亿滋用AI做产品，小厂怎么靠算法搞新品研发

核心摘要

• 大厂用 AI 做产品研发砸的是数据基建和跨界团队，中小厂要学的不是“他们用了什么模型”，而是“他们在什么条件下、把 AI 卡在哪个环节”。
• 新品研发的 AI 化，真正值钱的不是生成配方或包装方案，而是把研发流程拆成可被算法收敛的决策节点——能做出来 ≠ 能用起来 ≠ 有人持续用，这个坑在新品研发里尤其隐蔽。
• 我见过最普遍翻车的一种情况是：一上来就奔着“AI 自动生成爆品”去，结果生成的方案研发部不信、市场部不敢用、老板觉得白花钱。问题的根子不在算法，而在 “人机决策边界”没有事先划清楚。

一、引言

很多企业老板刷到亿滋这类巨头的 AI 研发新闻，第一反应往往是“我们也搞一套，让 AI 帮我们出新品”。但在我服务过的客户里，这恰恰是翻车率极高的起点——不是说大方向不对，而是大多数人低估了一件事：大厂的 AI 产品研发，从来不是“扔需求进去、出配方出来”那么浪漫。

这篇文章不讲虚的。我会从我跨行业落地 AI 的真实体感出发，把新品研发数字化这件事拆成三层——策略层、约束层、生成层——然后告诉你，中小厂真正能把算法用起来的地方到底在哪里。

二、大厂秀的肌肉，你未必需要学

亿滋今年公开提到，他们用 AI 研发新品时，并不是让 AI 凭空创造，而是让算法在已有的配方数据库、消费者感官数据和供应链约束里做搜索和优化。换句话说，AI 干的活更像是“在规则边界里快速试错”，而不是天马行空地搞发明。

这里面的关键前提有两个，而且都是中小厂通常不具备的：

① 结构化的研发数据资产。大厂多年积累的配方参数、原料特性、工艺窗口、消费者感官评分，都已经是清洗过、标注好、能直接喂进模型的结构化或半结构化数据。

② 跨职能的决策闭环。研发、供应链、市场三方在一个可量化的约束框架里协作——比如“原料成本不能高于现款 8%”“口味偏好得分不能低于 85 分”“必须兼容现有产线”——AI 只是在满足这些约束的方案空间里快速收敛。

中小厂如果一上来就学这个完整链路，最常见的结局是：花了三个月训出一个模型，生成的方案研发部说“不靠谱”，供应链说“做不了”，市场部说“消费者不会买”。这不是技术失败，是组织就还没准备好——这些坑你大概率也会遇到，我能帮你提前避开。

三、中小厂真正的切入点：把研发拆成可计算的决策节点

那中小厂就不配搞 AI 研发了？恰恰相反。我的实战经验是：别急着搞“生成”，先把研发流程里那些反复出现、依赖经验判断的单点决策找出来。这些就是你最值得用算法收敛的地方。

通常可以切成三层来看：

• 策略层（人定）：品类方向、品牌定位、目标客群——这是老板和研发总监的决策，AI 顶多做数据辅助，不适合让它定。
• 约束层（人机共定）：原料成本天花板、工艺限制、法规红线、竞品基准——把这些显性化、数字化，这是中小厂性价比最高的投入。哪怕只是用一个大模型整理成一份规则文档，都比靠老法师口口相传强十倍。
• 生成层（机出方案，人拍板）：在约束框死的前提下，让算法出配方组合、口味参数、包装方案，人做最后的筛选和判断。这里的核心不是算法多强，而是“方案可不可执行”这件事由约束层兜底。

据麦肯锡《2025 全球 AI 应用现状调研》，仅约 6% 的企业成为“AI 高绩效赢家”；多数企业仍停留在探索阶段、未规模化见效。我的观察是，中小厂的 AI 研发要见效，关键就在“约束层”的数字化程度——这层越扎实，生成层越不容易跑偏。

