你总要留下点什么,脚印也行

  • 如果当年刘备有了 AI,还需要诸葛亮么?

    如果把三国故事搬到今天,刘备创业时大概会拥有一个非常强大的 AI 助手。

    它可以帮刘备分析天下局势,整理各路诸侯的实力,预测市场机会,撰写募资计划,设计组织架构,甚至模拟曹操、孙权可能采取的行动。

    刘备只需要输入一句话:

    “请帮我制定一套复兴汉室的战略方案。”

    几秒钟后,一份完整的报告也许就生成了。

    里面可能包括宏观环境分析、竞争对手画像、资源盘点、阶段性目标、风险预案,以及一份看起来非常专业的《隆中对》升级版。

    那么问题来了:

    如果当年刘备有了 AI,还需要诸葛亮么?

    我的答案是:需要,而且可能比以前更需要。

    一、AI可以生成《隆中对》,但不能替刘备决定要不要出发

    诸葛亮第一次见刘备时,提出了著名的“隆中对”。

    他分析天下形势,判断曹操、孙权和刘备各自的处境,提出先取荆州、再取益州,最后形成三足鼎立的战略。

    如果放到今天,这部分工作确实很适合交给 AI。

    AI可以收集大量信息,快速比较不同方案,帮助我们分析竞争环境,也可以根据历史数据,推演几种可能的路径。

    但战略从来不是信息整理的结果。

    战略真正困难的地方,是在信息不完整、资源不足、风险极高的情况下,选择一条路,然后承担后果。

    AI可以告诉刘备:

    “夺取荆州有机会,但风险较高。”

    也可以告诉他:

    “进入益州能够获得稳定资源,但可能带来长期治理成本。”

    可它无法替刘备回答:

    你愿不愿意赌上自己的声望?

    你愿不愿意离开熟悉的地方?

    你愿不愿意在别人都不看好的时候,坚持一个暂时看不见结果的目标?

    刘备需要诸葛亮,并不是因为诸葛亮知道所有答案,而是因为诸葛亮能够在关键时刻,帮助他看清方向,并且愿意一起承担这条路上的不确定性。

    二、AI知道很多,但它并不真正认识刘备

    AI可以分析一个人的履历、性格、资源和行为记录。

    它或许能够判断刘备“善于凝聚人才”“具有长期愿景”“早期资源薄弱”,甚至还能做出一份详细的领导力测评报告。

    但诸葛亮和刘备之间,不只是信息匹配。

    诸葛亮看到的,是一个不断失败、屡次寄人篱下,却始终没有放弃的人。

    刘备没有曹操那样的强大资源,也没有孙权那样的家族基础。他最大的资产,可能只是别人愿意相信他。

    这件事,很难通过数据完全计算出来。

    一个人值不值得追随,往往不只取决于能力,也取决于他在困难时如何对待别人,如何面对失败,如何兑现承诺。

    AI可以帮你分析一个人,却很难替你真正信任一个人。

    而组织最重要的事情之一,就是建立信任。

    三、诸葛亮的价值,不只是“会出主意”

    很多人提到诸葛亮,首先想到的是足智多谋。

    但如果只把诸葛亮理解成一个高级顾问,就低估了他的价值。

    诸葛亮不仅提出战略,还参与了组织建设、人才安排、资源调度、外交协调和制度设计。

    他不是给刘备讲完一堂课就离开,而是进入了刘备的事业,成为其中的一部分。

    这也是 AI 和人的重要区别。

    AI可以给你十个方案,却不会自动替你协调团队。

    AI可以告诉你应该重用什么样的人,却不能直接建立人与人之间的关系。

    AI可以预测一个项目存在风险,但不会在团队最困难的时候,站出来说:

    “这件事,我来负责。”

    诸葛亮不是一份报告,也不是一个问答机器人。

    他是战略、执行、责任和关系的结合。

    如果刘备只有 AI,那么他可能拥有很多不错的建议;但有了诸葛亮,他才有机会把建议变成现实。

    四、AI越强,真正的“主公”越重要

    AI时代,很多人会产生一种错觉:

    只要工具足够强,个人就可以解决一切问题。

    但事实可能恰恰相反。

    工具越强,对使用者的要求越高。

    因为当获取信息、生成方案、制作内容都变得容易之后,真正困难的事情就变成了:

    什么值得做?

    什么必须放弃?

    什么风险可以接受?

    什么代价不能承受?

