<?xml version="1.0" encoding="UTF-8"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
  <channel>
    <title>新质云 xinzhiyun · 行业洞察</title>
    <link>https://xinzhiyun.ai/insights/</link>
    <description>企业数智化转型、Ontology 语义底座、AI 一号位工程、客户经营体系与制造运营管理的深度文章</description>
    <language>zh-CN</language>
    <lastBuildDate>Sat, 24 Oct 2026 00:00:00 GMT</lastBuildDate>
    <atom:link href="https://xinzhiyun.ai/rss.xml" rel="self" type="application/rss+xml" />
    <image>
      <url>https://xinzhiyun.ai/og-image.png</url>
      <title>新质云 xinzhiyun</title>
      <link>https://xinzhiyun.ai</link>
    </image>
    <item>
      <title><![CDATA[指标口径统一怎么做：从三个「销售额」说起]]></title>
      <link>https://xinzhiyun.ai/insights/metric-caliber-unification-guide/</link>
      <guid isPermaLink="true">https://xinzhiyun.ai/insights/metric-caliber-unification-guide/</guid>
      <pubDate>Sat, 24 Oct 2026 00:00:00 GMT</pubDate>
      <description><![CDATA[销售按签单算销售额，财务按开票算，供应链按发货算——三个数字都「对」，加起来正好是一场灾难。本文给出一套可直接落地的指标口径统一做法：口径卡模板、五步落地路径、三个最常见的坑，以及判断统一是否做到位的自检清单。这是 AI 供数治理五步闭环中「定语言」一步的实操展开。]]></description>
      <author><![CDATA[新质云研究院]]></author>
      <category><![CDATA[数据治理]]></category>
      <category><![CDATA[指标口径]]></category>
      <category><![CDATA[数据标准]]></category>
      <category><![CDATA[AI供数]]></category>
      <category><![CDATA[数据质量]]></category>
      <category><![CDATA[主数据]]></category>
    </item>
    <item>
      <title><![CDATA[AI 项目的上限，在数据治理开工那天就决定了]]></title>
      <link>https://xinzhiyun.ai/insights/ai-project-data-governance-first/</link>
      <guid isPermaLink="true">https://xinzhiyun.ai/insights/ai-project-data-governance-first/</guid>
      <pubDate>Sat, 24 Oct 2026 00:00:00 GMT</pubDate>
      <description><![CDATA[MIT 2025 年报告指出，95% 的企业生成式 AI 试点没有产生可衡量的回报。原因通常不是模型不够强，而是模型吃进去的数据不行：口径不一致、质量没人管、业务语义没有翻译成机器可读的语言。本文拆解 AI 项目死于数据治理缺位的四种典型死法，给出传统治理与 AI 供数治理的对比表，以及判断数据是否「AI 可用」的四条标准。]]></description>
      <author><![CDATA[新质云研究院]]></author>
      <category><![CDATA[数据治理]]></category>
      <category><![CDATA[AI落地]]></category>
      <category><![CDATA[企业AI]]></category>
      <category><![CDATA[Ontology]]></category>
      <category><![CDATA[数据质量]]></category>
      <category><![CDATA[指标口径]]></category>
      <category><![CDATA[AI供数]]></category>
    </item>
    <item>
      <title><![CDATA[离散制造为什么不该先上 MES：先把四件事做对，再谈执行系统]]></title>
      <link>https://xinzhiyun.ai/insights/discrete-manufacturing-mes-first-mistake/</link>
      <guid isPermaLink="true">https://xinzhiyun.ai/insights/discrete-manufacturing-mes-first-mistake/</guid>
      <pubDate>Wed, 14 Oct 2026 00:00:00 GMT</pubDate>
      <description><![CDATA[很多离散制造企业的数字化第一步是上 MES。但 MES 是执行层系统，它默认你已经有了可信的计划、准确的制造 BOM、稳定的工艺路线和标准工时——这四样不是 MES 产出的，而是 MES 的输入。输入不准，MES 只会把混乱电子化。本文给出正确的建设顺序，并附 7 个上 MES 之前的自检问题。]]></description>
      <author><![CDATA[新质云研究院]]></author>
      <category><![CDATA[离散制造]]></category>
      <category><![CDATA[MES]]></category>
      <category><![CDATA[MOM]]></category>
      <category><![CDATA[制造运营管理]]></category>
      <category><![CDATA[数智化转型]]></category>
      <category><![CDATA[计划排产]]></category>
      <category><![CDATA[MBOM]]></category>
