頭圖 | AI生成

大模型聊到今年，說句實在話，我和很多制造、能源行業的數字化老兵一樣，多多少少都有些概念疲勞了。

AI到底能不能在工廠里幫企業賺到錢？怎么用才不會變成一把手工程的“面子花瓶”？這是我們當下最想知道的。

帶著這層極度務實的焦慮，虎嗅智庫上周搞了這場“Agent進車間主題閉門會”。

制造業的數字化分享我們辦過不少，但把“AI智能體”和“車間”這兩個詞放一塊兒，總讓人覺得透著股“懸浮感”——甚至連部分參會的同行，一開始也并不看好這種跨界實踐。

所以會前，我們和吉利集團廣域銘島的AI工業負責人張興、杰克科技流程與IT總監陳恭偉、美的集團美云智數AIGC解決方案專家張勇這三位分享嘉賓，反復對齊：一定要講真場景真案例，哪怕聊聊踩過的坑。同時，我們嚴格審核，最后進入線上會議的，都是制造和能源行業負責技術落地的同行，保障交流質量。

結果？整整兩個小時的會議，全程沒有尿點，200多位觀眾直呼收獲滿滿。那一刻我強烈地意識到：AI智能體其實早就扎進工業深水區，在車間里打響真正的硬仗了。

張興：別急著建平臺，先找到那個閉環

第一位上來分享的是廣域銘島的AI負責人張興。作為吉利在10年前就孵化出的工業互聯網“國家隊”，他們現在正全速向AI轉型。張興基于豐富的集團內外案例，深度拆解了傳統軟件與AI智能體的本質差異，并提出了“弱平臺，強智能體”的核心落地理念。

在張興看來，傳統軟件和AI智能體根本不是一回事。傳統軟件是“流程驅動”，立項先畫流程圖，每個節點輸入輸出理清楚；而智能體是“數據驅動”，第一句話問的是——你有什么數據？能從里面挖出什么洞察？

這個差異直接決定了落地路徑的不同。他分享了幾個已經跑起來的場景：

停線和缺陷管理——這是制造業的“老冤家”。以前質量問題靠人盯，缺陷報告躺在系統里吃灰。現在智能體做的是完整閉環：識別問題、根因分析、對策推薦、知識沉淀。更狠的是解決問題背后的問題——通過DPV（單車缺陷數）分析，找出那些反復出現的管理漏洞。“一線工人解決直接問題，智能體幫管理層看到問題背后的問題。”

智能調度——計劃員的排產從來不是標準化流程。缺料了怎么辦？訂單變更了怎么調？這些靠經驗意會的東西，以前APS系統根本抓不住。現在智能體像陪練一樣跟著計劃員，記錄他在不同場景下的決策邏輯，慢慢提煉出行為偏好。“就像你用龍蝦，越糾正它越懂你。”

信息過載——采購人員跑完MRP，真正的痛苦才開始：哪些物料缺了？為什么缺？建議下單數和歷史差異大不大？以前一個采購員一天處理20個物料就焦頭爛額，現在智能體先做全局風險掃描，再把"有異常的5個物料"推到人面前確認。“以前軟件跑完就完了，現在軟件跑完，智能體才開始干活。”

張興反復強調一個觀點：智能體不是替代傳統軟件，而是填補傳統軟件的空白。“你的APS都沒用好，指望智能體幫你做好排產？路都沒有，怎么跑得快？”

現場有人問起“數據中臺和智能體哪個先建”，張興的回答很干脆：“場景驅動。兩個條件：場景能不能明確？數據有沒有？都有就干，沒有就先別折騰平臺。”

陳恭偉：縫制設備龍頭的“土辦法”與真效果

接下來，杰克科技的陳恭偉帶來了更多“車間層”的務實案例分享。

這家A股上市的縫制設備龍頭，今年6.16剛在越南辦了場發布會，推整套智能工廠的“交鑰匙”方案——智鏈大師。但陳恭偉沒講這些，他講的是工程師找物料怎么找、新員工修設備怎么修、工藝工程師怎么算工時——全是工廠里天天發生的小事兒，也是高價值場景。

物料檢索——以前工程師在PLM系統里搜“臺板”，出來幾百個型號，非專業人士根本找不到匹配的。現在對著AI助手說一句“適合M9機型的臺板”，秒級定位，直接跳轉到圖紙和工藝包。“效率提升5到10倍，不是那種預計提升，是真金白銀的計時。”

設備維修——老師傅的經驗是最稀缺的資源。杰克把維修手冊、歷史案例建成知識圖譜，集成到SCADA報修系統。新員工報修后，AI直接推薦“可能原因+歷史解決方案”，不用再翻手冊、不用再喊老師傅。

工時測算——這是全場最為驚艷的數據之一。傳統MTM（方法時間測量）需要資深精益工程師，一個零件賦碼要950秒，一臺機器500多個零件，得干16天。現在AI學習BOM、工藝、工時數據后自動生成裝配步驟，再匹配標準工時庫，26秒搞定一個零件，整機一天就能賦完碼。“AI生成的方案，相當于5年經驗的精益工程師水平。”