    刘备如果拥有 AI,他不会因此自动成为一个优秀的领导者。

    他仍然需要明确自己的目标,需要判断身边的人,需要做资源取舍,也需要在失败之后继续维持团队的信心。

    AI可以让一个普通管理者变得更高效,却不能自动让他变得更值得追随。

    如果刘备自己没有方向,AI只会帮助他更快地生成更多方向。

    如果刘备没有判断力,AI给出的方案越多,他反而越容易犹豫。

    如果刘备不愿意承担责任,那么 AI 越强,组织越可能变成一个互相甩锅的系统。

    所以,AI时代真正重要的,不只是“有没有工具”,而是有没有一个能够做决定、担责任、聚人心的领导者。

    五、也许诸葛亮会换一种工作方式

    如果刘备当年真的有了 AI,诸葛亮的工作内容一定会发生变化。

    他可能不需要花大量时间收集信息、整理材料、制作文书,也不需要亲自完成很多重复性工作。

    这些事情,可以交给 AI。

    诸葛亮可以把更多时间用在三个地方。

    第一,判断 AI 给出的信息是否可靠。

    第二,把复杂问题转化成真正可执行的选择。

    第三,和刘备、关羽、张飞以及其他将领建立共识。

    未来的管理者和专家,可能也会经历类似变化。

    AI会接管大量“看起来很专业、实际上高度重复”的工作。

    人真正需要做的,是理解背景、识别问题、做出取舍、协调关系,并对最终结果负责。

    这意味着,诸葛亮不会消失。

    他会从“知识提供者”,变成“判断者”和“组织者”。

    六、如果刘备只有 AI,可能会输得更快

    还有一种可能。

    刘备拥有 AI 之后,会变得更加依赖数据和模型。

    每次行动前,他都要求 AI 计算成功概率;每次用人前,他都要查看系统评分;每次做决定,都等待更多信息。

    最后,他可能拥有一套无比完整的分析系统,却错过了最重要的行动时机。

    历史上的刘备并不是每一次都做出了最理性的决定。

    但他能够在关键时刻相信一个人,也能够在条件并不完美的时候迈出第一步。

    现实中的创业和管理,很多时候都不是“找到确定答案之后再行动”,而是先作出选择,然后在行动中不断修正。

    AI可以减少盲目,却不能消除不确定性。

    它可以帮助我们看得更远,却不能替我们走出第一步。

    七、所以,刘备还需要诸葛亮吗?

    需要。

    但诸葛亮的角色会发生变化。

    他不再只是那个掌握信息、制定计策的人,而是那个能够在 AI 提供大量答案之后,指出真正问题的人。

    他会提醒刘备:

    这不是一个数据问题,而是一个选择问题。

    这不是一个效率问题,而是一个信任问题。

    这不是一个方案问题,而是你愿不愿意承担责任的问题。

    AI可以让刘备拥有更强的分析能力,却无法替他成为刘备。

    同样,AI也可以让我们写得更快、做得更多、分析得更全面,但它无法替我们成为一个真正可靠的人。

    所以,问题的答案也许是:

    如果当年刘备有了 AI,他仍然需要诸葛亮。

    而且,越是强大的 AI,越需要一个真正懂战略、懂人性、敢担当的诸葛亮。

    至于刘备自己,也必须明白一件事:

    不要把 AI 当成诸葛亮。

    要学会用 AI 找信息、做分析、提效率;然后把最重要的判断、选择和责任,留给真正的人。

    因为决定一场事业能走多远的,从来不只是谋略有多高明。

    还要看,有没有人愿意一起走。


  • 利润在哪里?产品去除率 41.3%:降损耗别先改工艺,先算账 (8020法则)

    去重占比 41.3%:降损耗别先改工艺,先算账

    那张重量差异表里,有个产品去重占比 41.3%。降损耗不是技术问题,是财务问题。按 8020 法则一拉,前 20% 产品吃掉了大部分重量差。我在厂里把这块成本压下来,靠的不是先改工艺,是先算账。

    背景不复杂。铸造和加工分段管理,各自指标都好看。铸造保成品率,愿意多留安全余量;加工保尺寸,不敢动老程序。重量差就卡在中间,变成铁屑和利润流失。

    主流解读是开技术攻关会。给铸造定得料率,给加工定工时,让技术团队调参数、改刀补。听起来顺,现场不是这么走。

    我的不同判断是:真正卡住的是考核机制。只考核铸造成品率,他一定多留铁;只考核加工效率,他恨不得一刀切。没人对中间那层被削掉的铁负责。

    我在厂里做运营时,用8020法则挑出重量差×出货量排前 20% 的型号。把去重占比高的产品单独拉清单,把多耗的毛胚重量、多预留的加工余量、加工工时折成成本,拿数据开两个车间的会。

    动作顺序变了。铸造技术团队不再全产品铺开,重点测实际加工需求,重评得料率;加工团队修正粗加工预留量,不再死守老程序。材料节约额度直接将产品的成本降低与业务新项目报价具备满满的竞争力。

    利润结果看节约的重量与制造浪费。前 20% 产品的单品去重重量平均下降了,对应材料成本节约了,这批产品利润增加了。工艺没大改,设备没换,账算明白了,动作就变了。

    这事儿对铸造、加工分段管理、各管一摊的离散制造企业最管用。只要技术指标和财务利润脱节,大家就会在各自指标里自保。

    先算钱,再动刀;顺序反了,损耗还会回来。

    先算钱,再动刀。你们厂重量差前 20% 的型号,财务折过钱吗?欢迎在评论区讨论!