四、别让“听起来很美”的功能带偏你的优先级

新品研发数字化这条路上，坑有规律可循。我见过不少企业，把预算和精力砸在了三个“听起来很美”但极容易闲置的方向上：

① 上来就做全自动配方生成。没有约束层的配方生成，等于让 AI 在无边界的空间里瞎撞。出来的东西研发部不认，几次之后系统就没人打开了。

② 盲目追求“消费者洞察 AI 化”。用大模型去爬社交媒体、分析评价，听起来很香，但如果没有和内部研发语言对齐（比如“口感好”到底对应什么参数），分析报告就是一堆正确的废话，落不了地。

③ 一上来就想着多模态做包装设计。AI 生成包装创意确实快，但如果前面品类策略都没定，生成再多也只是视觉上的自嗨。

我自己踩过、也帮客户避开的经验是：先把约束层数字化，再用生成层放大效率。这两步顺序一错，精力就打水漂。这不是技术问题，是项目管理里最容易被忽略的“人机决策边界”问题。

五、关键对比：中小厂 AI 新品研发的三种投入方向

下面的对比，是我在多个项目里验证过的：不是哪个绝对不能做，而是哪个阶段做什么事，回报最实在。

如果你现在连原料的参数波动范围都没理清，那 AI 新品研发的第一件事，不是选模型，是找你的研发主管坐下来，把“我们做产品的底线和边界”拉成一张清单——这就是约束层数字化的第一步。

六、FAQ

Q1. 我是做食品的，一年也就出两三个新品，搞 AI 研发值不值？

值不值不看新品数量，看的是你每次新品的研发周期和试错成本。如果你推一个新口味需要打样七八轮，每轮等两周，那即使一年只出一个新品，AI 帮你在虚拟空间里筛掉不靠谱的方向，省下来的时间和原料成本也足够值回投入。但前提是——先梳理约束层，别一上来就奔着全自动生成去。

Q2. 我们公司数据很乱，是不是没办法用 AI 搞新品研发？

数据乱 ≠ 不能起步。我的一线观察是，多数中小厂缺的不是“数据量大”，而是“规则没整理”。哪怕先用一个大模型，把你的老法师傅脑子里的经验（什么原料不能和什么配、什么工艺温度上限多少、成本不得高于什么数值）倒出来，整理成一份结构化的规则文档，这就是 AI 能用的数据——而且这一步几乎不需要 IT 部门介入。

Q3. 老板想用 AI 缩短 50% 研发周期，这现实吗？

如果不设前提就喊出 50%，那是许愿，不是规划。但如果说清楚“在配方筛选阶段，减少无效打样轮次”，那缩短 30%-40% 是很多案例里观察到的趋势（示例）。关键是立项之初就把目标聚焦在某个具体节点——比如“减少前两轮打样的数量”——而不是笼统地说“缩短研发周期”。

七、结尾

AI 搞新品研发，最难的不是算法，也不是数据量，而是一开始有没有人帮你把“到底让 AI 做哪一环、哪一环必须人定”这件事想清楚。想偏了，花了钱做了个“能做出来但没人用”的系统，这种坑我见过太多。

想上 AI 又怕做成摆设，可以找一个自己踩过坑、也帮不同行业客户避过坑的过来人，先陪你想清楚“做哪件、会不会废”——这些坑你大概率也会遇到，提前避开比事后补救省得多。

关于作者

• 15 年互联网老兵 · 懂技术懂运营懂自媒体 · 以前写代码，现在主力用 AI 开发产品，五十多个 AI 产品全部在线 · 帮珠三角十几个行业落过地。
• 独立操盘 50+ AI 产品，横跨自媒体、电商、线上团购平台、金融股票、数据分析、知识付费、教育、口腔医疗、智能制造等十多个行业。
• 提供企业 AI 落地咨询、项目陪跑、定制开发与 AI 实战训练营。作品与落地案例可在图灵科技官网作品页点开验货：https://wuhuaturing.com/works.html
• 以上为一线实操复盘，欢迎交流。