六个改变：AI正在重写制造企业的工作方式

卷首语 · 趋势不会因为你准备好才来

数据已经在手里了，却没人用得上

卷首语 · 趋势不会因为你准备好才来

系统该上的都上了，数据该采的也采了。但 90% 的企业停在「有系统」这一层， 没有走到「系统会思考」这一层。这一步的差距，就是接下来三年制造企业的分水岭。

过去十年，制造企业做的是「把流程装进系统」——ERP 管资源、MES 管生产、WMS 管仓储、PLM 管工艺。 这件事的成果是显著的：规上工业企业已开展数字化改造的比例达到 89.6%，数字化设备普及率 57.7%。 但系统装完之后，一个新的问题浮出来了：人在为系统服务，而不是系统为人服务。

每上一套系统，操作工就多一套要学、要登、要录。数据躺在各个系统里，想要一个答案， 得找人、要表、等导出、再加工。老师傅的判断没人接得住，人一退休，活儿就悬了。 这三件事，是绝大多数制造企业在数字化之后共同撞上的墙。

AI 走到今天这一步，恰好对着这三堵墙。它不再是一个需要被打开、被操作、被学习的「系统」， 而是一个可以听你说话、记得你的习惯、懂你的行业、替你跑完跨部门流程的「同事」。

接下来的六篇文章，讲的就是这件事带来的六个改变。它们不是六个孤立的功能， 而是从「怎么用」到「怎么连」，一层比一层深：先让人不用碰电脑，再让报表不用人做， 然后让 AI 记住你、替你跑腿、说你的行话，最后把所有系统、所有部门托管给一支智能体队伍。

系统管流程，AI 管思考。人只做机器做不了的事——判断、取舍、担责。

本期目录 · Six Changes

六个改变：一页看全

01

改变一 · 入口

终端录入的改变

制 造现场的人，不该被电脑绊住。手上有油、戴着手套、机器在响、 人站在炉子边上——键盘和鼠标本来就是最不适合车间的交互方式。 过去二十年，我们一直要求人去适应系统；现在，系统开始来适应人。

三种输入都能进：语音、文字、图片。站在设备旁边说一句就完事，拍一张尺寸超差的照片就能说明问题， 手边有电脑时打字也行。不需要选一个「正确的输入方式」，因为它三种都认。

更关键的是多轮对话。像跟人说话一样反复沟通，不用一次说对。 说漏了可以补一句，说错了可以改一句。这一点看起来平常，却把「一次填对」的压力从人身上卸下来了—— 而正是这个压力，让很多一线员工宁可纸笔记完再回工位慢慢录。

于是有了零学习成本：车间不用再学系统、记菜单、点按钮。 新员工上岗，不必再单开一课「系统操作培训」。会说话，就会用。

为什么「轻」这件事这么值钱？因为录入是数据链的第一环，也是人最容易出错、最容易拖延的一环。 每班 21 分钟的记录与转录，一年累计 380 小时；而转录，恰恰是整条链上出错最多的一步。 录入越轻，数据越真、越及时——这不是体验问题，是数据质量问题。

场景车间班长一句话报工

对照变化前后

录入方式的六个变化

02

改变二 · 分析

数据分析的改变

管 理层要的从来不是「报表」，是报表背后的那个答案。 而今天绝大多数企业里，瓶颈不是算不出来，是「要一个数得等三天」—— 等排期、等口径确认、等导出、等邮件。

自由分析：想从哪个维度切，就从哪个维度切。线别、班次、设备、批次、供应商、工单—— 换一个维度是换一句话，不是换一次需求提报。过去每换一个切法，都要重新走一遍 IT 排期。

任意导出：Excel、PDF、图片、直接发群。格式不再是流程的约束， 而是一个可以被随口指定的输出参数。要给别人看就出发图片，要自己再算就给 Excel，要归档就给 PDF。

样式自定义：换口径、换样式、换图，说一声就行。 底色、图型、指标顺序、同比环比——都可以在对话里改，改完就是最终版，不用回去找模板。

但真正的变化不在速度，在交付物的性质。它会主动把异常点标出来， 会告诉你「2 号线夜班良率低 4.2 个百分点」，然后问一句「要不要我把可能原因也列出来」。 报表从「给数据」变成「给判断」——这才是管理层真正想要的东西。

场景老板一句话要报表

对照变化前后

从「等表」到「问一句」

03

改变三 · 记忆

记忆变成价值

通 用 AI 每次都是从零开始。你得把背景重讲一遍， 它才明白你在说什么；下一次再问，还是得重讲一遍。 有记忆的 AI 是反过来长的：第一次你教它，第二次它就懂了。

记住你的习惯：常用口径、沟通方式、看数习惯。 你说「良率」指的是哪个口径、你看数习惯先看哪条线、你汇报喜欢用几列——它都记着， 不用每次重新交代。

知道你在追什么：你上周盯的是哪条线、哪个问题。 它把「你正在处理的事」当成上下文，所以后续的每一次回答都接着你上次的进度往下走， 而不是每次重新开始一段无关的对话。