    封面图片来自网路引用,如有侵权请告知!
    常见工具资料整理在这里:
    汽配, 制造业, 工具知识地图


  • 万物流转-查拉图斯特拉如是说

    如果水中有梁,如果河上架起桥,装上栏杆:这时再说“万物流转”这句话,就不会有人相信。
    就是笨蛋也会反对。“怎么?”笨蛋说,“万物流转?河流上不是有桥和栏杆么!
    河流上面的一切都是固定不动的,一切事物的价值、桥、概念、一切‘善’与‘恶’:这一切都是固定不动的!”—可是,当严冬、这个河流的驯兽者来到时:就是最有机智的人也怀抱起不信任了;真的,不仅是笨蛋会这样说:“万物不应该是—静止的吗?”
    “根本上万物都是静止的”—,这是恰当的冬季明训,对干枯季节说的好话,对于冬眠者和蹲在火炉边的人乃是很好的安慰。
    “根本上万物都是静止的”一;可是对这句话持反对意见的却是春季的暖风。
    春季的暖风是一头公牛,不耕田的公牛——一头狂暴的公牛,一个破坏者,它用愤怒的角撞破坚冰!而冰块——又冲坏桥梁!
    哦,我的弟兄们,如今不是一切都在流动之中吗?一切桥和栏杆不都是掉进水里了吗?谁还坚持什么“善”和“恶”呢?
    “可悲啊!可喜啊!春季的暖风吹起了!”一哦,我的弟兄们,你们就到街上去这样宣讲吧!


  • 📍制造业, AI工具知识地图

    制造业 AI 工具知识地图:从业务场景到项目落地

    制造业 AI 工具知识地图封面:工厂产线连接研发设计、排产、质检、设备维护与数据分析节点。

    本知识地图面向中小制造企业,兼顾业务负责人的效果判断,以及 IT 人员的实施与运维。整体按“业务问题 → 工具选择 → 数据准备 → 实践案例 → 效果验证”展开。

    一、制造业业务基础:先理解工厂怎样运转

    • 生产模式:按库存生产、按订单生产、按订单设计;离散制造与流程制造。【文章待补充】
    • 业务流程:客户需求 → 研发设计 → 采购 → 计划 → 生产 → 质量 → 仓储物流 → 售后。【文章待补充】
    • 经营指标:质量、成本、交付、库存、设备效率、能耗。【文章待补充】
    • 管理方法:精益生产、标准作业、瓶颈管理、PDCA、A3、8D。【文章待补充】
    • 数字化系统:ERP、MES、PLM、WMS、QMS、EAM、APS 分别管理什么,与 AI 如何衔接。【文章待补充】
    • 战略部署/方针管理

    二、制造业场景地图:AI 可以用在哪里

    以下案例作为后续教程与实践选题。

    业务领域典型问题AI 与工具应用方向实践案例及验收重点
    销售与报价客户资料分散、报价慢需求提取、历史方案检索、报价资料整理建立询价整理助手;检查漏项率、报价周期
    研发与设计查资料慢、设计反复修改技术资料检索、设计辅助、方案比较产品设计知识助手;检查来源和工程约束
    工艺管理工艺经验依赖个人工艺知识库、作业指导书辅助编制工艺问答助手;检查版本、适用条件
    采购管理报价条件不一致、比价困难文档识别、采购条件提取、供应商分析自动整理比价表;检查字段准确率
    计划与排产插单频繁、计划难执行需求预测、约束建模、排程求解单产线排产试点;检查约束满足、延期情况
    生产现场日报多、异常跟进慢数据汇总、异常识别、任务流转生产异常日报;检查异常关闭周期
    质量管理缺陷识别难、报告整理耗时视觉检测、质量数据分析、8D 辅助单类缺陷检测;检查漏检率、误报率
    设备维护故障知识分散、维修依赖老师傅设备知识问答、故障分析、预测性维护维修助手;检查检索准确性和维修时间
    仓储与物流库存不准、缺料与积压并存单据识别、库存分析、补货与路径优化呆滞库存分析;检查库存和交付改善
    能源与安全能耗异常难发现、记录难汇总能耗分析、异常提示、巡检资料整理单位产品能耗分析;核对基线与异常原因
    售后服务历史维修记录难查服务知识库、工单分类、处理建议售后知识助手;检查答复准确性、处理周期
    经营与协同经营报表滞后、会议任务遗漏报表解读、会议整理、行动项跟踪经营分析助手;检查数据一致性和任务落实

