离产线的办公室里画图，而真正要把图纸变成车的人，在工厂里反复试错。

效率本质上是一道「密度」题。人员之间的密度空隙一旦过大，信息和指令在传递过程中就会不断损耗。

解决问题的方式就是填补空隙，就像马斯克最后让工程团队把工位搬到了装配线旁，让设计端从一开始就考虑生产可靠性，问题也能当场反馈、当场调整。

但在车企这一承载成千上万人员，数百条流程体系的庞大组织中，这种空隙几乎无处不在，也很难全部填平。大项目优先填的是主干道，而那些「小而痛」的需求，正在成为拖慢效率的症结。

典型案例是冲压模具管理。

冲压作为整车制造的核心工艺，精度会直接决定品质。一副大型模具重达数十吨，从设计到制造周期漫长，管理流程极为琐碎。

模具管理员每天要翻手工台账，对照每副模具的累计冲次记录，估算哪些快到期了、哪些该保养。

这甚至不是到点就换的事，不同模具的磨损规律不一样，同一副模具在不同冲压材料、不同机台参数下的损耗速度也完全不同。判断准确，纯吃经验。

理想情况下，应该建一套覆盖模具台账、冲次记录、保养维修、寿命监控、报废判断等 12 个模块的软件系统。

但按传统流程，仅需求与设计环节就需 12 个人天，系统开发约 70 个人天，合计约 100 人天。

并且，在 IT 排期表上，MES 升级、ERP 改造、数据中台建设，这些几百人天、影响全公司的项目占据了 IT 绝大部分产能。冲压模具管理这种「一个车间、一个模块」的需求，不够战略级，ROI 也不够亮眼，只能往后排。

最后这类需求积压越多，IT 与业务之间的沟通损耗越大，交付效率越低。

同样的逻辑，也能套在试验车下线交付层面。新车上市前，一份 Excel 在几个部门之间来回传递，遗漏反馈信息，传错版本的情况时有发生。

这些问题属于所有车企的通病，但现在，零跑与 WorkBuddy 合作，先把问题解决。

一方面，非 IT 人员可以自主解决开发需求，不用等待排期。

比如，开发人员自己搭建起冲压模具管理平台，10 个人天、两周上线，投入节省约 90%。模具全生命周期管理第一次有了统一、实时、可追溯的数字化平台。

另一方面，AI 应用高效落地后，人员协作、沟通效率明显上升。

同样，员工自己搭建的试验车下线及交付跟进系统，覆盖下线、临牌、运输三环节协同，69 台试验车状态做到实时跟进、及时反馈。

放在传统流程里，开发还得要 45 人天，这次仅用 5 人天完成，也节省约 89%。

本质上，WorkBuddy 已经把传统的开发流程颠覆了。过去「需求对齐—排期等待—开发交付」的跨部门链条，被压缩成了需求部门内部运转、跟进解决，对齐成本大幅减少。

数字化平台的高效搭建，也让数据流通更便捷，信息共享更及时。当部门、人员之间的「空隙」被拉紧，整个车企效率的齿轮自然转得更快。

02

老师傅的 Know-How，

可以变成 Skill 

零跑体系内部，类似冲压模具管理、试验车下线交付的案例已经超过 40 个。

在整车业务线，软件质量管理平台、智能座舱评价体系、整车制造数字化中台、实验室信息管理系统，均在 WorkBuddy 助力下有了实打实的提质增效。

此外，车联网、智能驾驶等电子产品线，以及供应链采购、审计等关键环节，WorkBuddy 也在同步铺开。比如帮助智驾导航产品快速构建原型、加速迭代等。

不夸张的说，以 WorkBuddy 为代表的 AI 平台，正在打通车企的「任督二脉」，让业务流、数据流、协作流，从此贯通。

从中可见，WorkBuddy 的入职，本质上是三种能力的入场：AI Coding、Agent 协作、Skills 生态。

这意味着它同步干了三件事

• 非 IT 人员自主解决开发需求；
• AI 应用可以高效落地；
• 业务经验沉淀为可复用的平台能力。

数字提效背后是经验沉淀。把老师傅的 Know-How，封装成 Skill，是一件「长尾效应」极强的事情。它代表着超级个体进化为超级系统，再进化为超级团队的「关键钥匙」。

