進(jìn)入工廠、進(jìn)入流程、進(jìn)入組織。

作者 | 李威（北京）

奕派科技武漢工廠的一條產(chǎn)線突然報警，流水線上的車停在一個工位上，沒有繼續(xù)往前走。

按照傳統(tǒng)流程，工程師需要先找到控制車往前走的那行程序，然后根據(jù)條件找到?jīng)]有被觸發(fā)的信號，然后再返回硬件端，找到信號對應(yīng)的輸入點，找到輸入點之后，需要根據(jù)圖紙再去找到對應(yīng)的開關(guān)，并檢查和恢復(fù)它的狀態(tài)。

現(xiàn)在，奕派科技的工程師們只需要向AI清晰描述出車是在哪個位置不走了，有哪一個輪子沒有轉(zhuǎn)，AI自己就會自動識別故障類型，調(diào)取歷史案例，給出原因分析、處理步驟和設(shè)備點位。

故障處理完成后，AI還會自動總結(jié)本次故障的原因、排查步驟、解決方案和關(guān)鍵知識點，生成結(jié)構(gòu)化記錄，再由工程師做最后校對，沉淀進(jìn)知識庫。下一次出現(xiàn)同樣的問題時，AI就會直接推送這次沉淀的解決方案。

這是2026「飛書AI先鋒大賽·先進(jìn)制造專場」的決賽項目之一。進(jìn)入決賽的10個項目中，有人在依靠大模型打造新的視覺檢測系統(tǒng)，對零部件自動質(zhì)檢；有人已經(jīng)在用OpenClaw進(jìn)行安全巡檢、分析運營日報；還有人搭建了一套智能協(xié)同平臺，來優(yōu)化庫存周轉(zhuǎn)天數(shù)……

在AI能力的支持下，特別是OpenClaw范式出現(xiàn)之后，工業(yè)數(shù)字化不再只是人服務(wù)于數(shù)據(jù)，為了填報而填報，把系統(tǒng)變成了被供起來的「祖宗」；而是開始更具行動力，將被動的記錄系統(tǒng)變成主動的行動系統(tǒng)。

這意味著，工廠在進(jìn)化為一種「生命體」。

制造業(yè)的數(shù)字化沒有流動

過去幾年，中國制造業(yè)并不缺數(shù)字化投入，大量企業(yè)完成了第一輪信息化和數(shù)字化建設(shè)。但真正進(jìn)入工廠現(xiàn)場后，很多企業(yè)會發(fā)現(xiàn)：系統(tǒng)越來越多，流程越來越復(fù)雜，但效率并沒有同步提升。

問題在于：數(shù)據(jù)、知識和開發(fā)，并沒有真正流動起來。

最先卡住的是數(shù)據(jù)。

億咖通雖然已經(jīng)部署了ERP和SAP系統(tǒng)，但供應(yīng)鏈管理涉及到的客戶預(yù)測、排產(chǎn)、缺料計算、庫存監(jiān)控等每天都在變化的數(shù)據(jù)，很難從這些系統(tǒng)中獲得實時反饋。「SAP可以跑缺量，但它跑得非常慢，等它跑出來的時候，我們的計劃可能又出現(xiàn)變化了。」億咖通全球技術(shù)中心的產(chǎn)品經(jīng)理孫迪說。

于是，大量一線協(xié)同重新退回到最原始的狀態(tài)：Excel、電話、微信群。并且，信息在層層傳遞中會不斷損耗，管理層很難實時看到一線變化，很多庫存問題直到「包不住了」才會被上報，但這時已經(jīng)很難挽回?fù)p失了。

第二個卡點是知識。

在開頭提到的設(shè)備保全場景中，「車不往前走」是最簡單的故障，解決這個故障就已經(jīng)需要工程師熟悉系統(tǒng)的控制邏輯和現(xiàn)場布置。老師傅可以靠十幾年的經(jīng)驗積累快速拿出解決方案，但剛?cè)胄械哪贻p人卻很難快速學(xué)習(xí)和應(yīng)用好這些知識和經(jīng)驗。

這些知識和經(jīng)驗并不是沒有被積累起來。奕派科技武漢工廠設(shè)備保全部的湯俊表示，工廠十幾年來積攢了140份長停工報告、2000多條故障一元化表、275份原理原則課件。但這些知識只是躺在文檔里、表格里，存在老師傅腦子里，沒有「長在組織上」，在團(tuán)隊內(nèi)真正流轉(zhuǎn)起來。

