AI 开始像流量一样明码标价。
在昆明一家电信营业厅里，9.9 元一个月，能买到 1000 万 Token。
同一时间，云南的绿色铝产业也在扩张。2026 年上半年，全省规模以上工业增加值增长 0.7%，绿色铝产业增加值增长 10.2%，对全省规上工业增速的贡献率达到 70.8%。
一个卖算力，一个卖铝，看上去距离很远，底层逻辑却接近：把资源转成可以交易的商品。
如果把时间线拉长，云南过去几十年的产业变化，基本都沿着这条路径展开。从烟草到水电，从绿色铝到算力，云南一直在寻找新的资源出口，也在把资源优势转成产业规模。
从烟草到算力，云南的资源出口不断变化
很长一段时间里，云南工业版图由烟草主导。
烟草产业带来了稳定税收、就业和产业链，也塑造了云南工业经济的基本面。上世纪 90 年代高峰期，烟草税利占全省财政收入的比重一度超过 75%。后来，随着能源产业发展，工业增长开始出现新的支柱。
2019 年，以电力为基础的能源产业增加值第一次超过烟草，成为全省第一大支柱。
这轮变化的关键是水电。云南水能资源丰富，清洁电力占比高，工业用电成本有明显优势。2021 年，全省电力总装机突破 1 亿千瓦，绿色能源开始成为吸引制造业的重要条件。云南还提出，到 2027 年全省电力总装机达到 1.8 亿千瓦左右。
不过，水电本身不会自动变成更高的产业收入。低电价先改变制造业成本结构，之后才可能吸引产业链转移。
2018 年前后，随着电解铝产业布局调整，「北铝南移」开始加速。云南的优势很直接：水电丰富，电价有竞争力，适合承接高耗能的电解铝产业。
2017 年，云南电解铝运行产能约 168 万吨；到 2025 年，这一数字已经增长到约 650 万吨。2025 年，云南绿色铝产业链产值首次突破 2000 亿元。
产业链也在向下游延伸。汽车轻量化材料、新能源电池铝箔等产品，让云南绿色铝不再只是初级原材料。部分企业已经进入宝马、特斯拉等汽车产业链的供应体系。
水电没有直接变成收入，而是先变成低成本电力，再变成铝锭、加工产品和产业链产值。
算力产业走的是相似路径。
昆明万溪冲智算产业园已经建成多个数据中心，算力基础设施持续扩张。中老、中缅国际通信光缆和昆明国际通信业务出入口局，则为跨境数据传输提供了网络条件。电力、机房和通信网络，共同构成了算力产业的基础。
这些条件组合起来后，电力可以驱动服务器，服务器可以提供计算服务，计算服务又可以按照 Token 计价。
从卖烟到卖电，再到卖 Token，商品形态变了，底层思路却延续下来：寻找云南具备比较优势的资源，再通过产业投资和基础设施建设，把这种优势转成市场愿意购买的产品。
这套方法为云南带来了一轮又一轮产业增量。
但问题也随之出现。资源优势可以吸引企业，产业规模也可以通过投资迅速扩大，一家公司能不能在当地形成长期经营和持续创新能力，还需要另一套方法。
大项目可以引进，组织能力未必自动留下
云南绿色铝产业的崛起，离不开大型企业和重大项目。
电解铝需要巨额投资，也需要稳定电力供应、成熟生产管理和完整供应链。对云南来说，引进有实力的企业，比从零培育整条产业链更容易形成规模效应。
文山等地的铝产业集群持续扩张，中铝、云铝等企业不断布局，带动冶炼、加工和配套产业发展。
算力产业也有类似特征。电信运营商建设数据中心，云服务企业提供算力，通信基础设施支撑数据流动。华为与云天化围绕气化业务开展合作，通过自动化和智能化手段优化生产；云南交投则探索把大模型用于交通业务，提升特定任务处理能力。云南白药、铝产业企业也在推进云平台和行业模型应用。
这些项目有一个共同点：外部技术能力与本地产业场景结合，去解决具体问题。云南民族大学经济与管理学院院长熊云飚把这种模式定义为，以资源换产业，以资源换市场，以资源换技术。
这条路径有现实基础。资源可以成为谈判筹码，市场可以吸引企业，产业场景也能为新技术提供落地空间。对产业基础相对薄弱的地区来说，引进成熟企业和技术，确实能缩短培育周期。
但项目落地，只是产业发展的一个节点。
一套生产系统建成后，谁来维护？外部技术团队离开后，本地员工能不能继续优化？一项技术在一个场景里跑通后，能不能迁移到其他业务？这些问题，很难通过项目投资额和产值直接回答。
