我是1998年大学毕业的，本科学的与计算机有关的专业，还干了两年程序员。但是，其实当时我对“技术是如何改变社会”这一点是没有认知的。干了两年程序员后，我发现自己不喜欢这个工作，所以就没有继续做下去。
后来回顾这段历史，我发现这就是个人认知的缺陷。为什么讲这个？因为我在2000年的时候放弃IT领域的工作，就相当于“1949年加入国军”是一个道理。大家都知道，阿里巴巴也好，腾讯也好，都是在2000年前后起步的。其实很多时候在这个社会，不只是看你能力多强，而是看你是否正好赶上了社会发展的脉络。所以这种对时代脉络的感知力，我认为对于我们任何人发展来说都是一个很关键的能力。
这些年我也看到了各种各样的变化，包括前几年炒得火热的“元宇宙”，我都没有感觉到会带来改变。为什么呢？因为我分析任何技术的价值，首先感知的是对我的研究工作会带来哪些积极的、很快能看到的效果。就像我们之前说的，什么事儿不明白，上百度搜索一下，是同一个逻辑。现在你会发现AI的渗透力强到什么程度？前几个月，我看了OpenAI如何用AI干掉APP的产品发布会视频，这个视频展示了个人如何借助AI大模型确定旅游的日程，连具体的景点、酒店、餐厅、交通都给安排好了。以后什么APP都不需要了，直接问都给你订好了，这真的是在颠覆每个人的生活。
但是呢，我认为这一波的人工智能更多颠覆的不是C端，因为C端在互联网和移动互联网时代已经改造很充分了。这一波的变革，是对B端的改造。在这个对B端的改造过程中，首先这个浪潮里，哪个行业更容易大量应用这个技术呢？
物业管理行业显然是其中理想的行业。为什么会是物业行业呢？因为这些年我研究AI，发现AI对事情判断的精度虽然在逐渐提升，但还达不到工业级的条件。工业级精度要求高，说两厘米就两厘米，两毫米就两毫米，弄大了弄小了都不合适。而物业行业整个在基层作业的过程中，其实对精度的要求没有那么高，有个80%多就差不多了。所以这个行业特别适合目前AI这种精度的水平，特别适合推广。
所以现在人工智能到底PK的是啥？就是谁能尽快应用AI找到落地的场景并推广出来，这就是B端的改造。那么我们这个B端到底是怎么改造？是不是我们每个人都下载一个DeepSeek，就叫拥抱AI了呢？其实不是那么简单，因为对B端的改造和对C端是不一样的。
我的理解是，我们课题组做学术研究，为什么大量用AI？其实我们课题组很少用AI帮我们生成内容，如果我问一个问题让生成，我还要花费很多的精力去判断所谓的AI幻想。那么我认为AI是干什么的呢？我觉得AI有个能力超强。例如说在学术界，我经常看各种各样的文献。过去看文献这个活特别累，可能一天只能看一篇，因为是全英文的，一个月顶多能看20篇就不错了。而且看完之后，经常全忘了，所以就得不断做笔记，这个过程非常漫长。
但是AI呢，有个强大的能力，就是你把这么多的文献扔给，会快速帮你阅读。之后我就能问：通过读这些东西，你能给我提炼出什么？
所以说，这对我们的一个启示在哪里呢？大家想想，我们企业的“文献”在哪里？对于任何一个企业来说，我们的“文献”就是工作中积累的各种经验、教训、作业方式、方法，以及与人打交道的逻辑。逐渐积累下来，这就形成了我们企业内在的材料。
那么这些内在材料，我们是不是就可以喂给？当然前提是企业要做好保密——关于保密我们先不说——喂给之后，就会不断地整合这些知识。可能今天A同事知道优化服务流程的知识，但B同事不一定知道。
