朱鹰 江苏慧工智能科技有限公司 创始人、董事长

徐智杰 上海精呈连盟科技有限公司 总经理

内容已做精简，如需获取专家完整版课件和视频，请扫码领取。

01 Agent正在彻底颠覆制造业

Agent本身并不是一个新功能，而是企业软件的一个新入口。

我们已经看到大量AI助手的出现，比如帮助录音、做会议纪要、撰写复杂的售前方案等。

既然AI已经能做很多事情，为什么还需要Agent？

实际上，当前的AI助手主要解决了个人效率问题，它们能演示、能生成、能回答。但如果将其视为一个人，也存在一些问题：Agent有时缺乏感知能力。那么，在制造业的组织形态中，哪些环节现在可以被智能体或AI替代？

我们已经感受到，“写一段话完成一件事”是可行的。接下来，我们正推动它能否理解企业的目标，例如我们今年经营目标，我几乎每次与Agent讨论问题时，它都会提醒不要忘记这个目标，并将其关联起来。它开始理解这一点，也开始逐渐理解公司的每个人，尽管它可能永远见不到他们。

有人称助理很快就要失业，这就是这个时代带来的全新感受。很多SaaS软件面临的问题是：用户从传统的菜单式入口，转变为任务协同的方式，这正在实际发生。

在这样的基础上，与企业交流的过程中，不少AI项目却停留在了试点阶段，大家觉得AI是个好事情，想要尝试，但一旦开始使用，就停滞不前。

总结来看，主要缺少四个方面的能力。

第一，缺少真实的输入。很多企业认为自己的问题讲得很清楚，数据也很完整，但真正查看结果时发现，就连原来运行的ERP系统中的数据也并不完全真实。

第二，流程梳理和流程定位非常困难。大家常说现在是端到端的时代，希望AI把所有事情都做完，但实际上，即便是很多编程智能体，也是由多个智能体组合而成的。因此，流程梳理和流程再造在这个时代依然存在且非常重要，我们会建议很多客户先从一些小流程或比较明确的节点开始。

第三，责任边界的界定变得很重要。有些客户领导对智能体的认知从一个极端跳到另一个极端，从不了解变成期望它能解决所有事情，这就好比突然雇了一个博士生，却不知道如何定义他的责任边界，也不知道如何让他一步步介入工作。

第四，缺少验收指标。就像管理员工一样，需要衡量最终的成绩：什么算做得好，什么算做得不好。现在大家在使用Codex或Claude时，也逐渐习惯了目标导向的模式，定义目标这件事变得前所未有的重要。

这些问题指向了很多企业传统管理中缺失的部分，虽然AI能快速做出一些东西，能演示、能生成、能回答，但当企业真的把它放入每天的工作中，放入自动化的结果确认环节，或放入供应链流程时，项目就停住了。

这并不是AI时代才有的问题，但AI时代确实放大了这一缺陷。AI时代对每个人的能力是放大的，缺陷也同样被放大，它是一个放大器，好坏兼具。

一个真正的业务闭环，而不是一个Demo或POC，关键在于如何让业务第二天还愿意继续使用。

我记得今年3月第一批客户推广时，很多客户在第一周特别兴奋，使用频率也很高，但到了第二周、第三周，各种摩擦和问题逐渐显现出来。

大家觉得AI似乎能解决80%的问题，但剩下的20%也想让AI一并解决。结果就是，业务人员开始有人弃用。主管们也会关注成本效益，现在很多大厂在削减Token流量，大家都在考虑如何花钱取得更好的结果。

此外，在当前全新的环境下，IT风险变得非常大，尤其是一些中小企业，仍然愿意使用国际上最好的模型，但却是企业花了钱，把数据送到别人的服务器上。

这在以往是难以想象的事情，但这正是如今发生在工业现场的实际情况。所以结论是：制造业的Agent要真正成为进入流程的数字员工。

根据实践总结，有五个能力至关重要。

第一，能够读上下文。

读对AI来说相对容易，难的是上下文。一家企业有成千万份文件，我自己的工作台一个月生成的文档大约有3000份。如何组织这些内容，是一件相当困难的事情。

第二，能够调用工具。

现在有很多面向个人效率的工具，比如写PPT、做视频等，但结合工业现场的工具，是否真的好用？例如，能否真正调用工业现场的摄像头，能否接入ERP系统，能否与MES系统进行调度和调整？这些都是当前的重要课题，也是很多FDE团队需要解决的问题。