    </item>
    <item>
      <title><![CDATA[Ontology到底是什么：把企业『翻译』给AI听的语言]]></title>
      <link>https://xinzhiyun.ai/insights/what-is-ontology-business-semantics/</link>
      <guid isPermaLink="true">https://xinzhiyun.ai/insights/what-is-ontology-business-semantics/</guid>
      <pubDate>Tue, 13 Oct 2026 00:00:00 GMT</pubDate>
      <description><![CDATA[企业不缺数据，缺的是AI能理解的语义。Ontology本体是让AI读懂企业的语义层：实体、关系、行为、规则四要素，把散落在各系统里的经营事实组织成AI可推理的知识。本文讲清Ontology是什么、与数据中台和知识图谱的区别、以及为什么它是企业AI的地图。]]></description>
      <author><![CDATA[新质云研究院]]></author>
      <category><![CDATA[Ontology]]></category>
      <category><![CDATA[语义层]]></category>
      <category><![CDATA[企业AI]]></category>
      <category><![CDATA[数智化转型]]></category>
    </item>
    <item>
      <title><![CDATA[Ontology落地五步法：从一个业务域开始，而不是从全企业开始]]></title>
      <link>https://xinzhiyun.ai/insights/ontology-implementation-five-steps/</link>
      <guid isPermaLink="true">https://xinzhiyun.ai/insights/ontology-implementation-five-steps/</guid>
      <pubDate>Tue, 13 Oct 2026 00:00:00 GMT</pubDate>
      <description><![CDATA[Ontology失败的头号原因是贪大求全：想一次建完企业级语义层，结果半年出不了成果，项目被砍。本文给出务实的落地路径——选域、定义实体关系、建模行为规则、跑通用例、横向扩展，每一步给出验收标准和常见坑。]]></description>
      <author><![CDATA[新质云研究院]]></author>
      <category><![CDATA[Ontology]]></category>
      <category><![CDATA[落地方法]]></category>
      <category><![CDATA[企业AI]]></category>
      <category><![CDATA[语义建模]]></category>
    </item>
    <item>
      <title><![CDATA[客户经营的度量：从满意度到经营结果，客户资产怎么算]]></title>
      <link>https://xinzhiyun.ai/insights/mcr-metrics/</link>
      <guid isPermaLink="true">https://xinzhiyun.ai/insights/mcr-metrics/</guid>
      <pubDate>Tue, 13 Oct 2026 00:00:00 GMT</pubDate>
      <description><![CDATA[客户经营做得好不好，不能靠感觉。本文给出一套四层指标体系——关系层、经营层、财务层、预测层，从客户满意度一路到NRR与客户终身价值，帮你把'客户关系'变成可量化、可管理、可增长的经营资产。]]></description>
      <author><![CDATA[新质云研究院]]></author>
      <category><![CDATA[客户经营]]></category>
      <category><![CDATA[MCR]]></category>
      <category><![CDATA[指标体系]]></category>
      <category><![CDATA[NRR]]></category>
      <category><![CDATA[客户资产]]></category>
    </item>
    <item>
      <title><![CDATA[LTC流程详解：从线索到回款，销售体系的一次流程再造]]></title>
      <link>https://xinzhiyun.ai/insights/ltc-process-guide/</link>
      <guid isPermaLink="true">https://xinzhiyun.ai/insights/ltc-process-guide/</guid>
      <pubDate>Tue, 13 Oct 2026 00:00:00 GMT</pubDate>
      <description><![CDATA[LTC（Lead to Cash，线索到回款）是MCR三大流程中最重的一条：它把销售从'个人英雄的艺术'变成'组织能力的流水线'。本文拆解LTC的六个阶段、每个阶段的动作与验收标准、铁三角协同机制，以及常见的落地偏差。]]></description>
      <author><![CDATA[新质云研究院]]></author>
      <category><![CDATA[LTC]]></category>
      <category><![CDATA[MCR]]></category>
      <category><![CDATA[客户经营]]></category>
      <category><![CDATA[销售流程]]></category>
    </item>
    <item>
      <title><![CDATA[数智化转型路线图：从试点到规模化的四个阶段]]></title>
      <link>https://xinzhiyun.ai/insights/digital-transformation-roadmap/</link>
      <guid isPermaLink="true">https://xinzhiyun.ai/insights/digital-transformation-roadmap/</guid>
      <pubDate>Tue, 13 Oct 2026 00:00:00 GMT</pubDate>
      <description><![CDATA[数智化转型不是一次性项目，是分阶段的组织进化。本文把转型拆成四个阶段——打样、复制、重构、进化，每个阶段给出核心目标、关键动作和退出标准，帮你判断自己卡在哪一阶段、下一步该做什么。]]></description>