替你收口：做个人总结、找你业务的薄弱点。 注意这不只是统计——它会排序。同样是本月 47 项问题，它会告诉你哪一件吃掉了最多的产能， 建议先动哪个。统计给你分母，排序给你优先级。

再往深一层看，记忆解决的是制造业最老的一个难题：经验留不住。 近一半的维修团队，在关键员工离开后丢失了重要知识。当判断被沉淀进 AI， 经验就从「某个人的」变成了「组织的」——人走了，默契还在。 所以记忆不是功能，是时间换来的默契，也是可以被积累的资产。

场景它知道你上周在追什么

对照通用 AI 与有记忆的 AI

记忆带来的五个差别

04

改变四 · 自动化

不用你催

这 件事的技术含量其实不高，但它省下来的是整块的人力。 而且它有一个人力比不了的性质：机器不会忘、不会漏，也不会因为今天忙就跳过一次。

四件事，一个入口配完就长期有效：

通知：该谁处理，直接推到他面前。不是发到一个群里等人认领，而是带着责任人的推送。

推送：异常当天就到，不用等下个月。 这一条对着的是一个很实际的损失——超过 1/5 的生产问题要一个班次以上才浮现， 而 46% 的企业因为问题发现延迟经历过停机，41% 因此成本上升。 异常晚一天知道，代价不是「晚一天」，是这一天的产出。

发文件：报表、附件自动发到指定的人。指定邮箱、指定群、指定角色， 不用有人记得「今天要发这个」。

发报表：月初自动汇总，到点就送到。 过去月初固定要占掉 2–3 个人天做表，现在 0 人天，而且 08:30 准时到。 该提醒谁、什么时候提醒，配置一次，长期有效。

结果就是：一个人干完过去一个组的活。省下的不是几分钟，是一整个人的工位—— 而这个工位空出来的时间，可以放到真正需要判断的地方去。

场景月底报表自动送到

对照变化前后

四个动作的变化

05

改变五 · 知识

知识库与智能体

通 用 AI 知道「退火」是什么，但不知道你们厂的退火炉是几号、 工艺窗口是多少、这批 316L 是从哪个供应商来的。 专家型 AI 的价值，就在这最后 20% 的行业细节里。

知识库 + 智能体：把你的工艺文件、SOP 与标准喂进去。 这不是把文件丢进一个搜索框，而是让智能体在回答问题的时候，真的按你厂的规范来推理。

懂行业术语：说行话它听得懂，不用翻译成大白话。 橘皮、晶粒度、齐套、超差、换料停机——这些词在通用 AI 那里是要解释的，在专家型 AI 这里是原生词汇。 沟通成本降下来的同时，信息也不再在「翻译」这一层流失。

懂你公司：你的设备编号、你的工艺路线、你的老规矩。 同一个行业的两家企业，特点和需求都可能不同——这正是非通用型知识库的意义： 它懂的不是「这个行业」，是「你们这家公司」。

按你厂历史数据排序：通用 AI 会给你一张可能性清单， 专家型 AI 会把最可能的那条排在最前面——因为答案里叠了一层你们厂自己的历史。 所以差别不在「知不知道」，在「懂不懂你」。

场景说行话它听得懂

对照通用型与专家型

最后 20% 的行业细节

06

改变六 · 协同

多智能体协同 = 多部门协同

系 统之间的墙，本质上是部门之间的墙。 ERP、MES、WMS、PLM 之间的每一次「信息靠人搬、靠电话催」， 背后都是一次跨部门的接力——而接力棒在人与人之间传递时，最容易掉。

一个入口，托管所有系统。ERP、MES、WMS、PLM 全部接到同一个 AI 入口。 不用再逐套登录、逐套学习、逐套记菜单位置。从操作一个系统，到指挥一支队伍。

多个智能体接力干活，各管一段、互相交棒：

订单智能体接单、校验、生成生产订单 → 计划智能体排产、算料、下发工单 → 执行智能体派工、报工、质检决策 → 仓储智能体备料、领料、成品入库 → 交付智能体发货、对账、同步 ERP。

过去一张订单要过 5 个部门、5 套系统，信息靠人搬、靠电话催。 现在一条链自动走完，人只在异常处介入。 注意这个「只在异常处介入」——它没有把人排除在流程外， 而是把人放到了唯一真正需要人的位置上。

这也是六个改变里最深的一层：能力边界从一个系统扩到全域。 当 AI 能横跨所有系统、所有部门，它的能力不再等于「某个系统的功能之和」， 而是等于「整条链的吞吐」。多智能体协同，等于多部门协同。

图：多智能体协同拓扑

场景一个订单从销售到发货

对照变化前后

跨部门接力交回给机器

落地 · 怎么开始

不讲清楚前提，AI 落不下去

落地前，三个前提

建议的第一步：先跑通一条链