第三個卡點是開發(fā)。

東風(fēng)康明斯制造工程部的巢正坤將過去幾年的數(shù)字化階段形容為：「扶上馬，但沒人送一程。」數(shù)字化系統(tǒng)上線之后，企業(yè)確實實現(xiàn)了「紙面流程線上化」，但更多只是把原本手工記錄的工作搬進(jìn)系統(tǒng)，真正的業(yè)務(wù)邏輯并沒有改變。「以前是手工填表，現(xiàn)在變成系統(tǒng)填表。」他說，「員工會覺得，好像請了個祖宗回來伺候它。」

核心的原因是，傳統(tǒng)數(shù)字化體系建立在一種固定邏輯上：業(yè)務(wù)提需求，IT翻譯需求，再由供應(yīng)商開發(fā)系統(tǒng)。這樣會讓層層傳遞間業(yè)務(wù)需求失真，也會讓一項功能的開發(fā)耗費大量時間和資源。

但制造業(yè)最大的特點恰恰是業(yè)務(wù)每天都在發(fā)生變化。相對僵化的開發(fā)流程與不斷變化的業(yè)務(wù)需求之間沒有形成流暢的互動。這種開發(fā)遲滯，會讓大量被積累在系統(tǒng)中的數(shù)據(jù)、知識，因缺乏合適的工具而無法在組織內(nèi)實現(xiàn)順暢流轉(zhuǎn)。

某種意義上，過去十年的數(shù)字化，更像是讓企業(yè)第一次做到了「看見」——看見庫存、看見異常、看見協(xié)同斷點。但看見并不等于能發(fā)現(xiàn)問題、解決問題，要讓整個數(shù)字化基礎(chǔ)設(shè)施發(fā)力，還需要為其建立一個把數(shù)據(jù)、知識和人重新連接起來的「協(xié)同層」。

AI支撐的協(xié)同層建設(shè)

這個協(xié)同層的建設(shè)是過去幾年制造業(yè)進(jìn)行數(shù)智化轉(zhuǎn)型的核心目標(biāo)之一。在大模型和Agent出現(xiàn)之前，已經(jīng)有不少RPA、低代碼工具在嘗試為企業(yè)提供解決方案，但都缺乏足夠的靈活性。當(dāng)制造業(yè)致力于讓數(shù)據(jù)、知識、開發(fā)流動起來時，前提一定是有一套足夠靈活、高適配度的「腳手架」在提供支持。

大模型和Agent的應(yīng)用讓這套「腳手架」有了實現(xiàn)的可能性。在既有的數(shù)字化基建基礎(chǔ)上，大模型和Agent負(fù)責(zé)理解、判斷和規(guī)劃行動，飛書這樣的協(xié)同工具負(fù)責(zé)實現(xiàn)連接，最終讓原本靜態(tài)的系統(tǒng)可以快速適應(yīng)業(yè)務(wù)的變化，實現(xiàn)邊跑邊改、邊用邊調(diào)。

除了奕派科技的設(shè)備保全探索，在飛書的大賽上，不同企業(yè)也從不同切面驗證了這件事。

切面一：海信的主數(shù)據(jù)治理

數(shù)據(jù)治理是制造業(yè)實現(xiàn)數(shù)字化轉(zhuǎn)型的前提。以供應(yīng)商數(shù)據(jù)為例，同一個供應(yīng)商，在不同事業(yè)部可能有不同名字、不同編碼、不同字段標(biāo)準(zhǔn)。數(shù)據(jù)一旦不統(tǒng)一，采購、供應(yīng)鏈、財務(wù)之間就會出現(xiàn)斷點。海信集團(tuán)采購中心的黃亭亭表示，海信在2024年12月就上線了主數(shù)據(jù)項目，目的就是為高價值數(shù)據(jù)制定統(tǒng)一的標(biāo)準(zhǔn)，在整個集團(tuán)內(nèi)實現(xiàn)復(fù)用。