    三、AI 工具箱:按能力建立工具目录

    工具箱同时收录 AI 工具,以及数据处理、流程自动化和优化求解等配套工具。

    1. 通用大模型与提示词

    • 需求梳理、资料总结、方案起草、代码辅助。
    • 学习输入背景、约束条件、输出格式和结果核验。
    • 代表入口:DeepSeek。

    2. 文档识别与信息提取

    • 图片转文字、表格识别、订单和检验报告字段提取。
    • 学习扫描质量、字段校验、异常单据处理。
    • 代表工具:PaddleOCR。

    3. 企业知识库与问答助手

    • 制度、设备手册、工艺文件、维修记录的检索问答。
    • 学习文档切分、检索增强生成(RAG)、来源引用和权限。
    • 代表平台:Dify。

    4. 流程自动化与智能体

    • 连接表单、数据库、业务系统和消息通知。
    • 学习触发条件、审批节点、异常重试与运行日志。
    • 代表平台:n8n。

    5. 数据分析与预测

    • 数据清洗、分类、回归、聚类、异常检测。
    • 学习训练集与测试集划分、基线比较、效果评估。
    • 代表工具:scikit-learn。

    6. 机器视觉与工业检测

    • 缺陷检测、零件计数、装配检查、字符识别。
    • 学习相机与光源、样本标注、漏检和误报评估。

    7. 排程与优化求解

    • 生产排程、人员分配、配送路径和资源配置。
    • 学习目标函数、硬约束、软约束及可执行性。
    • 代表工具:OR-Tools。

    8. 设计、仿真与工业专业工具

    9. AI学习

    四、数据与系统基础:让工具接得上业务

    • 数据盘点:数据在哪里、谁负责、多久更新一次。
    • 主数据:物料、客户、供应商、设备、工艺和缺陷编码。
    • 数据质量:缺失、重复、单位混用、时间不一致。
    • 系统连接:文件导入、数据库查询、API、消息与事件。
    • 知识版本:文件有效期、历史版本、来源和适用范围。
    • 权限与审核:按岗位授权,明确自动执行与人工确认的环节。

    五、项目实施方法:从一个问题做成一个项目

    1. 选场景:确定具体问题、使用人员和发生频率。
    2. 建基线:记录当前耗时、错误率、成本和业务影响。
    3. 查数据:确认数据能否取得、质量是否足够。
    4. 做原型:选一类订单、一台设备或一条产线验证。
    5. 历史测试:用真实历史样本比较工具效果和现有做法。
    6. 现场试点:观察人员使用、异常处理和业务衔接。
    7. 项目验收:同时检查技术效果、业务收益和运行成本。
    8. 持续运维:管理知识更新、模型变化、日志、备份和故障。

    六、实践经验例库:把经验整理成可复用内容

    每个案例统一采用以下结构:

    业务背景 → 原有做法 → 问题与基线 → 所需数据 → 工具与流程 → 实施步骤 → 验证结果 → 适用边界 → 可下载模板

    优先积累三类案例:

    • 个人效率案例:会议记录、资料整理、报表分析。
    • 部门协同案例:订单交接、采购比价、异常闭环。
    • 现场专业案例:视觉质检、设备维护、排产优化。

    案例注明使用的是真实业务数据、脱敏数据还是演示数据,结果附上验证依据。

    七、配套资源库:

    • 场景立项卡:问题、负责人、数据、投入和目标。
    • 工具选型卡:能力、部署方式、集成方式、费用构成。
    • 提示词模板:询价整理、工艺问答、日报分析、8D 辅助。
    • 数据模板:订单、库存、设备故障、质量缺陷。
    • 工作流模板:识别 → 校验 → 审核 → 写入 → 通知。
    • 验收表:测试样本、指标、基线、结果和责任人。
    • 案例复盘表:有效做法、失败原因、后续改进。

    八、案例:


  • 纪念刘和珍君

    今天看到刘和珍君的离开,无奈,苦涩,欲言又止。

    想到劣币驱逐良币、死海效应……

    最后都化为:祝愿前程似锦


  • 2026-10-22今日运动10KM

    配速垃圾🤦


  • 战略部署/方针管理 – 一年又到尾声了,明年的计划在哪里?