第三，能够推动业务执行，也就是能够参与决策。

这涉及组织层面的重要变革，它在消耗资源的同时，也在留下证据和产出。

第四，能够与人做交互。

Agent之间的交互已经变得更灵活、更自主，但如何让Agent与人更友好地交互，尤其是在制造业现场那些对AI理解并不深入的群体中，这是一个难点。

第五，需要认识到AI目前仍是一种相对专业的工具。

至少现阶段使用AI通常需要一台电脑，这与过去去终端化、去平板化的趋势相反，某种程度上是把世界拉回到一个更底层、更真实的状态。甚至有些客户是否还会打字，也成了一个问题。

当这些问题解决之后，确实能看到明显的效果，重复、繁琐、跨系统、易遗漏的工作变得更简单直接。

例如供应链上每天大量的对账、催交，现场的各种检查、拍照、审核环节，以及以往希望将制造现场的每一次错误沉淀为成果，现在都变得更加可行。但这一切必须最终进入流程，才能真正让企业变得更好。很多以前看不见、追不动、复盘不了的过程，现在可以实现闭环。

在这样的情况下，我们建议大家在尝试过程中步子迈得快一点，但小一点，先做一个小而硬的业务闭环。

第一，优先选择高频、责任清晰、结果可验收的场景。结果可验收之所以重要，是因为它意味着有明确的目标，并且可以对结果进行评估。

第二，从一开始就用真实的单据、图片和记录来运行。因为当前AI的训练需要非常真实的数据，越真实，产生的效果越好。

第三，找到在5到10分钟内让用户感到有用的场景。这样大家会愿意投入，也让传统的POC环节也因此变得更简单、直接和快捷。

02 制造业Agent典型应用场景

在制造业的落地实践过程中，主要围绕四个环节或场景展开：供应链、质量、工业现场，以及一系列审核工作。

供应链方面，最主要的问题集中在交期、对账和价格异常上。质量方面，有大量非结构化信息可以处理。工业现场涉及大量视频、图片以及人员管控。审核工作则包括各类单据、图纸、合同的差异核对等。

2.1 供应链agent场景，从催料到风险前置

我们在供应链上已经有十几个落地的智能体，积累了不少实践经验。比如图中展示的场景，是一位采购员每天早上固定要做的一件事：向ERP系统查询当天需要重点关注哪些采购订单（PO），因为这些订单可能存在风险。

以往，判断这类风险非常依赖经验丰富的人员，因为风险的含义多种多样，可能来自工单变更导致的供应商提前拉动，也可能来自供应商前一天刚出现质量问题，需要对所有相关PO进行严格审核，还可能涉及近期的资金或费用问题，需要与供应商重新评估，甚至还包括接入供应商自身的外部风险评估信息等。

这并不仅仅是简单的催料，很多人以为第一步就是让采购员不再每天发消息催货，但真正重要的是，让采购员有限的时间专注于核心工作，这才是很多老板希望将催料环节自动化的主要原因。

所以回到一个更本质的问题：帮助采购员识别真正的风险，把风险前置提取出来。

在供应链场景中，确实存在AI与人的边界问题。AI的优势在于，面对一定复杂度的任务时，它可以不厌其烦地进行重复性核对，虽然很多人讨论AI的幻觉问题，但从实践来看，在一定的规则约束下，这个问题相对可控。

斯坦福的课程中也提到过，AI最擅长的事情之一，就是可以让人重复执行一万遍同样的操作。相比之下，人在做审核核对时难免会出现失误，而AI在这方面的失误率要低得多。

不过，在当前的很多流程中，人仍然需要承担关键的判断工作。随着人的判断不断积累和完善，AI也在持续学习，使它的建议更加准确。这体现的是一个企业自身的品味和选择。

2.2 质量agent场景，冷启动首选

质量是一个数据具体、责任清晰、复盘价值高的领域，非常适合作为冷启动的切入点。

在现场，大量质量问题的处理和分析原本难以开展，每家公司都缺少这方面的人才。坦白说，真正去做六西格玛分析、FMEA处理，对大多数人来说都是非常困难的事情。因此，在质量方面我们也做了大量实践，从预先进行产品FMEA评估，到将所有质量问题汇总分析，找出当前的质量瓶颈，再到结合图纸进行扫描等。

上图展示的是质量智能体为客户提供的一份周报。近一周收到的质量问题，包括客诉和内部审计事项，经过综合分析后，系统会指出当前公司最严重的问题是什么。而这些最严重的问题往往不一定是那些声音最大的问题。它还会结合质检报告，找出被错误放行的环节，并将这些发现还原后迭代到日常质检流程中。

此外，还有一些智能体专门处理电气成套行业中一次性物料来料质检的问题，这类质检高度依赖专业经验，很难复制。但有了AI之后，制定质检标准变得更加容易和标准化。

2.3 工业现场agent场景，解决采集摩擦性

如何在工业现场寻找AI机会？

以往从工业现场采集数据，成本非常高，而且很多信息无法有效处理。比如在现场拍摄5S照片、点检现场规整程度，这项工作在过去代价很大，收集和处理一份数据可能要耗费半个人力，同时对工业现场的侵入性也很强。