      <author><![CDATA[新质云研究院]]></author>
      <category><![CDATA[数智化转型]]></category>
      <category><![CDATA[转型路线图]]></category>
      <category><![CDATA[企业AI]]></category>
      <category><![CDATA[规模化]]></category>
    </item>
    <item>
      <title><![CDATA[AI转型十大败因：为什么大多数企业的AI只停在演示层]]></title>
      <link>https://xinzhiyun.ai/insights/ai-transformation-pitfalls/</link>
      <guid isPermaLink="true">https://xinzhiyun.ai/insights/ai-transformation-pitfalls/</guid>
      <pubDate>Tue, 13 Oct 2026 00:00:00 GMT</pubDate>
      <description><![CDATA[AI转型失败很少因为技术，几乎都因为组织和路径。本文把常见败因归纳为十大类——从展示型立项、语义孤岛到权力错配——每一类给出典型症状和规避动作，可以当作转型项目的自查清单。]]></description>
      <author><![CDATA[新质云研究院]]></author>
      <category><![CDATA[AI转型]]></category>
      <category><![CDATA[数智化转型]]></category>
      <category><![CDATA[避坑指南]]></category>
      <category><![CDATA[企业AI]]></category>
    </item>
    <item>
      <title><![CDATA[你的企业AI成熟度有多高？10道题，测完就知道该从哪下手]]></title>
      <link>https://xinzhiyun.ai/insights/ai-maturity-self-assessment/</link>
      <guid isPermaLink="true">https://xinzhiyun.ai/insights/ai-maturity-self-assessment/</guid>
      <pubDate>Wed, 30 Sep 2026 00:00:00 GMT</pubDate>
      <description><![CDATA[大多数企业的AI焦虑不是'要不要做'，而是'从哪开始'。我们基于上百次企业诊断，把AI成熟度拆成战略、组织、数据、场景、技术五个维度，做成了一套10道题的自测。测完你会发现：多数企业卡住的地方，和它使劲投入的地方，往往不是同一个。]]></description>
      <author><![CDATA[新质云研究院]]></author>
      <category><![CDATA[AI成熟度]]></category>
      <category><![CDATA[企业诊断]]></category>
      <category><![CDATA[AI转型]]></category>
      <category><![CDATA[方法论]]></category>
    </item>
    <item>
      <title><![CDATA[企业AI决策中枢：四块拼图如何拼出经营智能]]></title>
      <link>https://xinzhiyun.ai/insights/ai-decision-center-four-puzzles/</link>
      <guid isPermaLink="true">https://xinzhiyun.ai/insights/ai-decision-center-four-puzzles/</guid>
      <pubDate>Tue, 28 Jul 2026 00:00:00 GMT</pubDate>
      <description><![CDATA[AI不是工具，是决策中枢。但一个能真正驱动经营的AI决策中枢，需要四块拼图同时到位：大脑、地图、导航、操作系统。缺任何一块，AI都只是demo。本文拆解四块拼图的内在逻辑与协同关系。]]></description>
      <author><![CDATA[新质云研究院]]></author>
      <category><![CDATA[AI决策中枢]]></category>
      <category><![CDATA[Ontology]]></category>
      <category><![CDATA[AI架构]]></category>
      <category><![CDATA[企业转型]]></category>
    </item>
    <item>
      <title><![CDATA[Capability OS：为什么企业需要一个AI操作系统]]></title>
      <link>https://xinzhiyun.ai/insights/capability-os-ai-operating-system/</link>
      <guid isPermaLink="true">https://xinzhiyun.ai/insights/capability-os-ai-operating-system/</guid>
      <pubDate>Mon, 20 Jul 2026 00:00:00 GMT</pubDate>
      <description><![CDATA[企业上了大模型、建了知识库、搞了RAG，但AI还是停在试点。问题不在模型不够强，在没有操作系统。Capability OS就是企业AI的操作系统——统一编排AI能力、数据资产与业务流程，让AI从单点试验升级为系统化生产力。]]></description>
      <author><![CDATA[新质云研究院]]></author>
      <category><![CDATA[Capability OS]]></category>
      <category><![CDATA[AI操作系统]]></category>
      <category><![CDATA[产品架构]]></category>
      <category><![CDATA[Ontology]]></category>
    </item>
    <item>
      <title><![CDATA[AI一号位：为什么CEO必须亲自抓AI转型]]></title>
      <link>https://xinzhiyun.ai/insights/ai-ceo-why-must-drive-transformation/</link>