    10月底,不少制造企业开始进入下一年度经营计划、预算和下一年度方针的酝酿期。

    对工厂中层来说,这往往是一个有些别扭的时点:上面“降本、提效、保交付”的方向已经或即将下来,下面车间还在冲刺Q4、做年度总结,两边都很忙,但两边说的不一定是同一件事。

    目标被分解成指标并不难,难的是说清楚——公司今年必须打赢的那几场仗,到底对应工厂里哪几条关键措施、由谁负责、用什么基线去验证、遇到跨部门依赖时怎么校准。

    如果这一步没有显式做出来,年度计划很容易变成一份层层分解后没人再翻的KPI表,现场改善也容易做得热闹却和战略连接不清。

    这正是战略部署(Policy Deployment / Hoshin Kanri)要处理的问题。这篇概念篇只聚焦一个核心问题:如何把公司层少数优先事项,翻译成工厂和产线可以承接的关键行动,并形成可追踪的上下承诺。 下面从场景痛点切入,介绍三个核心概念、七步落地动作、一张可复制表单和常见误区,供你在准备明年工厂计划时对照使用。

    一句话结论:战略部署(Policy Deployment / Hoshin Kanri)要解决的核心问题是——把公司层“今年必须打赢的几场仗”翻译成工厂和产线可以承接的少数关键行动,并在上下之间形成可追踪的承诺,而不是一份层层分解后没人看的 KPI 表。


    场景痛点:你所在的工厂很可能不缺“执行”,缺的是“连接”

    一个典型的制造现场并不缺少执行系统:日常管理、标准作业、Kaizen、六西格玛、OEE 看板,甚至已经执行了好几年。问题通常不在这里。

    问题出在于:这些改善活动是“真的”,但不一定是“ 有战略的”。车间这个月在攻关换型时间太长,下个月在压报废率太高,每件事都产生了可测量的收益;但如果你问产线主管——“你手上最大的三个改善项目,分别支撑公司今年哪一条优先事项?”——答案往往需要想一会儿,或者是一种事后拼接出来的合理解释,而不是一个事实。与此同时,公司层在讲“毛利率”、“交付准时率”、“产能爬坡”,工厂层在讲“OEE”、“良率”、“换型分钟”——两套语言,各说各的,中间没有翻译层。

    这就是战略部署要介入的地方。它的目的不是再建一套执行系统,而是在已有的战略层和现场改善层之间,建一条显式的、可检查的连接。

    核心观念:三个概念,不多不少

    概念一:战略部署(Policy Deployment / Hoshin Kanri)
    一套把公司级少数优先事项,通过双向校准,转化为各层级可执行措施和可验证指标的管理方法;它管理的是“流程和行为怎么对齐”,而不只是“结果怎么分下去”。

    概念二:X-Matrix(战略承接矩阵)
    用一页纸把“长期方向—年度目标—关键措施—责任人—指标”放在同一个画面里,让每条措施和公司优先事项之间的关系显式可见,而不是写在另外一份文件里。制造现场对这张图通常不陌生:它的结构和产线上“目标—对策—责任人—时间”的逻辑是同构的,只是抬到了工厂层级。

    概念三:Catchball(接球/双向校准)
    上级抛出初步目标,下级不是直接“接令”,而是带回可行性判断、资源缺口和风险反馈,经过 2—3 轮来回对话后才形成承诺;没有这一步,战略部署就退化为“穿着 X-Matrix 外衣的自上而下指令”。这是多数制造企业知道但跳过的环节,也是决定成败的那一层。


    落地步骤:7步,每步都有动作、输出和检查点

    以下步骤假设你不是公司战略的制定者,而是工厂/部门层的中层承接者。你的任务不是重新发明战略,而是把已经存在的公司优先事项接住、翻译、兑现。

    动作:找你的上级或战略归口部门,确认公司级年度优先事项到底是哪 3—5 条。如果对方给出 8 条以上,请追问:“如果只能保三条,砍哪几条?”方针管理的纪律在于选择,一张 X-Matrix 上挂 11 个年度目标,形式上还在,方法上已经放弃了。

    输出:一份不超过 5 条的“公司优先事项清单”,每条附一句“为什么是今年”。

    检查点:你能用一句话向产线班组长解释,为什么这 5 条中的某一条与他下个月的排产有关。

    第2步:识别你所在单元的“真实基线”,而不是接受一个公平分配的数字

    动作:把公司目标对应到你单元的当前实际水平。例如公司要求“制造成本下降 X%”,你需要先确认:当前单台制造成本是多少?主要构成是什么?哪些成本项是你可控的,哪些是材料或分摊?多工厂场景下尤其要注意:结构可以统一,目标值不能一刀切——不同产线、不同设备成熟度下的同一指标,基线差异可能远大于目标差异。

    输出:一张“基线—差距—可控性”简表,列出 3—5 个与公司优先事项直接相关的现状指标。

    检查点:每个基线数字都有出处(系统数据/财务口径/上一次盘点),而不是“大致”“估计”。数据缺失的,明确标注“需补充”。

    第3步:起草你单元的 X-Matrix 初稿——用“措施”,不用“口号”

    动作:在 X-Matrix 中,针对每一条公司优先事项,写出你单元准备做的 1—3 条关键措施。措施必须满足三个条件:可量化、可验证、有明确责任人。区分清楚:如果公司目标是“交付准时率提升”,你的措施不应该是“提升交付准时率”,而应该是“压缩 TOP3 瓶颈工序的换型时间”“建立关键物料三天滚动齐套检查”这类行为层面的干预。

