2026年,制造业成为AI智能体重点落地的领域之一。年初,工信部等八部门印发《“人工智能+制造”专项行动实施意见》,提出到2027年推出1000个高水平工业智能体、推广500个典型应用场景。政策方向已经很明确了,但工厂实际面临的选择却没有那么简单。
一家已经运行多年ERP、MES和WMS系统的制造企业,如果现在准备引入AI智能体,究竟应该先做设备故障诊断、生产排程优化,还是采购对账、报表整理?是购买通用Agent平台,还是选择懂制造业的垂直方案?原来的业务系统又该怎么接入?
我其实更倾向于让工厂从一件具体的业务任务开始验证智能体的价值:数据从哪里来、需要操作哪些系统、结果由谁确认、出错后能不能及时接管。 这些问题越清楚,第一次试点的成功概率通常越高。
很多制造企业已经积累了大量数字化系统,但信息流转仍然高度依赖人工。

采购订单在ERP里,收货记录在WMS里,生产数据保存在MES中,供应商发来的报价、送货单和发票又散落在邮件、PDF和Excel里。系统各自运行得不错,一旦需要跨部门核对,还是得有人把数据找出来、整理好,再逐项比对。
这类工作比较适合纳入首批智能体试点,因为它们通常有明确的数据来源、处理规则和结果校验方式。
不过,我不赞成简单地把采购、财务归为“适合AI”,把生产、设备归为“暂时不适合AI”。生产现场同样有不少低风险的辅助任务,例如设备维修知识检索、质量异常记录归集和生产日报生成。
真正需要区分的是 智能体参与业务的深度,以及操作失误可能造成的后果。
|
候选场景 |
智能体可以承担的工作 |
试点需要关注什么 |
|---|---|---|
|
采购与对账核验 |
读取单据、核对订单与收货记录、生成差异清单 |
物料编码、金额口径、人工复核 |
|
生产日报整理 |
汇总MES、Excel等数据,生成日报 |
数据一致性、统计口径、异常标记 |
|
设备运维辅助 |
检索维修知识、分析故障描述、生成工单 |
知识准确性、工程师确认 |
|
质量异常分析 |
归集质检记录、关联历史批次和处理方案 |
数据完整性、质量责任边界 |
|
工艺参数自主调整 |
根据工况分析结果提出或执行参数调整 |
实时性、控制安全、工业机理验证 |
注意,这里有一条需要明确的边界: 当智能体开始影响设备动作、工艺参数和生产安全时,项目就需要接受更严格的工业控制与安全验证。
例如,华为云工业智能体提供工艺优化、预测性维护和视觉质检等能力。这类应用有相应的数据、模型和工程实施要求。对于缺乏设备数据积累和专业技术团队的工厂,直接把自主工艺控制作为第一个大模型智能体项目,未必是经济的选择。
但如果一家汽车零部件工厂已经建立了成熟的设备数据采集体系,也积累了多年故障与维修记录,从设备运维辅助入手完全合理。
我认为,工厂首 个智能体场景的筛选可以归结为三个问题:现有数据能否支撑任务、处理结果能否核验、出现错误后能否被及时拦截。
这三个条件具备了,再讨论应用价值和投资回报,才有现实依据。
拿采购对账来说,假设某工厂采购员需要核对一批供应商送货单,采购订单在ERP里,仓库收货记录在WMS里,供应商提供的是PDF,有些甚至是扫描件。