陳恭偉還透露了一個內部數據：數字人陪練在營銷場景落地后，商機轉化率提升了30%。“以前培訓是學完了不知道會不會用，現在是先學再練，雷達圖直接標出薄弱環節。”

但他也坦承了AI落地的坑：期望太高、幻覺問題、AI技術的更新迭代太快。杰克的解法是“松土、樹典型、找痛點”——先讓“金種子”員工嘗到甜頭，再慢慢擴散；同時，堅決不能求大而全，必須由業務部門一把手主導，將AI技術深度融進PLM、MES等核心IT系統，讓用戶在系統便利性中無感感知AI的價值。

張勇：美的的180個智能體與模型管理

最后一位出場的張勇老師，作為智能制造領域的絕對標桿，美的集團在AI領域的探索展現出了大廠在算力、機制與全價值鏈覆蓋上的壓倒性深度。

美的的AI發展分了三個階段：2023年的“工具階段”（IT主導，價值有限）、2024年的“業務融合階段”（業務牽頭，戰略小組自上而下推動）、現在的“模式變革階段”（端到端拉通，甚至改變商業模式）。

“最關鍵的轉變是讓業務主導，而不是IT。”張勇說。美的的推法是5板斧：戰略制定、預算、KPI、財務引導、高管牽頭。年初給各事業部下降本增效的硬指標，財務引導業務方立項時優先選AI項目——“你不立AI項目，又達不到指標，就說不過去了。”

目前美的官方運營的智能體有180多個，員工“手搓”的超過1萬個。支撐這個量級的是4000多張GPU卡（折算H100約1500張）、700多個大小模型在跑。張勇特別強調“模型管理”的重要性——“模型迭代太快，沒有統一接口，更新一個模型所有應用都得改一遍，累死。”

他分享的工廠場景同樣扎實：

DMS精益管理——原來班組長每兩小時要去生產大屏開會，現在美羅機器人1分鐘看一次，沒問題就不打擾，有問題直接播報AI分析結果。“減少會議次數，縮短開會時間，班組長的時間很寶貴，流水線一直在跑。”

工藝設計——以前新機型從0到1設計工藝要2小時，現在AI基于歷史工藝庫匹配相似方案，設計師微調即可，降到0.5小時。

供應商風險——44個維度的風險評估，從人定期抽檢變成AI全量實時檢查。難點在于需要供應商把產能數據接進來，“美的是鏈主，能要求供應商配合，但不是所有企業都能干這個事”——這話實在。

張勇特別強調了知識治理的重要性。“以前做知識庫，就是把文檔存起來，好不好不知道。現在AI用上了，回答錯了馬上反饋，知識Owner就得去修正。AI倒逼知識治理，形成了價值閉環。”

現場那些熱烈交流

由于整場閉門會分享的內容極具實操性，三位嘉賓分享結束后的答疑環節被各種問題塞滿。我們整理了幾個最具代表性的：

Q：AI智能體和原有系統怎么過渡？

張興的答案是“共生而非替代”。信息化程度高的企業，智能體依附于現有系統做提效；信息化程度低的，反而可能跳過傳統軟件，用“智能體+即時通訊”直接搭輕量級流程。“有些場景，ERP沒上全，但智能體已經能跑起來了。”

Q：ROI怎么算？

張勇展示了美的的硬核做法：所有Token消耗可觀測，每個部門、每個智能體的調用量實時統計；立項時財務、人力、IT三方確認提效標準（比如翻譯場景，原來幾天vs現在幾分鐘）；結項時三方再核算。“不是定性地說'效率提升了'，是真金白銀的工時和成本。”

我們（虎嗅智庫）的一點感受

辦這場會之前，我們擔心Agent智能體在工業場景還是個偽命題。但三位嘉賓的分享讓我們確認了一件事：AI在車間里，已經開始從“玩具”變成“工具”，從“試點”走向“量產”。

吉利強調“弱平臺、強智能體”，杰克科技證明“小場景也能出大效果”，美的展示了“規模化落地的方法論”。三家企業路徑不同，但共識高度一致：找場景、治數據、讓業務主導、容忍AI慢慢成長。

會后交流群里的討論持續不斷。有參會者說：“終于聽到不說賦能只說怎么干的會了。”另一位補充：“原來對Agent是什么、怎么用比較茫然，聽完心里踏實多了。”

這或許就是閉門會的價值——不是聽成功案例有多光鮮，而是知道哪些坑其實可以避開，哪些焦慮其實大可不必。

關注虎嗅智庫公眾號或添加智庫小虎，持續了解一手案例、參加高價值閉門研討。

活動預告：

虎嗅智庫將于7月10日舉辦一場高規格、小規模的閉門研討會。我們邀請工業制造、能源企業的數字化與運營負責人以及第三方AI專家，圍繞工業AI在制造與供應鏈的“高價值場景”判定、工業零容錯與“臟數據”的工程化碰撞、工業AI的投產比（ROI）與規模化真相進行深度交流。

現有少量公開報名席位，歡迎感興趣的業內朋友聯系小虎哥參與交流。

本文來自虎嗅，原文鏈接：https://www.huxiu.com/article/4869544.html?f=wyxwapp