    输出:一页 X-Matrix 初稿,至少包含以下字段:

    公司优先事项本单元关键措施责任人指标(含基线→目标)跨部门依赖复盘节奏
    示例:制造成本下降降低 TOP5 工序报废率工艺主管报废率 示例:4.2%→≤2.5%(需补充基线)质量部、设备部月度

    检查点:每一条措施都能回答“做完什么,指标会动”。如果一条措施无法指向一个可观察的行为变化,退回重写。

    第4步:跑一轮真正的 Catchball,而不是发邮件征求意见

    动作:把 X-Matrix 初稿拿到你的下级单元(车间/工段/班组)做一次面对面、有时限的接球对话。标准动作是:你抛出目标及其战略理由 → 对方带回“能不能做、缺什么、有什么替代方案” → 你记录并回应 → 必要时调整措施或目标值 → 再抛一轮。2—3 轮是常见节奏。Catchball 的功能不是“让大家舒服”,而是在承诺之前把歧义挤出来。一个被广泛引用的制造场景是:公司要求“减少浪费 15%”但没有定义“浪费”指材料浪费还是时间浪费,六个月后生产在做材料、市场在做效率运动、财务在用另一套口径,活动很多,进展很少。一轮前置的接球对话可以避免这种错位。

    输出:Catchball 记录表(见下文表单),以及修订后的 X-Matrix 第 2 版。

    检查点:至少有一条措施因为下级的反馈被修改或删除。如果一轮下来什么都没变,大概率你做的不是 Catchball,是通知。

    第5步:把 X-Matrix 钉进现有的月度节奏,不另起炉灶

    动作:制造企业通常已经有月度运营回顾或日管理看板。把 X-Matrix 中的措施进度和指标状态嵌入已有的回顾会议,用红黄绿标识,每月花 15—20 分钟只看向上的连接:措施是否在动?指标是否在向目标靠近?如果不动,是措施错了,还是执行断了?战略部署的 PDCA 应当复用现场已经在跑的改善回路,而不是另设一套会议体系。

    输出:一张月度“X-Matrix 状态页”,标明每条措施的红黄绿状态和下一个检查节点。

    检查点:回顾会上有人能说出“这条措施滞后,是因为跨部门依赖未到位/基线假设错了/责任人变更”,而不只是“继续跟进”。

    第6步:给每条措施配一个 A3 或行动卡,但不要求全部同时启动

    动作:对进入“黄/红”或处于关键路径上的措施,用 A3 格式展开:背景、当前状态、目标状态、原因分析、对策、时间节点、责任人。A3 的作用是把 X-Matrix 中的一行字变成可讨论的工作文件,而不是增加一层文书。尚未启动的措施保留在矩阵上即可,不必立刻全部 A3 化。

    输出:关键措施的 A3 或一页行动卡,与 X-Matrix 的字段一一对应。

    检查点:A3 中的“目标状态”和 X-Matrix 中的“指标/目标值”一致,没有两套数字。

    第7步:季度做一次“回看连接”而非只“考核结果”

    动作:每季度除了看指标完成率,额外问三个问题:① 当初选的关键措施,现在看是否仍然服务于公司优先事项?② 有没有现场改善做得很好、但没有进入矩阵的活动?如果有,是遗漏了,还是它本来就不该占用战略资源?③ 公司优先事项本身有没有发生变化?战略部署需要回传机制,而不是年初锁定、年底算账。

    输出:一页季度连接复盘,记录“保持/调整/退出”的措施清单。

    检查点:复盘产生了至少一项对下季度措施或资源的实际调整,而不是一份“总体良好”的纪要。


    可复制表单:X-Matrix 年度承接 + Catchball 检查清单

    以下表单面向工厂/部门层使用,不替代公司级战略文件,只用于承接和对齐。字段中的“示例/需补充”表示该处必须由使用者填入真实数据,不得编造。

    表A:X-Matrix 承接表(工厂/部门层)

    字段填写要求常见错误
    公司优先事项引用正式名称,不超过5条自行改写或增加未授权目标
    本单元关键措施1—3条/优先事项,行为化表述把目标抄成措施
    责任人具体岗位/姓名,一人负责“团队”“相关部门”
    指标与基线指标定义+当前值+目标值+数据来源只有目标值,没有基线
    跨部门依赖具体到部门/岗位和所需配合内容“需要协调”
    Catchball轮次记录轮次、参与层级、主要修改点只写“已沟通”
    复盘节奏嵌入现有会议名称和时间新设一个“战略会”

    表B:Catchball 记录检查清单(每一轮使用)

    • □ 上级是否说明了该目标背后的战略理由,而不只是数字?
    • □ 下级是否被明确邀请提出可行性异议和资源缺口?
    • □ 是否识别了至少一个目标定义上的歧义(如“浪费”指什么、“交付”按哪个口径)?
    • □ 是否记录了下级提出的替代措施或调整建议?
    • □ 修改后的措施/目标值是否写回了 X-Matrix 并注明了版本?
    • □ 下一轮(如有)的时间和参与者是否已约定?