但是A同事把这个知识放到我们叫“数据仓库”的地方，放到数据仓库里头，其实B同事便能轻松运用这一知识，借助AI工具高效解决各类问题，这正是企业内部知识快速流转与落地的生动体现。其实这是在AI实施过程中一种非常重要的抓手，而不是简单地说我们会用了DeepSeek，一切就OK了。但是，要想达到这个“OK”的状态，前提是我们得有高质量的数据“喂”给。所以真正的难题在于，我们怎么样把握企业这么大量的——包括项目基本数据、设施设备运转数据、人员配置数据，以及每个人的不同项目、不同地域、不同区域、不同员工的工作效率……如何把这些复杂的要素进行数字化定义。
正是因为面临数据定义带来的挑战，我们今天才要讲这个主题：AI是怎么来帮助我们物业企业优化服务流程的？
其实，我们物业行业在服务过程中有一个非常大的难点，过去来说就是服务过程不可控。特别典型的，服务过程不可控是啥呢？我就随便举例，这都是我几年前做的数据了。我们给两个保洁员身上安了定位器。
保洁员1干得挺好，因为这是楼道保洁岗位，正常保洁曲线应该是他坐电梯到楼上，然后一层层把这楼道扫下来，他的轨迹曲线应该类似保洁员1的曲线。
但保洁员2，他就是水平线，说明他待在原地没干活。尽管他的表面工资很低，实际上他没有干工作，其实企业为他付出的成本是很高的，而且他大部分时间都是无效的。
这种事情其实在我们物业行业很常见，因为在这个环境里，我们物业行业的过程是不可控的。那么制造业是什么结构问题？制造业的问题特别简单。我就随便找了一个汽车行业的例子。
我当年在吉林大学念硕士的时候，有门生产运作管理的课程，需要到一汽大众生产线的现场，观察他们怎么装配汽车。恰好我观察的是生产线工人安装汽车的前风挡玻璃。因为汽车生产过程都是“混线生产”。什么叫混线生产呢？就是捷达、高尔夫、速腾、迈腾多类型产品在同一条生产线上并行生产。如果这时候对于生产线工人来说，他就想：“我这个玻璃是安装到速腾上的，还是安装到捷达上的呢？”因为整个生产线是流动的，只要生产线工人去思考，那不乱套了吗？
实际操作非常简单。生产线工人只要记住永远是把排在最前面的第一块玻璃，安装到面前的汽车上，就这么简单。然后怎么安装？两个工人拿真空吸盘，把排在第一块的玻璃放在夹具上。固定之后机械手就给汽车玻璃涂一层胶。因为原先用人涂难度大，人涂的时候手都抖动，导致胶不均匀；机械手不抖动，效率高。
涂完之后呢，这两个工人拿着真空吸盘，两个人分别站在汽车两边，就把汽车风挡给安装上了。安装完毕之后，这时候你会发现整个生产线配合过程中，原先排第一块的玻璃没了，第二块玻璃自动变成第一块玻璃，自动往前推，就跟我们的超市的货架摆放其实也一样。
所以整个过程完全可控，完全可控的效果就是什么呢？就是品质的稳定性和质量的稳定性。这就是他们所追求的。也就是说，一线工人一定不能用脑子去思考，一线工人但凡用脑子思考，他的品质一定是波动的。一线工人所有的作业，一定是肌肉记忆。那么这种肌肉记忆对于我们服务业来说，就是形成服务的意识。服务意识就是一看到问题就知道怎么解决，不要去想。
有人说，汽车企业的生产管控过程的体制是怎么控制呢？整个控制就是有一套复杂的ERP系统。这个ERP系统中，其实非常重要的一点就是“产品BOM表”。什么叫产品BOM表呢？就是说假设矿泉水，你会发现这个水瓶是由哪些部件来构成呢？是有瓶盖、瓶体、标签，还有多少毫升的水。这就是一个最简单的产品BOM表。
那么有了产品BOM表的话，如果突然间甲方向我订货1万瓶水，我立马就知道我要准备多少升的矿泉水、多少个瓶盖、多少个瓶体什么的。瓶身是用塑料制作的，我就知道需要采购多少吨塑料来做成瓶体。工厂全是靠产品BOM表来驱动，这就是整个管理体系。
03 物业版“服务BOM表”：从经验到标准化物业行业其实整个的生产控制过程，比汽车行业复杂。我研究物业管理六年时间，越来越觉得物业管理太难研究了。难度在哪里呢？根本原因，就是约束条件太多。其中一个约束条件就是物业费不足，其实大家都知道，如果钱到位的话，服务都不是问题。我曾经调研过北京一个房龄超过20年的公寓楼。该公寓楼物业费20块钱/月/平方米。五星级的大堂，地面的拼花大理石都20多年了，和新的一样。
