ITPub博客

一家汽车零部件厂的数字化负责人吐槽：“开了半年选型会，看了十几家厂商的方案，但是依然很茫然，有的在讲流程自动化，有的在讲MES升级，有的在讲大模型质检....总的来说，目前制造业智能体主要是三类：做流程自动化的、做工业软件的、做工业AI的。很多制造企业选型踩坑了就是因为从一开始就没有弄清楚选用哪一类才最合适自身需求。这篇先说清楚这些制造业智能体各自解决什么问题，再讲不同情况我们要如何处理。第一类：

和一位在省级电力公司做数字化的朋友聊落地顺序，他说他们踩过一个坑：一上来就想做设备预测性维护，投入不小，一年多没跑出效果。后来回过头先做经营报表自动化，两个月就见了效。能源行业智能体落地，顺序比选型更重要。设备预测、能耗优化这些“听起来最智能”的场景，往往因为数据基础不够而见效慢；在实际操作中，真正适合先落地的，是经营报表、工单流转、设备资料查询这类高频、规则清晰的环节。第一步：经营报表自动化，因

一位省属国企信息部门负责人聊起这事，说了句实在话：“厂商天天来推大模型升级，报价从几十万到几百万都有，但没人跟我说清楚，我现有的两百多个RPA流程要不要推倒重来。”已经部署了RPA的企业，接入大模型时最怕的不是花钱，而是不知道这笔钱花下去，原有的RPA资产是保住了还是报废了。RPA接入大模型这件事，市面上讲技术路线的多，但是很少能把级路径和改造成本说清楚。今天我们主要来聊聊这件事，当企业如果已经部

数字员工正在从一个技术概念，变成企业人力规划里的现实选项。过去讨论数字员工，焦点大多在“能不能替代人”。现在更多企业关心的是另一个问题：哪些任务值得交给数字员工，哪些任务仍然应该由人来完成。前一个问题偏向技术想象，后一个问题直接关系到投入产出。企业引入数字员工，需求来自人力结构的变化从需求端看，推动企业引入数字员工的，首先是用人成本的变化。重复性强、内容单一、缺少成长空间的岗位，员工流失率普遍偏高

AI Agent正在成为企业软件市场里声量最大的方向之一。过去一年，几乎每家大模型厂商和企业软件公司都发布了自己的Agent产品，行业会议上的演示也越来越流畅：自动写报告、自动查数据、自动处理工单。但如果把视角转向企业内部，真正进入生产环境、稳定产生业务价值的Agent项目，数量仍然有限。目前我们更常见的情况是，一个Agent在POC阶段表现良好，进入真实业务环境之后，被数据、组织和工程三类问题逐

“普惠AI”正在成为中小企业数字化讨论里出现频率越来越高的词。从价格上看，普惠似乎已经实现了。大模型API价格经过几轮下调，对话助手大多可以免费使用，智能体搭建平台把一个客服Agent的上线时间压缩到了分钟级。对一家几十人规模的企业来说，接触AI的门槛已经很低。但很多中小企业试过几款AI工具之后发现，用上了Ai 但却用不好，这是为什么？中小企业AI普惠，难点究竟在哪里？大型企业推进AI，通常有专职

“智能体”正在成为AI应用市场里一个越来越宽泛的词。聊天助手、虚拟陪伴角色、能在手机上跨App操作的工具、桌面RPA，以及面向企业的自动化平台，如今都被冠以智能体之名。概念一旦被泛化，讨论就容易失焦：有人拿陪聊应用的体验去评价生产力工具，也有人期待一个对话助手能自动跑通审批流程。区分这些产品，更可靠的标准不是回答得是否流畅，而是它有没有获得操作权限，能否真正进入另一个应用或系统完成动作。沿着这条边

企业级AI Agent正在从“能对话的助手”，变成“能接手任务的执行者”。早期企业引入大模型，更多是用于问答、写作和资料整理。到了2026年，越来越多的企业开始要求Agent在读取文档之后继续处理：把提取的信息写进业务系统，根据判断结果触发工单，在跨系统流程中完成录入、核验和流转。企业级智能体的评价标准也随之变化。能否对话已经不再是核心问题，更关键的是能否打通系统、执行操作，并留下可审计的记录。&

企业使用大模型的成本结构，正在变得越来越具体。试用阶段，大模型的花费往往被当作一笔实验预算，很少有人细算。等到AI助手接入知识库、Agent开始参与业务流程，调用量从每天几十次变成成千上万次，账单上的Token消耗就成了管理层绕不开的问题。不少企业到这个阶段才发现，大模型的成本问题很多时候并不出在单价上，而出在使用方式上：大量本不需要大模型参与的工作，也被交给了大模型。 Token是大模

中小企业财务AI正在变成一个越来越宽泛的概念。有些产品专注发票和凭证识别，解决的是“录得慢、录得错”；有些以RPA数字员工的形态出现，能登录网银、ERP和税务系统，把对账、报销校验这类跨系统工作跑起来；还有一些偏向预算分析和资金预警，处理的是从“事后记账”到“事前判断”的转变。这几类工具都被称作财务AI，但解决的问题并不在同一个层面。企业如果不先弄清自己的需求落在哪一层，很容易花了钱只解决了一小部