經(jīng)歷了一年的穩(wěn)定期，在2025年12月開始推進(jìn)供應(yīng)商主數(shù)據(jù)的運營工作。這項工作的目標(biāo)有兩個：維護(hù)數(shù)據(jù)標(biāo)準(zhǔn)，保證數(shù)據(jù)質(zhì)量。比如，付款條件之前有三項，當(dāng)增加第四項時，就需要更新數(shù)據(jù)標(biāo)準(zhǔn)；然后基于新標(biāo)準(zhǔn)，把數(shù)據(jù)清洗干凈。

這個過程往往會帶來大量人工校驗、反復(fù)溝通和跨部門扯皮。然后黃亭亭的團(tuán)隊引入了AI來推進(jìn)數(shù)據(jù)治理流程，讓人找數(shù)據(jù)轉(zhuǎn)變成數(shù)據(jù)自己流動起來。當(dāng)系統(tǒng)提示有數(shù)據(jù)存在問題時，AI會直接給出修正結(jié)果，甚至自動完成字段賦值，然后督促業(yè)務(wù)人員進(jìn)行確認(rèn)。

切面二：億咖通的供應(yīng)鏈協(xié)同

依托AI能力和飛書，億咖通對供應(yīng)鏈預(yù)測進(jìn)行了優(yōu)化，將準(zhǔn)確率從75%提升到91.5%，部分高價值物料從原來的「備1—2個月庫存」，變成按周拉動，釋放出數(shù)個月的流動資金。

他們的預(yù)測背后并不是一個「大一統(tǒng)系統(tǒng)」，而是由AI支持的多個獨立模塊之間的動態(tài)協(xié)同。需求預(yù)測、采購、庫存、交付，各模塊既獨立運行，又相互校驗。一旦某個環(huán)節(jié)數(shù)據(jù)異常，下游模塊會反向預(yù)警。

這種模式和傳統(tǒng)工業(yè)軟件最大的區(qū)別在于：它允許業(yè)務(wù)快速試錯。過去需要一個月開發(fā)的模塊，現(xiàn)在一周就能出原型。與傳統(tǒng)的開發(fā)流程相比，這個項目的上線直接節(jié)省了200多萬元開發(fā)成本。

一旦繁雜的基礎(chǔ)工作被AI接管，業(yè)務(wù)人員就能有更多時間針對關(guān)鍵問題做分析、決策和優(yōu)化。這又會進(jìn)一步提升組織配合度，形成正循環(huán)。

切面三：東風(fēng)康明斯的低成本開發(fā)

改造成本太高是很多制造業(yè)企業(yè)在進(jìn)行數(shù)智化轉(zhuǎn)型時會遇到的問題。以前，智能化意味著購買更貴的設(shè)備，引入更新的軟件，這些都需要進(jìn)行新的大額投資。一臺生產(chǎn)線上使用的搭載端側(cè)模型的智能相機(jī)可能就價值幾萬元。上線之后，也可能難以達(dá)到預(yù)期的效果，還需要繼續(xù)投資進(jìn)行改進(jìn)。

但大模型帶來了新的解題思路。東風(fēng)康明斯的解決方案是，將已經(jīng)投資建設(shè)的數(shù)字化設(shè)備進(jìn)行軟硬件解耦，利用已有的攝像頭硬件，外掛大模型的能力，打造新的AI視覺質(zhì)檢解決方案。通過這套方案實現(xiàn)的發(fā)動機(jī)連桿配對碼的高精度識別，上線9個月，準(zhǔn)確率穩(wěn)定在99.5%以上，且全年總算力費用不到1000塊。

這些切面都指向了一個關(guān)鍵變化：制造業(yè)智能化開始從「增量建設(shè)」轉(zhuǎn)向「存量激活」。這背后起到支撐作用的是大模型、Agent、飛書等組成的、更靈活的開發(fā)套裝。未來制造業(yè)可能也會實現(xiàn)針對一個具體問題，實時響應(yīng)、快速定制解決方案，做到用完即走。比穩(wěn)定使用十年更重要的，是快速解決今天的問題。

用好AI是一場組織建設(shè)

工具是乘數(shù)，人是基數(shù)。基數(shù)是零，乘數(shù)再大，結(jié)果還是零。這是前大模型階段，制造業(yè)數(shù)字化建設(shè)面臨的問題，也是Agent階段，制造業(yè)走向智能化需要應(yīng)對的挑戰(zhàn)。協(xié)同層不是自己長出來的——它需要人去搭、去試、去迭代。本質(zhì)上，用好AI是一個組織建設(shè)的問題。