除了钱之外，制约物业行业发展还有另外要命的事情，物业行业难在“非标”了。像汽车行业生产上百万辆汽车，实际上就几个产品，批量生产就完了。所以说，整个的制造过程，可以用一套静态的体系和静态的环境去管理。
物业项目的“非标”特性，就会导致什么？一个项目就是一个产品。那么服务过程中，一个项目一个产品意味着啥呢？物业企业市场扩展得越厉害，项目越多，就会发现产品管理团队越大。而且管理难度不是简单的几何增长，而是指数级的增长，复杂度越来越大了，就越来越容易失控。所以五、六年，物业行业流传“规模不经济”，我那时候就在想，为什么会规模不经济呢？当时我并不明白，现在回过头一看，其实，每个项目的非标特性，如果没有一个强有力的产品管控体系，就都导致了失控。显然，我们行业这块没有做透。
而且还有更要命的是啥呢？汽车在制造过程中，哪个汽车组装得不好，可以把这个车拿出来再修补一下。整个生产过程中不会受到消费者影响。我们的服务不仅是非标的，而且服务的过程同时业主也在使用空间。举个简单例子，我突然间想上厕所，恰好保洁正在打扫厕所，你说你去还是不去呢？你去的话，保洁员就得出来。所以说，保洁员在正常的作业过程中总是被各种各样打断。物业服务本身特别复杂。
物业行业难在非标，而且服务过程也是环境动态的。动态就导致了我们在设计“产品BOM表”的时候，不可能像汽车企业，可能只需要几十个产品BOM表就够了；我们这个行业，假设你有100个项目，每个项目就是一个产品，就要设计一个产品BOM表。
所以说，这时候我们行业其实普遍面临的问题是什么呢？就是服务非标化和环境动态化两个痛点。这两个痛点导致物业企业生产管控过程很难。
服务非标化，意味着同一个项目不同楼栋，保洁差异性也大，A楼B楼要求可能又不太一样。环境动态下，意味着设备运行状态波动、人流量变动经常影响服务过程，包括设备故障会导致服务过程频繁维修，导致服务过程难以量化监督。量化监督怎么办呢？我们必须得构造我们服务BOM表，并通过数据标准定义服务，实现过程可控。仿造产品BOM表，服务BOM表就是服务具体内容、怎么干的、甲方的要求、服务的频率、责任处理之类的内容……
如何设计服务BOM表呢？先举个例子，例如一个小区，物业企业不可能每个节点都是按照同样的频率、同样的品质，“撒胡椒面”似的服务。这是不现实的。一定是根据人们的变化来调整。哪块是我们重点，例如我们学校教学楼一楼，每天人流量特别大，楼层越高人越少，保洁频率肯定低，就这个道理，所以这个需要动态去判断。
这时候我们切入点一定是来破解静态体系和动态环境的管理矛盾。也就是说，我们原先总尝试想用静态的标准制度，来控制数千个动态的作业，这是不现实的。
以我们现在的会议室为例，整个屋子有很多控制点，地毯、桌子、屋顶、墙面等。这样的会议室可能是我们物业企业独一无二的会议室。当我们想用一个静态标准来控制数千个作业对象的话，而且我们的服务又是7×24小时，注定我们整个过程，一定是低效的，一定是规模越大越容易失控。
这时候怎么办？就必须根据每个项目的动态特征，观测关键的指标，来设计某一个项目的服务内容，形成服务BOM表。过去没有AI的时候，我们想用加装摄像头、传感器把所有的事情都记录下来，投入成本太高了。现在已经用低成本的技术，我们都有非常成熟的方法。
其实就我刚才说的，物业企业内部用AI，不是上来就用公开的DeepSeek或者“千问”，它们没有能力。虽然AI知道的事很多，但是我们怎么激发的其表达欲望，激发其生成能力。这个能力在于你的提问。但提问的背后，在于提问者对物业管理有深刻地理解，在于企业内部有一套完整的数据底座的支撑。
