10分钟干完2天的活？AI将这样赋能制造企业

导读

AI 在制造业落地的真实困境是什么？AI 未来会怎样改造工厂？未来 3-5 年，与 AI 共创共生，已成为制造企业不可回避的生存命题。

作者 | 邓翔

原创出品 | 管理智慧

前言

说句实话，如果不是 2025 年上半年一次偶然的机会，与前微软苏州研究院团队一起进行了一次业务场景模拟演示，我应该和大多数制造业同仁一样对于 AI 能在制造业进行场景运用是一点都不相信的。这次业务模拟演示以及几次训练结果让我很吃惊，并立马从 AI 怀疑派转为拥抱 AI 派。

我们一起做的业务场景模拟很简单，就是针对前月和当月的盘点报表用 AI 智能体编制一份盘点总结报告。一般这份报告是由仓库负责人或者财务成本会计负责编制，编制过程中需要做数据处理、差异分析、盈亏计算、问题课题输出以及优化建议输出，最后以 PPT 的形式进行呈现。就算是我如果什么事都不做专注做这个报告的话大概需要 5 小时左右，正常工作状态下大概需要 2 天左右才能完成。第一次没有做任何训练的情况下，直接用团队的 AI 智能体，只用了 10 分钟就呈现了一份 PPT 形式的盘点总结报告。

从报告内容来看，我认为可以达到我 50% 的要求，虽然并不能立马使用，但是已经让我很吃惊了。50% 能用的地方在于数据处理、差异分析、盈亏计算，50% 不能用的地方是问题课题数据、优化建议输出，这部分团队用的是开源资料，就是从开源信息中对照数据进行了分析，呈现出一大堆看得懂、感觉也有一定道理，但是根本没有针对性和可落实性的假大空文字。

然后在与团队进行 3 次训练以后，AI 智能体还是能在 10 分钟左右的时间，呈现出一份可以达到我 90% 要求的盘点总结报告，除了用词和细节方面我还需要修正一下就完全可以用了。这颠覆了我的认知，AI 不再是只有算力 + 算法的工具，而是在算力 + 算法 + 大语言模型后，可以进行人机交互工具。这也意味着，在 AI 的未来，我完全可以在 AI 智能体上再造一个 AI 的我。这让我看到了 AI 在制造业将有着很广泛运用的未来。

AI 在制造业运用的几大实际困难和挑战

虽然我看到了 AI 在制造业将有广泛运用的未来，并能在 " 重复性劳动 + 高成本岗位 + 决策辅助上 " 形规模化落地场景，但是 2025 年下半年在制造业客户推广中还是遇到很多实际困难和挑战，特别是在中小制造型企业中。

困难一：数据归属。数据是 AI 在制造业运用的两大支撑之一，和我们之前的想象不一样的是，在很多企业的数据虽然名义上归属于企业，但是实际上是掌握在企业内部各种软件和各个部门的独立统计表上。如果只是基于一种软件数据或者一个部门的独立统计表来生成 BI 报表是并不是一件很难的事情，但是要想跨软件（比如覆盖 ERP/MES/WMS/CRM）数据或则跨部门数据统计表打通，几乎是仅仅靠 AI 智能体企业无法实现的。而不能打通数据，就无法掌握数据链的波动状态，那么在决策辅助领域几乎是很难发挥 AI 智能体的算力与人机交互的优势。

困难二：知识经验库沉淀迭代式搭建。如果数据化是 AI 在制造业运用的两大支撑之一的话，知识与经验就是 AI 在制造业运用的第二大支撑。就我个人理解，只有将知识经验与对应的数据链相结合，才能最大化将 AI 智能体运用起来。我们不少制造型企业已经通过 ERP/MES/WMS/CRM 等软件初步实现了数据链标准化的工作，但是知识经验库的建设几乎为 0 或者只停留在 SOP 或者各种培训资料以及各种报告状态，没有有效地搭建企业自身的知识经验沉淀库。就会产生一个现实情况：出现异常波动或者异常事件时，发现异常的人不知道该怎么做、做决策的人往往又不在异常现场，导致数据与知识脱节，不能第一时间解决有效解决异常问题。正如目前很多企业在现场搞了很多数据化看板，但实际效果除了能证明企业数据标准化和可视化工作做的不错以外，现场基本上没有人看，对于提升企业决策效率或者执行力没有任何帮助。没有知识经验库的搭建，光有数据的话，很多事后 AI 也只能发挥出 BI 的效果，无法发挥出 AI 真正的优势。

困难三：知识经验库的本地化萃取。如果说搭建是一个挑战的话，那么本地化萃取就是企业将 AI 智能体持续发挥作用的关键。在我的个人理解，未来每家企业都需要有一个自己的 AI 智能体，它就像一个小学生一样，接受经过萃取后的本企业的各种知识，从而逐步承担多岗位多角色的工作。制造企业导入 AI 最大的难点就在于不能使用网络上的开源素材来训练 AI，各种开源素材一旦导入就将污染自企业 AI 的数据信息的纯洁性，将一个三好学生的 AI 转化为一个不学好且偷懒的黄毛。所以，AI 知识经验库的本地化萃取和与开源隔离必须同步做好。

困难四：数据的颗粒度设定。很多企业在准备导入 AI 时，都习惯性的提升数据采集或者数据分析的颗粒度，从而拉大了数据链的深度，同时也增加了 AI 所需要抓取和运算的工作量。AI 与软件的最大区别在于，软件是数据的仓库，而 AI 是仓管员。仓库的出入数据越多，也就意味着仓管员的人数要增加或者每次工作时间要拉长。数据颗粒度抓取越细、越多不是对 AI 企业提出要求，而是企业需要相应的增加算力的硬件投入。否则，AI 的算力优势不会比一个大学毕业生用 EXCEL 表快多少。