技术可以采购，设备可以安装，系统也可以交付。企业内部的业务经验、流程理解和持续改进能力，却不会随着项目自动落地。
AI 把这个问题推到了更多企业面前。
在生产线上，智能化通常有明确对象，比如控制温度、监测设备、优化能耗，结果可以通过产量、良率和故障率衡量。到了采购、财务、合同和日常管理环节，很多工作没有这么清晰的边界。数据散落在不同系统里，流程依赖人工衔接，判断标准藏在员工经验中。
这类工作同样消耗大量时间，却很少出现在重大项目的投资清单上。
云南省能源集团所属云南恒通煤业有限公司招采中心主任陈鹏，就是在这样的工作里看到了 AI 的另一种可能。
那个拿着计算器的人，成了数字员工试验的起点
2017 年，陈鹏看到一名员工拿着计算器核对库存数据。
数据已经录入电脑，员工仍然要逐项计算、反复比对，才能确认结果是否准确。陈鹏意识到，问题不在于有没有电子表格，而在于员工还没有找到更有效的工作方法。
多年后，类似情况依然存在。
恒通煤业使用 ERP 系统管理业务。出于安全要求，系统接口不能随意开放，员工需要先导出数据，再人工核对和整理。一项日常工作可能占用一名员工 4 个小时。遇到检查或集中处理任务，工作经常拖到深夜。
数据已经数字化，工作却没有完全摆脱人工。
2026 年 7 月，陈鹏与金山办公团队讨论 AI 应用。8 月，WPS Comate 开始在恒通煤业落地。也是在这个月，金山办公启动「WPS Comate 百城 AI 智能体赋能计划」。当时，金山办公副总裁吴庆云提到，过去几年行业一直在讲算力、算法和数据，今年终于可以把应用拉到前台。
这背后要解决的，是 AI 技术从演示走向规模化落地的难题。
作为早期试点企业，恒通煤业组织业务人员与金山办公售前顾问一起梳理流程，尝试把原本由人完成的重复工作交给数字员工。
这项工作不是从更换 ERP 系统开始，企业原有基础设施也没有重建。团队选择从现有流程里寻找那些可以拆解、可以验证的任务。
这也是金山办公设计这套产品时的思路。WPS Comate 作为 WPS 365 的核心 AI 组件，不替代企业原有 ERP 或 OA 系统，而是在现有业务系统上叠加一层连接能力，打通数据接口、统一数据口径、提供智能体平台，让业务人员用自然语言定义任务。恒通煤业先用多维表格解决数据标准化问题，再由 Comate 在这个基础上搭建自动执行的技能。
在实际应用中，数字员工需要从不同来源提取数据，按规则校验，再把结果写回指定位置。每天凌晨 2 点，它开始处理数据；到早上 9 点，相关报告就能交到员工手中。
原本需要两个多小时的工作，现在只需几分钟。
变化发生在既有业务流程内部。员工不再把时间花在重复搬运和核对数据上，可以把精力留给需要判断的环节。
陈鹏还为数字员工编写了使用手册和运营手册。他第一次发现，给一个非人类「同事」写岗位职责，和给员工安排工作有相似之处：任务要说清楚，执行规则要明确，什么情况下需要停下来，也要提前约定。
他甚至给数字员工安排了周末休息。
不过，数字员工并没有接管整个采购流程。
恒通煤业采购业务涉及需求数据导入、定标数据导入、履约数据导入，以及外部市场信息采集等任务。第一批技能主要集中在数据处理和规则明确的环节。采购意图、目标判断、采购纠纷和异常情况，仍然需要人来处理。
这条边界很关键。重复工作可以交给 AI，涉及利益权衡、责任承担和复杂判断的事项，仍要由业务人员把关。
更有意思的考验很快出现。
一次运行中，数字员工遇到了单次对话 100 万 Token 的上下文上限，任务因此中断，业务近 10 天无法正常推进。问题不在于再增加多少算力就能解决，而在于原先集中在一个对话里的任务过于复杂，处理过程也超出了单一工作单元适合承担的范围。
陈鹏和团队重新拆解流程，把原来的工作分成 4 个独立技能，再增加 1 个负责协调的对话，合计 5 个对话协同完成任务。
任务重新跑通了。
这次故障带来的启发，已经超出工具本身的使用方法。业务人员需要理解流程中哪些环节相对独立，哪些任务可以拆开，数据在不同环节如何传递，出现异常时由谁接手。过去，这些事情可能由产品经理、流程设计人员或技术团队负责；在 AI 落地过程中，业务人员也开始参与其中。