      <guid isPermaLink="true">https://xinzhiyun.ai/insights/ai-ceo-why-must-drive-transformation/</guid>
      <pubDate>Wed, 15 Jul 2026 00:00:00 GMT</pubDate>
      <description><![CDATA[AI转型不是CIO的IT项目，而是CEO的战略工程。当一号位不亲自下场，AI就永远停留在试点阶段。本文从组织、流程、决策三个维度，拆解为什么AI一号位工程必须从CEO开始。]]></description>
      <author><![CDATA[新质云研究院]]></author>
      <category><![CDATA[AI转型]]></category>
      <category><![CDATA[一号位工程]]></category>
      <category><![CDATA[组织变革]]></category>
    </item>
    <item>
      <title><![CDATA[企业出海的AI赋能：从信息化到智能化]]></title>
      <link>https://xinzhiyun.ai/insights/global-expansion-ai-enablement/</link>
      <guid isPermaLink="true">https://xinzhiyun.ai/insights/global-expansion-ai-enablement/</guid>
      <pubDate>Wed, 08 Jul 2026 00:00:00 GMT</pubDate>
      <description><![CDATA[出海不是把国内系统搬到海外，而是要在多语言、多币种、多法规的环境里重建经营能力。AI不是锦上添花，是出海企业的生存基础设施——从合规风控到本地化运营，从跨国协同到市场洞察，AI决策中枢是出海企业全球化运营的底座。]]></description>
      <author><![CDATA[新质云研究院]]></author>
      <category><![CDATA[企业出海]]></category>
      <category><![CDATA[全球化]]></category>
      <category><![CDATA[AI赋能]]></category>
      <category><![CDATA[合规管理]]></category>
    </item>
    <item>
      <title><![CDATA[智能制造的AI拐点：从自动化到自主化]]></title>
      <link>https://xinzhiyun.ai/insights/smart-manufacturing-ai-turning-point/</link>
      <guid isPermaLink="true">https://xinzhiyun.ai/insights/smart-manufacturing-ai-turning-point/</guid>
      <pubDate>Tue, 30 Jun 2026 00:00:00 GMT</pubDate>
      <description><![CDATA[制造业搞了二十年自动化，效率提升遇到了天花板。自动化解决的是'重复动作'，自主化解决的是'复杂决策'。当AI能理解生产现场、预测设备故障、自主调度排产，制造业才真正跨过从自动化到自主化的拐点。]]></description>
      <author><![CDATA[新质云研究院]]></author>
      <category><![CDATA[智能制造]]></category>
      <category><![CDATA[AI转型]]></category>
      <category><![CDATA[制造业]]></category>
      <category><![CDATA[预测性维护]]></category>
    </item>
    <item>
      <title><![CDATA[Ontology vs 数据中台：企业AI的语义底座之争]]></title>
      <link>https://xinzhiyun.ai/insights/ontology-vs-data-platform/</link>
      <guid isPermaLink="true">https://xinzhiyun.ai/insights/ontology-vs-data-platform/</guid>
      <pubDate>Sat, 20 Jun 2026 00:00:00 GMT</pubDate>
      <description><![CDATA[数据中台解决的是数据汇聚问题，Ontology解决的是语义理解问题。当AI需要理解企业时，数据中台给不了答案——它只有数据，没有语义。本文拆解两者的本质差异，以及为什么AI时代需要Ontology。]]></description>
      <author><![CDATA[新质云研究院]]></author>
      <category><![CDATA[Ontology]]></category>
      <category><![CDATA[数据中台]]></category>
      <category><![CDATA[AI架构]]></category>
    </item>
    <item>
      <title><![CDATA[从CRM到MCR：客户经营的方法论演进]]></title>
      <link>https://xinzhiyun.ai/insights/from-crm-to-mcr/</link>
      <guid isPermaLink="true">https://xinzhiyun.ai/insights/from-crm-to-mcr/</guid>
      <pubDate>Thu, 28 May 2026 00:00:00 GMT</pubDate>
      <description><![CDATA[CRM管的是客户数据，MCR管的是客户经营。当企业从'管理系统'升级到'经营体系'，客户关系才真正变成可量化的经营资产。本文拆解从CRM到MCR的方法论演进路径。]]></description>
      <author><![CDATA[新质云研究院]]></author>
      <category><![CDATA[CRM]]></category>
      <category><![CDATA[MCR]]></category>
      <category><![CDATA[客户经营]]></category>
      <category><![CDATA[华为LTC]]></category>
    </item>
  </channel>
</rss>