这里的麻烦往往出在一些小细节上,比如供应商写的是物料简称,ERP使用内部编码,送货单按箱统计,仓库按件入库,订单数量没问题,实际交货日期却晚了两天……这些信息分散在不同系统和文件里。
如果使用智能体处理这项任务,可以先从PDF中提取物料名称、数量、日期等信息,再关联ERP采购订单和WMS收货记录,根据已有业务规则核对差异,最后形成一份待采购员确认的清单。
这里其实涉及几种技术的配合。
大模型适合处理格式不统一的文档、理解物料描述、辅助识别字段之间的语义关系。API适合读取和写入开放了接口的业务系统;遇到没有标准接口的老旧软件,可以评估通过RPA执行受控的界面操作。至于数量换算、金额计算、订单状态校验等工作,仍应交给确定性的规则和程序。
还要注意,有些电子凭证本身已经具有结构化数据,直接解析即可,没有必要再调用视觉模型识别一遍。
我觉得企业部署智能体时,很容易高估大模型应该承担的工作量。 明明调用一次API就能拿到准确数据,却让模型从界面截图里猜测;明明一条规则就能完成金额计算,却要求模型每次重新推理。这样的技术组合增加了成本,也给原本简单的工作引入了不确定性。
实际上,跨系统协同也并非智能体出现后才有的需求。过去几年,金智维等企业自动化厂商,以及用友、金蝶等企业软件服务商,都已经在探索如何减少业务系统之间的人工操作。如今引入大模型,主要是进一步处理过去依赖人工阅读、理解和判断的环节,让原有自动化流程能够应对更多非标准任务。
反过来,如果一项任务的数据完全结构化、流程长期稳定,现有API、脚本或RPA已经能够可靠完成,也未必需要引入智能体。对于已经有ERP、MES、WMS的工厂,先弄清楚哪些工作可以继续交给原有系统,哪些工作需要AI参与理解与协调,会比重新建设一整套智能化平台更有帮助。
现在市场上的智能体产品越来越多,选型时很容易出现一种情况:几家厂商的产品乍一看都很智能,但实际解决的却是不同类型的问题。
比如,同样叫工业智能体,西门子Industrial Copilot更贴近工业工程、自动化代码生成与设备故障诊断;华为云工业智能体提供工艺优化、预测性维护、视觉质检等能力;阿里云、华为云等云平台也提供用于构建行业智能体的模型和开发工具。
还有一类方案延续了企业流程自动化的技术路线,重点研究怎样让大模型调用现有业务系统和自动化工具,完成更复杂的跨系统任务。
国内的金智维就是这一路线的参与者之一,从早期RPA、AI数字员工延伸到企业级智能体,其K-APA将大模型的任务理解与流程编排、自动化执行结合,面向跨系统单据处理、业务数据核验和运营报表等需求。与前面侧重工业工程或模型开发平台的方案相比,这类产品的技术积累更多集中在企业业务流程和存量系统连接方面。
以上几种路线并没有统一的优劣之分,应用边界也存在交叉。工厂如果主要希望利用设备数据优化生产工艺,就需要重点考察厂商的工业机理、数据建模和生产系统集成经验;如果想让AI处理采购、仓储、财务之间的繁琐操作,企业系统连接、流程编排和执行治理能力的重要性就会上升。
对后面这类需求,我们需要尤其看重 厂商能否适应存量系统。
一套ERP可能已经运行十年,某些业务模块没有开放API,部分操作必须通过客户端完成,还有复杂的账号权限与审批规则。这些都不是一句“支持MCP”“支持Computer Use”就能解决的。
供应商最好能够拿工厂的实际业务做验证。 例如,让智能体处理几份格式不同的供应商单据,登录测试环境中的ERP核对订单,再模拟一次网络中断、一次字段缺失、一次权限不足,看看系统如何恢复和交接。
比起只看一次顺利完成的演示,这些意外情况如何被妥善处理才是更值得关心的事情。
选型时还应确认几个工程问题:平台是否支持所需部署环境,是否能够管理不同智能体的系统权限,敏感操作是否需要人工授权,任务日志和执行记录能否追溯,成熟流程能否复用,以及后续由谁负责维护。
如果企业准备持续增加智能体场景,这些能力将直接影响未来的运维工作量和重复建设成本。
智能体项目最容易呈现的成果是效率提升,过去需要三小时的工作,现在十分钟就能生成结果,这个变化虽然很直观,但在我看来还不足以判断项目是否值得推广。
假设智能体十分钟生成了一份采购对账清单,业务人员仍然需要花两个小时逐项核对,那么它的实际收益就远低于演示数据给人的印象。反过来,如果系统能准确标记出需要关注的异常,人工只检查少量疑点,效果可能就很不一样。

所以,我建议试点验收时至少把三笔账算清楚。
第一笔是人工时间。 记录原来完成一项任务需要多久,部署后智能体运行、人工复核、异常处理分别花费多少时间,最终计算净节省工时。
第二笔是错误与异常。 除了统计任务成功率,还要看漏检、误判和执行失败的情况。尤其涉及金额、库存和物料主数据时,需要确认错误能否被规则拦截,异常能否交给正确的业务人员。
第三笔是持续运行成本。 模型调用、系统集成、软件授权、流程维护、版本升级和人工运维都应该计入。特别是每天需要反复执行的任务,如果每次都让大模型重新规划完整流程,时间长了,模型调用成本和执行波动可能都不容忽视。
这方面,金智维K-APA采用的流程资产复用思路可以作为一个参考:对于已经验证、规则稳定的业务,将执行步骤沉淀为可复用的自动化流程,减少重复的模型推理;遇到新材料、非标准信息或复杂判断,再调用相应的AI能力。当然,能否这样设计,还取决于任务本身的复杂程度,不能把所有业务都硬塞进固定流程。
还有一个经常被忽略的问题:智能体能否随着业务变化继续使用?
工厂不可能永远采用同一种单据格式、同一套物料编码规则,ERP和MES也会升级。如果每一次业务规则调整都需要供应商重新开发,首 个项目即便交付成功,也很难快速复制到其他部门。
这也是为什么我建议首 次部署时,尽量选择一项边界清楚的业务,将输入数据、执行步骤、异常规则和验收标准都固定下来。项目运行一段时间后,再根据实际效果决定是否扩展自动执行权限。
至于是否一开始就购买私有化大模型一体机,同样需要结合实际情况。
涉及核心工艺配 方、研发图纸、敏感生产数据或严格隔离的工业网络时,应优先评估符合企业安全要求的本地化方案。对于允许使用外部模型服务的低敏感场景,也可以比较云端调用与轻量化部署的成本和合规条件。
工厂第一次尝试智能体,没必要预先为所有想象中的应用购买一整套基础设施,但涉及的数据安全、接口权限和运行环境必须在试点前确认清楚。
工厂引入AI智能体,确实给过去那些依赖人工核对、跨系统操作的工作带来了新的解决可能。随着模型能力和执行工具不断发展,智能体可以参与的业务范围还会继续扩大。
但制造业有自己的运行节奏,一套生产系统可能已经运行十几年,一条看似简单的业务流程,也可能牵涉采购、仓储、生产、财务多个部门。智能体进入这样的环境,需要理解企业既有的业务规则,也要接受相应的权限、安全和运行约束。
可以把工厂第一次部署智能体看作一次小范围的业务验证,找一件真正耗费人力、可以衡量效果的工作,让智能体参与进来,看看它能够独立完成多少,出现异常后又需要人付出多少,以及这套方案能不能稳定运行下去。
一次试点能说明的问题有限,却足以帮助企业辨别哪些业务已经具备智能化条件,哪些还需要继续完善数据和流程。
对工厂而言,第一次智能体项目积累下来的业务经验、执行规则和可复用流程,一定比一次漂亮的Demo更有长期价值。
来自 “ ITPUB博客 ” ,链接:https://blog.itpub.net/70047400/viewspace-3187669/ ,如需转载,请注明出处,否则将追究法律责任。