很多团队尝试用一些AI搭建舆情监测智能体，跑了两三周后发现同一个问题反复出现：定时抓取的规则跑着跑着就断了，没人在第一时间发现，等负面信息被翻出来的时候，往往已经在多个平台发酵了几天。这不是这类AI不好用，而是我们工具要选对，像一些AI工具的设计目标本来就是"搭建对话式智能体"，不是"7×24小时盯着十几个信息源、还要在出错时说清楚是哪一步出的问题"。智能体

某央企财务共享中心去年做了一次内部复盘：银企对账全面上线AI数字员工前后，自动对账率从不到70%冲到95%以上，对账周期从按天计压缩到6小时以内，人员需求下降40%。这组数字值得拆开讲，不是因为好看，而是因为它指向一个反常识的结论：决定财务数字化转型效果的，从来不是模型有多聪明，而是"流水池""回单池"这类的中间层架构设计得合理与否。财务数字化转型的第一个误

同事工位上开着六个AI工具的标签页，产出效率却没比只用一个工具的人高多少——工具数量从来不是效率的决定因素，选择顺序才是。市面上能用来提效的AI工具，大致可以按"能力层级"分成四层：内容生成、格式整理、流程自动化、自主决策智能体。层级越往后走，需要的判断门槛越高，但也越能真正把重复劳动接管过去。不用一个个试，按下面四步排查，直接定位自己该用哪一类。 1、先判断是想不出

一个不太符合直觉的现象：这两年冲进AI Agent赛道跑得最稳的，不是手握最强大模型的公司，而是一批做了十几年RPA的老厂商。金智维、弘玑Cyclone、艺赛旗这类玩家，原本的标签是“自动化工具供应商”，现在摇身一变成了企业智能体平台的主力选手。这背后不是巧合，Agent能不能稳定干活，关键不在大模型强不强，而在流程从哪里来——这也是理解RPA选型和AI Agent选型时最容易被忽略的一层。&nb

企业对大模型的态度正在经历一场悄声无息的转变：一边是预算持续加码，几十万甚至上百万砸进去买账号、做定制；另一边是员工最终只拿它写写周报、润色邮件、当个高级搜索工具。投入和产出之间的这条裂缝，才是"大模型幻觉"问题背后真正值得关注的现象——供应链优化、财务自动对账、客户投诉自动闭环这类核心业务，大模型依然插不上手。 两份最新行业白皮书给出了一致的判断：智能体要真正落地，

人力成本居高不下、熟练技工短缺、产线设备停机损失巨大、多系统数据孤岛严重——这些问题制造业谈了很多年。真正让代价升级的，是企业往往同时用着ERP、MES、WMS、PLM、财务系统等多套平台，跨系统操作频繁、重复劳动占比高、数据实时性差，直接拖慢了响应速度。RPA机器人流程自动化的价值，恰恰在于它不需要改造底层系统，就能模拟人工完成规则明确的重复性任务，把跨系统的数据孤岛先连起来。这也是为什么它成了

金融智能体选型，大型机构和中小机构在业务复杂度、系统数量和风险承受能力不同，关注的问题根本不在一个频道上，很多项目卡壳，恰恰是因为把两类需求混着谈。如果你是一家银行、券商或保险公司的IT负责人——建议先看第一部分；如果你是区域性中小金融机构或业务团队的负责人——可以直接跳到第二部分。 大型金融机构：如何接入真实的业务流程，稳定运行？大型金融机构的顾虑很少是"金融智能体聪不聪明&

我们先来讨论一个问题，“数据越多，模型越聪明，智能体自然越靠谱。”这种说法对吗？如果这句话是对的，那些砸了几千万买服务器、疯狂扒取互联网语料的厂商，应该早就把幻觉问题解决了。现实是，很多企业级智能体项目上线后，“一本正经胡说八道”的毛病依然在，甚至因为吃进去太多矛盾、过时、真假难辨的公域数据，胡话说得更像模像样了。这就是这种说法经不起推敲的地方。 反例一：数据量堆上去了，幻觉却没降下去互

深圳福田政务上线政务AI后，越来越多人开始关注起AI 智能体。目前的政务AI发展得怎么样了？能否承载政务场景复杂咨询、材料预审等核心业务？其次治理机制怎么制定，如何清晰划定技术的权责边界、合规边界与业务边界？也是我们值得思考的问题。先来说说政务标准化场景政务AI智能体在标准化场景的落地上，已经是很成熟了。首先是高密度标准化政务咨询，针对办事材料规范、资质补贴条件、审批流程说明等高频重复问答，智能体

一半的“智能体”是给RPA换了个聪明脑子，另一半是给聊天机器人配了双手。上周和一个在制造业做了8年RPA实施的朋友喝茶，聊到最近很火的“智能体”，他撂下一句话：“现在市面上一半的智能体，本质就是给RPA换了个更聪明的脑子；另一半，是给聊天机器人配了双能干活的手。这俩根本不是一回事。”这句话点到了大部分人没搞清的问题：“RPA+AI”和满大街讲的“通用智能体”，到底什么关系、差在哪。顺着他的说法往下