一方面，AI搭建的新工具需要相應(yīng)的組織重構(gòu)，來保證落地。

海信的主數(shù)據(jù)治理項目，沒有走傳統(tǒng)的「IT牽頭、業(yè)務(wù)配合」路線，而是搭建了一個鐵三角：業(yè)務(wù)、財務(wù)、IT各自出人，組成3-5人的核心運營組，主導(dǎo)全集團(tuán)供應(yīng)商主數(shù)據(jù)運營。業(yè)務(wù)知道痛點在哪，財務(wù)知道數(shù)據(jù)標(biāo)準(zhǔn)怎么定，IT知道用什么工具來實現(xiàn)——三方坐在一起，需求不用跨部門翻譯，決策當(dāng)天出。

往下延伸，30多個事業(yè)部各設(shè)1名數(shù)據(jù)主人，每個主人下按強(qiáng)相關(guān)系統(tǒng)配置3名左右數(shù)據(jù)管家，全集團(tuán)100多名管家，按源頭系統(tǒng)拆分?jǐn)?shù)據(jù)責(zé)任。不是上線了就結(jié)束，而是把數(shù)據(jù)質(zhì)量拆細(xì)，做到每個數(shù)據(jù)都有人盯、有人改、有人負(fù)責(zé)。

就像黃亭亭所說，這個項目最終交付的，不只是項目，而是一套能持續(xù)發(fā)現(xiàn)問題數(shù)據(jù)、消滅問題數(shù)據(jù)的組織能力。同樣的，億咖通也依賴由IT和運營組成的小組，每個小組負(fù)責(zé)一個環(huán)節(jié)的運營，最終實現(xiàn)庫存預(yù)測解決方案的持續(xù)運營和迭代。

另一方面，需要組織來激活業(yè)務(wù)人員建設(shè)AI工具的積極性。

巢正坤有一個樸素的經(jīng)驗總結(jié)：「所有成功的項目，都是業(yè)務(wù)真正知道自己要什么。」業(yè)務(wù)說不清需求，把希望寄托在乙方身上，指望外部團(tuán)隊「點石成金」。結(jié)果做出來的系統(tǒng)，功能上沒毛病，就是跟業(yè)務(wù)對不上。

AI模式讓業(yè)務(wù)能夠主導(dǎo)工具的開發(fā)。巢正坤主導(dǎo)發(fā)動機(jī)連桿視覺檢測功能的源起，是看到了一個養(yǎng)豬場用大模型數(shù)豬的案例——大模型能數(shù)豬，能不能識別發(fā)動機(jī)上的字符？

他的團(tuán)隊試著在飛書多維表格里接入了大模型。第一次測試，準(zhǔn)確率40%。放在傳統(tǒng)項目評審里，這個數(shù)字意味著「不可行」。但他繼續(xù)優(yōu)化提示詞，讓準(zhǔn)確率爬升到94%、95%。還是不夠——工業(yè)級落地容不下5%的誤差。他繼續(xù)收集負(fù)樣本，逐一分析判錯原因，定位問題，逐個解決。

巢正坤的成功需要三個條件同時成立：觸手可及的工具，多維表格接入大模型，工程師不需要走IT審批就能開始試；愿意試的人，一個敢從養(yǎng)豬場聯(lián)想到發(fā)動機(jī)的工程師；持續(xù)迭代的耐心，在驗證方向的可行性后，能夠不放棄，繼續(xù)補全方案漏洞。

這三個條件，工具是前提，人是核心，組織是保障。沒有工具降低門檻，人試不了；沒有人主動上場，工具就是擺設(shè)；沒有組織給空間、給激勵、給容錯，人不會去試。

最終，AI植根于ERP、MES、SAP、傳感器、飛書等數(shù)字化工具上，成為與工廠相伴而生的「大腦和神經(jīng)」，負(fù)責(zé)處理數(shù)據(jù)、鏈接流程、沉淀知識。企業(yè)要做的不僅是利用好一種新工具、新能力，還要讓AI進(jìn)入工廠、進(jìn)入流程、進(jìn)入組織形成一種人與AI協(xié)同工作的新工作流和組織形態(tài)。