就像模具开发体系中，系统可以总结资深员工的经验，将其转化为可执行的操作程序，让判断标准不再依赖某一个人。

采购与供应链风控环节中，资深采购人员判断零部件价格变动的经验、识别供应商经营异常风险的逻辑，被拆解、被封装成技能。

车联网的重保前置体检专家同样如此，节假日流量高峰来临前，自动给多云环境做一次全面「体检」，替代人工逐云登录、逐项核对的繁琐巡检，把「老师傅盯屏」变成「系统自动跑」。

所以，封装 Skill 并不是简单粗暴地替代「人」的能力，而是把散落在个体身上的经验整合起来，让系统具备持续进化的底子。

比如，主动预警供应商风险，在异常信号传导到产线之前就发出提醒；车联网系统中自动发现隐患，把原本需要事后复盘才能发现的问题，提前拦截在流程里。

当 Skills 在一个生态里彼此连接、相互调用，系统就不再只是等着人喂经验了。它开始自己发现模式、推荐组合、优化流程，主动参与到业务流的运转里。

这种进化，会反过来回馈给组织与业务人员。

相当于，零跑的 40 多个 AI 应用并非孤立开发，而是在一个统一的 Skills 生态中生长，每新增一个业务场景的 Skill，整个平台的能力边界就扩大一次。

个体贡献 Skill，Skill 增强平台，平台反哺个体。飞轮转起来，AI Native 才真正从概念落到了组织肌理里。

03

Coding 只是基础，

AI 必须进入「组织上下文」

当下行业对于 AI 的想象力，大多停留在「写代码更快」、「一句话做 PPT」等办公任务上。因为体感最直接，一个工程师用上 AI，代码产出效率肉眼可见得提高。

但这个层面的能力，恰恰是最脆弱的。

模型迭代速度以月为单位，今天某个工具在代码生成上领先，明天就可能被更强的模型追平甚至反超。AI Coding 本质上是一层薄薄的接口。

更何况，AI 编程带来的个人提效，并未显著转化为组织层面的吞吐量改善，甚至导致，越用 AI，反倒越忙了。

工程师用 AI 编程省下的三小时，常常重新耗在验收、返工和跨部门对齐上。

计算机界有一条阿姆达尔定律，它表示，系统的整体加速比，始终受限于没有加速部分的比例。

系统类比组织，在任何组织内部，协作才直指效率核心，由此，AI 工具如果提升的只是某一个节点的速率，其实作用只在表层，只有打通组织上下文，让 AI 真正理解各部分运作的规则、体系，才能成长为快速上手、也能高效协作的数字员工。

WorkBuddy 的进场正是如此，把「没有加速的部分」极致缩小。

业务人员自己编程，是把流程打通。一个需求从提出到落地，不再需要跨部门来回翻译。同样，专家经验封装成 Skill，是把知识上下文交出来。

再往下走，AI 吸收的是组织上下文本身，原本散落在部门墙里、Excel 表里、老员工脑子里的隐性规则，被装进一个流转增值的平台。

相当于，WorkBuddy 的能力已经向下扎根，成长为企业组织能力的一部分，演变为企业不可迁移的数字资产。

另一个视角看，零跑作为新势力标杆，为什么迫切在推动这件事？

零跑当下主导的核心战略是全域自研、零部件创新。这套打法过去的底层逻辑，是用工程化能力，如工厂自建、零部件自研把成本压下来、把效率提上去。

而 WorkBuddy 的入场，则是更进一步，通过 AI 能力打底，把这套工程化效率基因，从制造端延伸到了每一个业务环节。

同样的课题，其它车企无法逃避。

零跑不是孤例，长安汽车与腾讯联合启动了首届「AI 火箭班」，从内部选拔业务和技术骨干，以 WorkBuddy 和 CodeBuddy 为实训平台，覆盖场景拆解、知识库搭建、Skill 技能包开发、多 Agent 编排的全链路培训与实操，目标是把这批人培养成既懂业务、又能上手构建 AI 应用的角色，打造可上线、可运营的「硅基员工」。

这也回到一个更根本的判断上。车企转型 AI Native 组织，不需要等 AI 能力成熟到完美再行动，也不需要先完成彻底的组织变革后，再引入 AI 工具。

先把实际的痛点解决，让业务人员先用起来，让经验先沉淀下来，让组织在 AI 能力的使用中自然进化，这是更符合多数车企现实条件的转型节奏。

毕竟 AI Native 组织强调的是「Native」，组织自己拥抱 AI，远比 AI 被强行植入组织，要走得更远，也更深。