困难五：既懂 AI 又懂生产的跨界团队难找，从事 AI 的人大多数没有生产的场景或者概念。我和这个 AI 团队刚开始接触的时候，他们对于通用 AI 场景的熟悉程度明显高于对于生产场景的熟悉。他们 2024 年前也没实现跨界，也大多习惯于制造客户提供述求、数据、素材，然后他们做项目，一旦客户只有述求或者只有数据和素材，那么大多数情况就很难推动 AI 在制造企业的项目导入。问题是，AI 对于大多数制造企业来说都是一个新事务，完全不了解 AI 与 IT 或者 BI 之间的区别，要么是认为 AI 无所不能、要么就是认为 AI 还不成熟，所以制造企业与大多数 AI 团队相关之间始终隔着一个无形的墙壁。

AI 在制造企业管理运用的前景展望

虽然 AI 在现阶段导入到制造企业存在很多困难和挑战，但是并不存在技术壁垒或者需要技术攻克的难关，主要还是 AI 与企业与服务商如何进行协同合作，一同为企业创造增值服务。AI 的前景在未来，就如当年 ERP 刚刚进入制造企业一样，要知道刚开始导入 ERP 时，在中国一次性导入成功率不超过 40%。关键在于对 AI 运用前景与价值的了解，以及做好导入前的准备工作。

我个人认为 AI 未来在制造企业的辅助决策和高成本管理岗位上能发挥更大作用和价值。我个人把 AI 未来在制造企业内的辅助决策和高成本管理岗位的运用分成三个阶段：

第一阶段：体检报告阶段（事后追溯）。这是对企业采集运营数据、素材、指标、标准、知识与经验库的阶段，通过这些数据与信息的收集，完成对企业健康状态管控要素指标的明确，形成针对企业健康状态管控要素指标的事后体检结果呈现和结合知识与经验库给与的诊断分析以及应对策略建议。有效降低决策时间成本和减少企业内部内耗，提高整体的管理运营效率。

第二阶段：健康管控阶段（事中干预）。在第一阶段的基础上，通过大模型、小模型、硬件设备设施相结合，搭建完成运用于企业管理生态的自主型 AI 智能体。这个阶段，自主型 AI 智能体将根据第一阶段积累的数据、经验，并通过各项硬件设备设施形成对企业各个环节的健康管控机制。一旦监控发现问题，第一时间指挥指导相关人员进行干预和采取最佳举措防止问题扩散、防止企业产生进一步的损失。

第三阶段：养生调养阶段（事前调养）。在第二阶段的基础上，进一步与各种智能机器人、VGR 输送工具、智能机械臂等进行作业协同，形成完全基于 AI 智能体管控下的多工序、多机器人、多品种小批量产品生产和生产切换。在生产过程中将人的因素降到最低，确保生产最小成本下的最大生产量。AI 智能体将综合各项信息以及设备设施参数，将可能出现的异常或者浪费降到最低概率，确保企业可持续低成本生产。最大限度减少人在生产过程中的存在，将出现问题或错误的可能性降到最低。而人将进一步向生产微笑曲线两端发挥价值：一是生产新品研发端的价值发挥；一是在设备、模具维保端的价值发挥。

智能机器人的大规模运用将是中国制造业的未来，但是指挥 1 台、10 台、100 台、1000 台智能机器人将是中国制造企业最大挑战。就如中国动车如此之大的保有量、如此之快的速度、如此之多的班次，如果全靠人工排产，那是根本无法想想的。只能指挥 100 台以上智能机器人并还能发挥最大能效比绝对不是在人的管理之下，只能是基于企业训练出来的 AI 智能体。

制造企业在导入 AI 智能体的几点建议

相信从 2026 年开始，更多的企业都会考虑拥抱 AI，在此我结合今年下半年与团队在帮助制造企业做的几个项目，提出以下几个建议：

建议一：AI 在制造企业的导入首先要选择 " 小快灵 " 的场景先导入。正如困难一所述的一样，数据和信息的归集本身对于制造企业就是一个很大的挑战。因此，一定要找一个只存在于一个软件模块或者一个部门内的 " 小快灵 " 场景导入。AI 项目本身企业投入要小、AI 开发速度要快、AI 导入后的运用立马见效。只有通过一个小快灵的项目这个点，才能帮助企业树立导入 AI 的决心、员工使用 AI 的信息。

建议二：AI 在制造企业的导入要有长期规划和阶段性投资。企业不能用导入 ERP 的方式来导入 AI ，一定要提前做好长期规划和分阶段的投资，不能指望一次性见效，除非有足够的财力和雄厚的人才团队。对于中小制造来说，管理型 AI 智能体导入比基于智能体机器人的 AI 导入将更有性价比。

建议三：AI 在制造企业的导入需要同时注重优秀人才的知识经验库建设。只有数据的 AI 只是披着 BI 皮的 AI。没有企业内部优秀人才的知识经验库的支撑和迭代，只是基于数据的 AI 是无法持续满足企业需求的。特别是在大语言模型成熟之下，只要有足够的知识经验库，AI 可以化身成各种角色，发挥多能工的效果。

总结

我个人认为 2025 年是中国 AI 的起步之年，从这一年开始，中国制造业将会是 AI 供应商最新的争夺战场。企业管理架构也将会逐步被改写，制造企业内人与人的关系也许逐步会被人与 AI 的关系或者 AI 与智能机器人的关系所取代。我始终认为能发挥智能机器人最大能效的只有 AI 智能体，而能发挥 AI 智能体最大能效的只有 AI 智能体所模仿学习迭代的优秀人才的知识与经验。