AI时代的数字化建设，核心不是说我们开发了什么软件，那个时代已经翻篇了。未来的IT公司一定是数据驱动的业务型公司，数据治理就是基本的能力。
2025年有家央企后勤部门找我们课题组做了一个数据治理的研究项目。最近又有一家央企后勤部门来找我们课题组做数据治理的研究。这些央企也都很清楚，数据孤岛、garbage in garbage out还是时刻折磨企业的数字化进程。正如大型央国企后勤系统已意识到数据治理是AI落地的前提，物业企业同样面临这一基础建设任务。把数据底座搭建好，这是绕不过去的点。
数据底座必然要对服务对象的空间、设备、人流量、环境流动这些信息，做数字定义。做数据定义之后，其实各种各样的AI工具，就会快速帮企业测算出这些设备要怎么修，维护标准全都有。当我们尝试借助AI去解决管理对象非标、服务环境动态的矛盾点，首先就要干这个事。否则的话，企业没办法相信，喂给AI的东西一定是企业可控的、信得着的东西。
因为我们知道服务的空间是什么，知道项目的物业费金额是多少，知道项目实施的标准是什么。如果底层数据不打通，企业怎么敢相信AI生成的服务方案是适合我们的？
完整的物业企业运营流程应该是7个步骤。我们行业过去基本从第五步开始，就是从制定作业计划开始，形成我们的工单，然后大家按工单干活，企业内部项目自己检查品质，企业再进行品质飞行检查。但是一个核心话题没有解决：为什么这个工单要做呢？其实并不清楚这个工单是不是有必要做。这时候就要往前推。前面从第一、第二到第四步，决定这个工单是不是做。因为同样一件事，不同的条件下，例如报事报修，如果物业费1元和物业费5元，1元的项目就不需要处理，5元的项目就需要处理。
未来的物业管理一定会走向阳光透明。如果企业没有基础数据，怎么阳光透明呢？怎么去跟业主讲清楚到底怎么回事？企业自己都没法精确测算。
早在2023年，我们林大物业管理专业课程体系做了一个非常大的变化，因为之前我们专业课程体系是从第五步开始设立，讲物业项目怎么做服务计划，包括预算。现在关键的起点课程是数据治理。数据治理必须有两个“前导课”，建筑物概论、设备设施管理。当就把我们管理的两个对象搞明白，完成数字化定义的知识之后，就导入FMEA课程。外加合规性课程，主要讲授国家物业管理的法律法规，以及强制标准，在通过服务设计制定SOW（工作说明书）、SLA（服务水平协议）。
同样的道理，物业企业要想破解静态体系和动态环境的矛盾，以及设计服务BOM表，必须把第一步到第四步的产品研发逻辑构建得非常扎实。就是说，物业企业把每一个项目的服务BOM表设计出来，就是AI落地的关键。
例如说某个项目BOM表要求，洗手台台面不能有水渍，我们就可以通过移动摄像头检测，发现服务缺陷。我们测算过，一名年轻的保安员，一天工作6小时，能扫楼10万平方米。因为他借助移动摄像头，把地面、天棚、墙壁、各种设施设备记录下来。现在AI对动态影像的识别能力已经很好了，只不过现在贵在哪里？买Token（AI算力消耗）可能比较贵。随着算力成本越来越强，未来Token的成本也会越来越低。
服务BOM表怎么生成呢？
把服务BOM表设计出来，本质就是服务设计，对应的是制造业的产品研发。服务设计首先要理解各种服务缺陷产生的规律。其实，服务缺陷产生规律，大的规律是两个方面。第一个是设施和设备，即使是没人干扰，也会自然损耗。就像这个会议室，假如我们一年不用，地毯、桌子也会积灰，这是一种自然的损耗。其实我们课题组曾经做过一个积灰实验。我们连续七天在窗台上放置一个白色纸条，观察春天灰尘积累的情况，总结提炼北京春季灰尘积累的特征，这就是规律。
