文章核心观点 - 制造业智能体应从最琐碎、易出错的日常任务起步，逐步累积到岗位和组织能力，最终推动制造模式从自动化迈向受控的自适应 [3][7][9] - 智能体“上岗”的关键是嵌入企业责任链条，其产出能被后续环节接收、核验和追溯 [7][14] - 制造业智能体的第一站往往不在生产现场，而在系统之间的数据断点，这些任务规则清楚、结果可核验 [8][11] 背景：AI助力中国制造业由大到强 - 中国制造业处在由大到强的关口，面临三个核心卡点 [4] - AI成为制造业转型升级的新引擎 [4] 制造业智能体工程方法 - 智能体发展分三阶段：能对话、能干活、能上岗，对应回答问题、协助完成任务、在岗位规则下接收任务并交付结果 [7] - 智能体“上岗”需要一套工程方法：先选定有业务价值且具备落地条件的任务，再用真实数据和流程验证，最后沉淀规则、模板和样例供复用 [8] - 制造业智能体应像搭积木一样累积：先做通一项具体任务，再把多个任务串成岗位能力，最后沿业务流程连接为组织协同 [8] - 系统的连通性决定智能体能否从建议者变成执行者，能获取真实数据、调用业务系统、留下审计记录才可能在授权范围内完成岗位任务 [8] - AI压缩了信息处理和规则执行的成本，企业能否把经验说清楚、把规则写下来、把例外分出去，决定智能体能否稳定创造价值 [8] 典型岗位与场景 - 研发领域：产品工程师（PE）负责BOM核查、工程变更、开工核查、版本巡检，智能体承担基线核对、影响评估、风险分级、版本校验 [10] - 生产领域：生产计划（PMC）负责接单评审、交期平衡、排产插单、偏差追踪、呆滞复盘，智能体承担重排计划、协调资源、追踪偏差、暴露风险 [10] - 生产领域：工艺工程师（PROC）负责SOP生成与校验，智能体承担生成作业依据、校验步骤冲突、核对一致性 [10] - 生产领域：品质工程师（QE）负责质量异常、交付风险，智能体承担履历还原、异常归因、风险提示 [10] - 供应领域：采购员负责齐套缺料预警、来料跟催，智能体承担判断影响、识别优先级、推动履约 [10] - 销售领域：销售员负责图纸报价、订单转化、合同审查，智能体承担解析需求、核算成本、识别风险 [10] - 服务领域：服务工程师（SE）负责故障远程诊断、维修方案生成、服务工单分派、备件调拨建议，智能体承担解析故障、定位根因、生成步骤、匹配备件、建议派单 [10] - 管理领域：管理层负责经营复盘、异常升级归口，智能体承担对齐数据、识别矛盾、下钻归因 [10] - 职能领域：财务负责对账与开票核对、利润风险提示，智能体承担差异归因、责任判定、凭证索引、毛利提示 [10] 第一站不在生产现场，而在系统和数据之间 - 许多制造企业已有不少数字化系统，难题常出在系统之间，如物料变更、齐套核查、图纸报价、对账开票等工作 [11] - 物料清单（BOM）基线核对是典型任务，智能体可完成多格式解析、数据体检、差异提取和影响面梳理，交出一张标明风险和待确认事项的清单 [11] - 一次BOM换版的人工投入可由3至5小时降至0.5小时，周期可由1至2天缩短至当天出清单 [12] - 过去主要依赖个人熟练度的核对过程，开始变成别人也能检查、复盘和接续的工作标准 [12] 智能体“上岗”，关键是接住一段责任链 - “上岗”的实质是AI能嵌进一条有人接手、有人负责的工作链：任务从哪里来、中间由谁确认、结果交给谁、出了问题谁担责 [14] - 以生产与物料控制（PMC）的短期排产与插单调整为例，AI接中间一段：按优先级规则生成排产方案，在方案确认后调整工单、向各部门发送通知、留下处理记录 [14] - 人卡关键节点：PMC审核方案是否可行，插单取舍和规则之外的例外由人判断 [14] - 人工投入可由3至4小时降至0.5小时，急单端到端响应可缩短至15分钟 [14] 智能体应从小任务起步，逐级累积到岗位和组织 - 企业最容易走偏的地方是一开始就期待AI覆盖一个部门或一整条流程，更可靠的路径是先拿下边界清楚的任务，再向相邻工作扩展 [16] - 缺料核查说明：智能体把库存、需料时间、替代料条件和在途订单放到同一张判断表上，将结果分成“可按计划开工”“有条件开工”“需升级决策”三类 [16] - 任务做稳后，沉淀的数据口径和异常处理方式可延伸到齐套预警、采购跟催、呆滞料处置等相邻工作 [16] 把人的经验，沉淀为AI的规则 - AI擅长按规则取数、计算、核对，但规则需要企业把资深员工的经验写成AI能稳定执行的规则 [18] - 广州视声的供应链实践：把市场价格、库存水位、在途订单和历史耗用量汇入同一流程，将采购团队多年积累的管理经验转化为风险分级和决策规则 [18] - AI按规则整理信息、生成订单建议，业务人员负责最终审批 [18] - 动态库存与价格联合决策可从人工3天缩短至AI辅助2小时，并支持每月自动刷新 [18] - 规则越清楚，AI执行得越稳；市场变了，人再校准规则、补充知识、处理例外 [19] 系统连通，能力才能走进流程 - 智能体要从“给建议”走到“办成事”，必须接入企业已有的工作系统，读到真实数据，在授权范围内完成必要动作，并把过程留下记录 [21] - 系统连接越深，权限、审计和回退机制就越要先设计好 [21] - 系统连通要为每一项动作划清数据范围、执行权限和责任归属 [21] 从一个场景，到一套组织能力 - 单个场景做出效果只能说明一项任务可以交给智能体，要获得持续收益，企业还需要让最懂业务的人参与定义任务、完善规则、检查结果 [22] - 珠海天威飞马采用“业务主导、技术陪跑”方式：业务骨干亲手搭建提效流程，IT团队提供技术支持；跑通的方案进入案例库，再推动跨部门复制 [23] - 天威已沉淀50多个应用场景，覆盖六大职能 [23] 走向自适应，先把边界做实 - 制造业过去的自动化是把人的动作写进固定程序，自适应是让系统在给定边界内自己判断、自己行动 [25] - 自适应的终点是受控的自主，常规响应交给系统，价值判断和边界留给人 [25] - 以服务派工为例，智能体先补齐设备信息，识别安全红线，给出远程处理或上门建议，把模糊描述整理成可供主管判断的工单；故障诊断、派人决策和费用承诺仍由人确认 [25] - 制造现场讲毫秒级的确定，高频数据采集、异常检测和安全闭环先由边缘设备和确定性系统完成，智能体只按需调用结果、做分析和协同 [25] - 制造智能体沿由易到难的路径向前：先做深数字任务，再接入生产系统，再走向多智能体协同，最后伸向物理世界 [25] 让AI先跑出第一棒 - 制造业智能体的难点在模型能力，更在企业能否把真实痛点拆成具体任务，把数据、规则和系统接起来，把经验变成可验证的工作方法 [29] - 一张排产调整表、一轮缺料核查、一次图纸报价，当这些任务能被准确执行、反复验证，并被更多岗位复用时，新的组织能力才会慢慢形成 [29] - 从一个真实场景出发，让AI先跑出第一棒，再让人和AI在清楚的规则、数据和责任边界中持续协作，走向更具韧性、更能适应变化的制造组织 [29] - 本白皮书梳理了7大岗位的典型任务场景，并呈现三家代表性企业的系统化落地经验 [30]