一、行业拐点：从“拼规模”到“拼成本”中国钢铁行业正处在一个深刻的转折点上。粗钢消费量自2020年起持续

一、行业拐点：从“拼规模”到“拼成本”

中国钢铁行业正处在一个深刻的转折点上。粗钢消费量自2020年起持续下滑，产能过剩叠加需求收缩，钢价与矿价形成鲜明的“剪刀差”，行业效益被两头挤压。到今年9月，行业亏损面一度达到百分之七八十，越来越多的钢铁企业从“多产一吨就多赚一吨”的规模逻辑，转向“每一吨都要算清楚”的成本逻辑。

这种转变对企业的经营能力提出了全新要求。钢铁企业真正想要的，是一句朴素却极难做到的话：买的便宜、卖的贵、中间过程不浪费。买得便宜，意味着要在原料采购的时机与结构上做出精准判断；卖得贵，意味着要在品种结构、牌号定价和交付能力上建立话语权；中间不浪费，则意味着要把焦比、煤比、能耗、成材率这些指标拆解到每一道工序、每一个班组、甚至每一块钢坯。

然而现实是，大多数钢铁企业的数据能力，还支撑不起这样的精细化经营。

二、四道坎：钢铁企业数据应用的现实困境

钢铁现场设备老旧、环境恶劣，早期按局部最优思路建设的自动化层级架构，使得现场信号丢失严重，数据孤岛林立、标准缺失，很多关键工序的数据“采不上来、对不上号”。

不少企业的数据应用止步于可视化大屏——数据能看，但看不出问题；指标会跳，但说不清原因。异常洞察、根因分析、优化建议这些真正产生价值的能力普遍缺位，企业内部也缺乏既懂工艺又懂数据的复合型人才。

钢铁企业的成本、配方、工艺参数属于核心机密，客户对数据上云、模型调用存在天然顾虑，需要通过本体认证、字段级权限管控乃至人脸识别等手段，满足企业内部的机密管控要求。

即便建成了数据平台，如何把数据转化为可执行的经营动作，如何让一线班组长、工艺工程师、销售经理都能用得上、用得懂，仍是一道尚未跨过的门槛。

三、用友答案：一个平台、一套指标、一群智能体

面向钢铁冶金行业，用友给出的答案是“数据底座+行业智能体”的组合拳，其核心可以概括为三层。

打通内外部数据源，支持接入外部厂商数据，建立数据治理规则，形成包含焦比、煤比、吨钢能耗、成材率等行业特色指标的统一指标体系。数据不再是各系统自说自话的孤岛，而是同一套语言、同一个口径。

在统一指标之上构建经营驾驶舱，并引入大模型进行趋势分析与相关性分析。与传统BI最大的区别在于：大模型不只看单一指标的波动，而是结合全版面数据进行根源分析与优化建议，推动企业从“1.0大屏看数”跨越到“2.0智能决策”。

围绕钢铁企业最痛的场景，用友打造了营销专家、单卷成本、智能配料、废钢判级、设备诊断、班组交接班等一系列垂直智能体，把行业Know-how沉淀为可复用的AI能力。

四、六大场景：把AI写进吨钢成本里

品种钢的报价涉及牌号、工艺路径、成本构成和交期能力，过去高度依赖老师傅经验。营销专家智能体可自动完成牌号、成本、交期评审并生成合同，在百工钢铁的实践中，助力其品种钢营销比例提升18%。

结合时序模型对铁矿石、焦炭等大宗原材料价格进行预测，准确率可达70%左右，助力原料成本降低1%。对一家年产千万吨级的企业而言，1%的原料成本优化，就是数亿元的利润空间。

通过边缘计算模型精准核算每块钢坯的能源与杂质成本，并反向指导工艺优化。一个真实的例子是：出炉温度从1185度提升至1200度，吨钢成本可降低2.8至3.5元。这样的结论，靠人工经验几乎无法发现，靠AI却可以批量复制。

烧结智能配料较人工方案每吨可节约6.81元；废钢智能判级已在济源钢铁落地，实现吨废钢成本降低10元以上。配料与废钢是钢铁成本的两大“暗箱”，AI让它们第一次变得透明可算。

量化评价操作行为，抽象出最优工艺标准，并通过SPC工具优化工艺控制区间，在稳定质量的同时降低质量成本。老师傅的手感，正在变成全员可执行的工艺参数。

设备故障诊断结合历史故障知识库与当前现象进行智能判断，缩短故障停机时间；班组交接班智能体实现交接班信息线上传递与抽考，将班前会推进效率提升180%

五、结语：AI不是替代钢铁人，而是放大钢铁人

钢铁是一个重资产、重经验、重工艺的行业，它的智能化不可能靠一套通用大模型“一键完成”。真正有效的路径，是把行业指标、工艺机理、岗位经验沉淀进数据底座，再用智能体把它们送到每一个需要决策的现场。

从佰工钢铁的品种钢营销，到济源钢铁的废钢判级，从吨钢2.8元的出炉温度优化，到班前会效率提升180%，这些数字并不宏大，却真实地发生在高炉旁、轧机边和销售案头。当行业从增量时代走入存量时代，竞争力的差距，往往就藏在这些“几元钱”的细节里。

用友AI+钢铁，做的正是这样一件事：让每一吨钢都算得清，让每一个决策都有依据，让钢铁企业的经验资产，变成可持续的智能资产。