另外一种更难预测的损耗是什么呢？就是每一天人流量的变化，导致的缺陷产生很多不规律的事情。为什么我越来越感觉物业管理研究特别复杂？因为我们不得不去理解服务过程的一些规律。如果没有掌握这些规律的话，很难让我们的服务更加精密。所以我们未来行业的整个管理能力，其实在这方面有很大提升空间。目前，我们能明面压缩的成本，能压缩早就压缩了，再压缩就出事了。所以说，更多地挖潜其实是在聚焦服务研发实现服务能力提升层面。2025年我们课题组毕业的一个硕士，研究了保洁员如何有效地去打扫卫生间的话题。通过两名保洁员长工具和短工具的配合使用，实现卫生间效率提升。这种规律一定是基于大量数据系统才能分析到的。
数据从哪来的？这就是我们平时不断积累的工作知识。我们过去没有把服务过程的隐性知识提炼好，更没有对其数据定义。在家扫地和在项目扫地，完全是两个概念，项目扫地是工业化扫地，这是需要设计的。例如，同样三元物业费的两个小区分列马路两侧，因为业主不一样，小区风格不一样，小区建筑房龄不一样，两者间服务的规律自然不一样，这些细致的规律过去我们没有系统研究过。
有了这样的认知之后，我们整个AI落地的时候，上来不能直接使用AI工具，不能用AI改造既有流程，而是要把服务过程积累的隐性知识、对象、经验进行数据治理，建立物业数据底座，支撑BOM模块化。打通的数据层是基础，通过空间和设备的标准化为算法层提供输入。算法层基于业务规律构建模型，物业企业才能在现场应用，才能有效控制服务过程。
建立数据的底座，我们必须对空间做建模。过去构建空间数据挺难，必须得有BIM系统。现在不需要，现在对空间建模，主要提取一些关键数据。虽然数据采集挺麻烦，也是苦功夫，但是采集数据的逻辑已经很清楚了，用一些临时部署的设备，用来数据提取和测算，才能逐渐地把服务过程中哪些高频的问题找到，最终才能把服务BOM表设计出来。
另外基于数据应用各种函数。例如，物业企业对项目人流量变动测度了一个月，通过引入时空序列模型，对人流量进行预测，外加天气情况——例如下雨天、下雪天对保洁压力是不一样的，目的是提升保洁排班效率。所以说过去想做难度很大的事情，现在AI全都具备。量化保洁的排班工作，提供多少人力，人力成本多少，立马就出来了。过去因为没有做系统性的分析，物业行业其实现在要做的事情，就是把我们行业往工业化逻辑推进。
物业行业现在做得还不够细致、系统，整个服务过程可控和品质稳定，全都依赖项目经理能力。物业企业的服务质量与可持续发展，不应仅建立在基层员工的技能水平和职业操守之上，更需依托完善的管理体系、标准化服务流程及技术赋能。
大量的函数其实不用做了，过去一年我明显感觉到，AI在这方面能力上飞速进展。我们课题组的研究生花了两年时间设计的卫生间保洁算法，现在这些算法都不用做了。这些AI已经都具备了。我们过去不知道AI有这能力，我发现AI成长速度超出你想象。
AI缺的是什么？缺的是我们企业的数据。那么，数据层具体来做什么呢？数据层其实就是对空间的定义和对设备设施的定义。
以空间定义为例，例如数据定义这个会议室，我们至少要知道房间多大面积、使用属性、各种构件等。建筑无非就是若干空间摞在一块，每个空间定义完后，加一块儿就是建筑物的定义。如果项目有建筑图纸，直接把图纸扔给AI，生成的效率更高。我觉得AI特别适合阅读，反而不是生成。
设备设施定义相对复杂一些。设备设施定义不仅包含诸如供配电、给排水等11项系统，还需要定义系统内部和之间的关系，包含组态关系和运营依赖关系。什么是组态关系呢？例如新风系统由哪些部件构成。什么是运行依赖管理？要想判断新风系统运行是OK不OK，一定是关注几个关键的指标，这就是依赖关系。