    案例(基于公开报道的脱敏改写,具体数据需以原企业披露为准)

    中船澄西在其公开的精益管理实践中提到,公司以“成本领先、差异化经营”为核心战略,以方针管理为战略支撑,构建多维度、多层级的方针指标体系:纵向从公司到部门到条线做目标细化分解,横向推动业务价值链协同,并以季度跟踪、年度评比的方式推动方针落地,配合 QC 小组、合理化建议等全员改善载体。该报道同时显示,2023 年其全员劳动生产率较上年提高 28.38%,交船艘数从 2021 年的 12 艘增至 2023 年的 19 艘。

    从战略部署的视角看,这个案例值得中层管理者注意的不是数字本身,而是结构:方针管理没有被当作一套额外的报表,而是被嵌入已有的多层级指标体系和季度跟踪节奏中;纵向分解和横向协同同时存在,而不是只有“往下压”。这与制造企业最常见的失败模式形成对照——X-Matrix 画得很漂亮,但它和日管理、月度回顾、资源分配之间没有关系,最终变成“活页夹搁在架子上”。http://www.csic.com.cn/n5/n21/c29639/content.html


    常见误区

    误区一:把战略部署当成“更细的 KPI 分解”
    KPI 分解回答“每个人背什么数”,战略部署回答“每个人做什么行为变化、这些变化如何连回少数优先事项”。只分数字、不翻译成措施,矩阵会退化为考核表。

    误区二:跳过 Catchball,用“宣贯”替代“接球”
    自上而下的矩阵可以很快宣布,但执行会很慢,因为下级没有机会在承诺前说出“这个目标在我们的设备状态下意味着什么”。Catchball 不是民主表决,而是在方向不变的前提下校准路径和承诺。

    误区三:X-Matrix 上的目标越多,越“全面”
    一张矩阵承载 8 条以上年度优先事项,意味着没有真正的优先。方针管理的纪律是“关键的少数”,目标过多本身就是选择失败的信号。

    误区四:只建矩阵,不碰会议和资源
    如果 X-Matrix 不进入已有的月度回顾,不触发资源重新分配,不改变“什么被讨论、什么被追问”,它就只是一份规划文件。战略部署改变的是管理节奏中的注意力分配,不是增加一个文档。

    误区五:把“措施在动”当成“战略在推进”
    现场改善活动可以很热闹,但如果它不在矩阵的连接上,或者矩阵上的关键措施长期黄色却无人调整,说明系统只是在维持活动,没有在执行战略。季度复盘要看的不是活动数量,是连接是否仍然成立。

    行动清单

    1. 本周内:找出公司当前正式的年度优先事项清单,确认条数是否在 3—5 条以内。如果超过,写下你认为应该被“砍掉”或合并的是哪几条,以及理由。
    2. 两周内:选一条你直接管理的产线或工段,用表A 起草一页 X-Matrix。只填你已经有真实数据的字段,缺失的标“需补充”,不要估填。
    3. 两周内:针对矩阵中争议最大或依赖最多的一条措施,跑一轮 Catchball,用表B 做记录。重点不是说服对方,是记录下哪些假设被挑战了。
    4. 一个月内:把 X-Matrix 状态页嵌入你下一次月度运营回顾的议程,用 15 分钟只看连接和障碍,不新增会议。
    5. 本季度末:用第7步的三个问题做一次连接复盘,输出一页“保持/调整/退出”清单。如果一条措施连续两个月黄色且无实质动作,启动修改或撤出,不无限期挂账。

  • 元、亨、利、贞

    国庆在家看了看了《大明王朝1566》

    里面有段内容嘉靖帝卜了一卦—乾卦

    赵贞吉

    然后就给大家出了一个对联。

    上联:三光日月星

    这个对子难对的问题是上联是三,下联就不好用数字三,用其他数字,后面数字又对不上。

    众人答不出,于是就让徐阶来回了这个对联。

    徐阶就借苏轼曾经对过的两对

    第一对:四诗风雅颂

    四诗:《国风》、《大雅》、《小雅》、‌《颂》。

    所以把大雅和小雅合为雅,完美的避开数字问题。

    第二对:四德亨利元

    因避宋仁宗赵祯的名讳隐去了“贞”字,另外贞也有藏的寓意,同样避开了数字问题。

    元亨利贞

    《文言传》将“元亨利贞”分别对应天道(自然规律)与人道(君子品行)。

    “元、亨、利、贞”最早出自《周易》乾卦的卦辞,原本是古代占卜中用来表示“大吉大利、占卜结果极佳”的断语。到了战国时期,儒家经典《易传·文言传》对这四个字进行了深刻的哲学升华,将其定义为君子效法天地应当具备的四种至高品德,即“乾元四德”(或称《易》之四德)。