陈鹏的工作因此多了一层。他既要理解采购业务，也要把业务转成 AI 能执行的任务，还要根据实际运行情况不断调整。数字员工能不能稳定工作，越来越取决于企业能不能把自己的工作讲清楚。
这也解释了为什么同样一款 AI 工具，在不同企业里可能产生完全不同的结果。模型提供的是通用能力，企业需要提供的是具体数据、规则、流程和判断标准。
恒通煤业的实践规模不大，却碰到了企业 AI 应用的一道关键门槛：从让员工使用 AI，走向让 AI 参与工作流程。
从试点到日常经营，云南面对的是同一道题
恒通煤业的案例并不是孤例。
云南师范大学面对公共课每学期数千份教学设计作业的评价需求，也尝试用 WPS Comate 承担部分工作。学校通过教学设计评价智能体完成初步评价，再由教师抽样复核，每天定时运行两次，让学生当天提交、当天获得反馈。
教师的抽检结果还会持续反馈到评价模型中，帮助系统改进判断。
煤炭企业和高校的业务差异很大，工作方法却有相通之处：先找到一项边界相对清晰、重复频率较高的任务，再明确评价规则和人工复核机制，让 AI 在实际运行中逐步调整。
这类应用很难只靠购买软件完成。正如金山办公副总裁吴庆云所说，大模型本身具备通用能力，却不了解每家企业自己的数据、经验和规则。要让 AI 真正参与业务，企业需要把这些原本分散在员工日常工作中的知识，转成系统能够使用的内容。
这意味着，AI 应用不再只是 IT 部门的技术项目。
财务人员要知道预算分析依赖哪些口径，采购人员要知道哪些数据可以自动校验，教师要知道评价标准如何执行。技术团队负责搭建工具，业务团队则需要参与定义任务、检验结果、处理异常，并在反复使用中修正流程。
这类工作更细碎，却决定了 AI 能不能从试点走向日常经营。
对云南来说，这道题还有更大的产业背景。
云南提出，到 2027 年，非烟非能工业增加值占规上工业增加值的比重提高约 3 个百分点。绿色铝、新能源电池等产业正在承担调整工业结构的任务。
与此同时，云南省发展改革部门也曾在相关提案答复中指出，绿色电力的能源价值尚未充分转化为更高的工业增加值。
电力成本优势可以吸引高耗能产业，数据中心可以扩大算力供给，但资源的经济价值最终还是要通过企业的生产、管理和创新活动实现。
同样的电力条件下，企业能不能做出附加值更高的产品？有了算力基础设施，本地企业能不能用 AI 改善研发、采购、财务和经营决策？这些能力，会影响资源优势最终能转成多少产业价值。
中国信通院相关评估数据也显示出 AI 应用的落地差距：约 40% 的应用软件已经集成专业智能体，但在组织内部实际部署智能体的比例约为 17%。
两项数据的统计对象和口径不同，不能直接相减，但能说明一个现实：软件具备相关能力，与企业把能力真正用于日常工作之间，仍然有距离。
企业可能已经采购 AI 产品，员工也可能在个人工作中使用 AI，但这不等于 AI 已经进入稳定业务流程。
真正的考验在于，企业能不能找到合适的第一个任务，能不能持续维护和改进，能不能把一个人的试验变成一群人可以复用的工作方法。
云南的产业转型，也正在从资源和基础设施竞争，延伸到企业内部的能力建设。
从烟草到绿电，再到绿色铝和算力，云南不断把资源优势转成产业规模。接下来，需要更多本地企业掌握把新技术转成生产力的能力，让资源、技术和人才在企业内部形成更紧密的联系。
产业可以通过项目迅速扩张，组织能力则需要在一次次具体工作中积累。
版面之外：企业最难复制的，往往是没写下来的经验
文章最后提到，一家企业最难复制的，往往是那些没人写下来、却人人都在依赖的经验。
老师傅知道哪里容易出错，采购人员知道哪些数据需要反复核验，法务知道哪类合同需要多看一眼。这些判断散落在日常工作中，未必能写进操作手册，却一直影响着企业如何运转。
AI 让这些经验有机会被整理和复用，也让企业重新面对一个问题：自己究竟是怎样完成工作的。
难点从来不只是让机器学会做事，还包括让一家企业学会理解自己。
本文来自微信公众号「版面之外」，作者为画画。