此外，还有整个设备的静态档案、维保档案、实时应用的数据等——这些数据都要逐渐地提供上来。
数据层数据获取之后，就可以把服务对象的属性集建立起来，构成了服务BOM表的部分内容，自然整个物业服务过程中问题就能回答很清楚了。
只有建立起完整的数据底座，物业服务才能真正实现“阳光透明”。什么叫阳光透明？阳光透明不就是你能跟业主说我能给你做啥，我做到什么程度，我如何正确地做，我什么时间做的问题吗？这些事情其实物业公司用过AI工具，已经做得很好。或许有人问为什么会做得很好呢？因为算法都定义得非常完整。
例如AI通过阅读物业公司提供的建筑物某个空间人流量的变动曲线，就可以分析最佳的空间作业时刻。
05 AI如何赋能：从知识整合到工单生成一旦建筑物每个空间和设施设备都进行了数据定义，就可以根据AI分析的结果，给物业企业归纳哪些服务缺陷产生的频率更高一些，而这个高的频率最后导致什么问题产生。借助桑基图，就可以通过可视化曲线流向，定位出容易出问题的环节和区域在哪里。物业企业就根据服务特色、物业费的高低，判断哪些服务缺陷可以修改，哪些不用理会。紧接着生成工单和实施流程，就能证明这个工单为什么生成。过去的工单，我们没法提供依据，经常被业主投诉牵引物业服务，很是被动。
而且现在AI能力提升到生成作业日程。AI根据项目每天的情况，自动生成整个作业日程，每个员工在什么时间，在哪里做什么事情，你今天干啥，明天干啥，都生成得清清楚楚。这样，服务的过程和安排，都根据服务BOM表驱动，而服务BOM表早就内嵌了动态体系和动态环境的因素。
一旦这样逻辑运行下去的话，物业企业内部的品质管控流程将大幅度优化，彻底改变明朝用锦衣卫管控大臣，东厂管控锦衣卫，西厂管控东厂的庞大成本支出。
现在AI能力已经提升到帮助物业企业形成服务标准的程度。例如，室内地面尘推作业的标准，包括适用的地面类型、作业步骤控制点、“8”字作业路径，以及服务效率及成本。
当我第一眼看到AI生成的服务标准，连我这个做了多年企业标准的人来说，真是颠覆了很多。机械作业竟然细致到每小时可以作业1500平方米，大概每平方米能省几分钱，全都做出来了。我们当时做完之后，实事求是讲，让我惊呆了，我没想到AI进化的速度比我们想象得要快。
对物业企业成本管控而言，AI还会进一步帮助物业企业分析成本优化的点。哪些设备是需要“坏了再修”，哪些设备是提前预警去修，哪些设备是要按照计划去维护。对业主的体验而言，物业企业知道什么是关键时刻，以往我们只是凭经验，知道有的地方人流量小，服务频率和力度不高，但是现在AI可以把这个事情量化。过去我们不会做那么精准，过去我们其实管控得并不是那么精准。
在此次交流的尾声，我觉得还是有三点体会和总结。
过去常说，AI就是算力、算法和数据。其实，算力会越来越便宜，硬件成本下降速度是非常快的，我们也不需要把太多精力都放在算法上，未来我们工作的核心就是抓数据，从资产管理的角度去管理数据。
表面来说，AI是平权，其实是对大部分人是平权的，的确拉低了大家对知识认知的门槛。这也意味着，在AI时代，有一些过去认为有一定技术门槛的工作岗位，其实已经不需要了。但是，今天能够真正在物业行业垂类驾驭AI，往往来自你对这个行业的深刻理解，而且从业人员还有广博的知识，能够不断产生知识的人，更加强化了他的竞争优势。
AI落地不仅是技术问题，更是流程再造与人员能力转型。传统物业管理的流程是“基于人”和“基于经验”的。AI要求流程必须是“基于数据”和“动态触发”的，需要通过“服务BOM表”将服务拆解成数据颗粒。也就是说，落地AI前，必须先理顺业务逻辑，将隐性知识显性化，显性知识标准化，标准知识数字化。