    四德核心字义《易传》定位对应季节生化过程对应儒家五常事物/项目发展阶段
    元始、大善之长春生(万物萌发仁(恻隐创生)立项与发心:确立目标、凝聚初心
    亨通、畅嘉之会夏长(繁茂畅达)礼(秩序沟通)拓展与执行:资源整合、流程跑通
    利宜、成义之和秋收(成熟结果)义(裁制适宜收获与分配:价值变现、利益共享
    贞正、固事之干冬藏(固本敛藏)智/信(守正明理)沉淀与复盘:坚守底线、巩固成果

    四德并不是走到“贞”(冬天/终结)就彻底结束了。冬天的潜藏与坚守(贞),正是为了孕育来年的春天(元)。这种“终而复始、贞下起元”的思想,体现了中国人看待世事变化的核心智慧:低谷与收敛不是绝境,只要守住正道与根本(贞),就能开启新一轮的生机(元)。


  • AI时代,如何让学习真正服务于成长?

    AI时代,如何让学习真正服务于成长?

    ——从西蒙学习法谈起

    AI正在重构各行各业的价值链。面对这样的变化,我们不仅要思考如何学习,更需要思考:未来三到五年,自己能够创造什么价值?应该成长为什么样的人?

    最近接触了“西蒙学习法”,结合自己的工作经历,有了几点思考。

    一、以终为始,找到学习的方向

    学习首先要解决三个问题:为什么学?学什么?怎么学?

    我认为,好的学习方向,应该是三个方面的交集:

    时代需要的价值 × 自己擅长的能力 × 内心愿意做的事情。

    例如,一名企业IT管理者,希望未来转型为独立数字化顾问,就可以从未来的角色倒推,识别需要具备的能力,再决定当下学习什么。

    方向与意愿一致,学习才更容易持续。

    二、学习的铁三角:动机、方法、时间

    可以把高效学习理解为一个铁三角:

    学习动机 × 学习方法 × 持续投入。

    动机决定方向,方法影响效率,时间带来积累。

    其中,学习方法可以进一步归纳为四个要素:

    ① 明确目标: 从需要解决的问题出发,而不是盲目积累知识。

    ② 拆解问题: 将长期目标拆解成一个个可以解决的小问题,让每天的学习都有具体成果。

    ③ 聚焦投入: 借鉴二八法则,优先识别和突破最有价值的关键问题。

    ④ 反馈迭代: 通过实践检验学习成果,不断复盘、修正目标和方法。

    形成一个循环:

    目标 → 拆解 → 聚焦 → 实践 → 反馈 → 迭代。

    三、AI时代,要善于借助AI学习

    AI不仅是学习对象,更应该成为学习助手。

    我们可以用AI分析未来所需能力、拆解学习目标、解释复杂知识、检验理解程度,以及辅助总结复盘。

    但AI不能代替我们的判断,更不能代替真实的实践。

    AI负责帮助我们提高学习效率,现实负责检验学习是否真正有效。

    四、最好的学习,可能就在当下的工作中

    这是我最近最深的体会。

    如果未来希望成为独立数字化顾问,未必需要现在就额外学习大量知识。

    不如把当下的工作,按照未来独立顾问的标准做好。

    例如,正在开展企业信息安全建设,就不仅关注技术措施,还要站在经营者的角度,思考如何让风险可视、可控,如何建立管理机制,如何支持经营决策。

    在解决实际问题的过程中学习,再将经验沉淀为可复用的方法、案例和工具,并通过分享获得反馈。

    当下的工作是实践场,方法沉淀是副产品,未来的能力则在过程中自然积累。

    这样,既能享受做好当下事情的满足感,也在为未来做准备。

    五、有方向地成长,也要有松弛地生活

    学习是一生的事情,但不必把学习变成新的负担。

    不需要一次掌握所有学习方法,而是在实践中发现问题,再有意识地寻找、尝试和改进方法。

    长期方向可以坚定,阶段目标可以调整,具体方法可以不断迭代。

    以长期目标为牵引,以现实问题为起点,以当下工作为实践场,以反馈迭代促进成长。

    把今天的事情做好,让未来在持续积累中慢慢展开。

    有成长的方向,不必有成长的压力。

    注:文中的“铁三角”和“四要素”是结合西蒙学习法相关理念与个人实践所作的归纳,并非赫伯特·西蒙提出的标准模型。


  • 2026-10-20美食-牛肉/牛肉丸粿条

    疲惫的一天,被这一碗牛肉丸粿条给治愈了,牛肉丸劲道好吃,牛肉新鲜,粿条也爽滑。

    ⭐⭐⭐⭐⭐推荐