再比如工时管理，以往需要安排专人站在工人旁边掐表计时，这个过程本身也比较费力，而且侵入感很强，大家可以想象有人拿着秒表站在你身边工作的场景。

但随着今年多模态技术的介入，我们发现这些工作变得低摩擦了，建议客户能拍照的就拍照，能做视频的就做视频，多花一些token就能实现。当这些工作完成后，很多东西就变得非常可见。

我们还有一个集中使用token的应用，目前正在测试中：在工厂内对新员工或多能工的工作过程进行提升指导。

AI像豆包在辅导小朋友写作业时会不断给出提示一样，只要让人佩戴类似执法记录仪的设备，它能看到工业现场中企业要求的各项操作，无论是SOP、工艺流程，还是企业原本没有明确定义的操作，都可以帮助操作人员一次性把事情做对。

上图右侧展示的是5S管理的页面，流程很简单：现场拍照、专家评分、生成待办、闭环跟踪。

在工业现场，类似这样的场景还有很多，再举一个摩擦成本高的例子，在供应链领域，采购需要三家比价。

如何确保采购总监和采购员都真正执行了三家比价？你无法逐一审核每一次的询价记录，也无法听取每一段沟通录音，更不可能让人每天去整理聊天记录。以前这些信息根本无法分析，但现在情况变得容易多了，只要要求员工在企业内部的工具上进行沟通，每天傍晚，Agent会自动扫描他们与供应商的企业微信交流记录和结果，就能判断询价工作是否正常进行，是真在询价，还是仅仅停留在口头沟通上。

更重要的是，这不仅仅是对工作的监控，还能评估他们在沟通过程中是否足够专业，是否有更专业的交流方式、更专业的谈价技巧、更专业的业务介绍。这本身也是一个持续提升的过程。

2.4 审核agent场景，同步积累企业知识

最后说一下审核方面。

下图右侧展示的是合同审核模块，上面有红红绿绿的多个打分项。在此之前，我们有一个合同评审群，非常依赖几位合伙人和法律顾问的个人经验。但如何让这些知识传播出去是个难题，而且总有遗漏的情况，所以从年初开始，我们逐步引入了一个智能体，并持续训练它，把每次审核发现的漏洞归入它的技能库。

审核这件事，上手容易，但长期积累的过程必不可少，它需要大量的人机交互，通过交互中产生的差异反向训练，让系统越来越好。

审核尤其体现企业知识的反映和积累，我们在帮企业做合同审核、标书审核时，向对方要知识库、要审核标准，常常发现根本没有。正如前面提到的，很多制造企业在过去并没有真正想过要把这些数据和知识沉淀下来，当然，去年谁也想不到AI能发展这么快，能把那么多看似无用的数据和知识变成AI的养料。
如果这些事情都做到了，就会形成一个很有意思的状态：从一个小而硬的闭环，逐渐演变为一个数字化员工的体系。

目前，整个社会乃至制造型企业，还没有完全做好让智能体员工真正进入组织体系的准备。但这正是未来一到三年一定会发生的事情，也是一个巨大的市场。从一个最小的闭环开始，从解决原本需要个把小时的问题开始，经过输入、处理、人机交互、反馈、沉淀，形成持续的闭环。

在这个过程中，AI会生成大量快速的数据，这些样本、规则和反馈，就是企业当前最有价值的东西，而非以往那些经过精心萃取的资料。一旦拥有了更好的评估机制，就可以帮助客户在原有智能体的基础上升级出更好的智能体，为他们的数字员工创造更适应企业需求的环境。

03 甲方客户视角里的AI落地

3.1 AI不只是技术采购，更是一场工作方式的调整

过去，无论大型企业还是中小企业，员工雇佣人数是相对固定的，而现在通过智能体的落地，一个100人的中小企业，相当于可以再雇用100个数字员工。

这100个数字员工的生产力能给业务带来什么样的变化？能不能带来更多业务订单和增量？能不能改变现有业务状况，提取到业务细节，让之前暴露的问题得到闭环？

这才是智能体真正提升生产力的方向。

既然该不该做已经有了答案，那下一步是先做哪里？由谁来推动？最后怎样才能获得长期稳定的支持，让智能体在企业内部落地生根、产生绩效？

我认为，AI不只是一次技术协作或一次内部采购，而是从理念开始的改变，是一种工作方式的调整。对所有人，从员工到部门主管，再到企业主、经理层和高管层，这都彻底改变了我们的工作方式和工作理念。

做企业的人都很现实，不会只看AI发展得有多好、推出了什么新版本，或者出现一些花哨的概念。最终老板看的是一本数字账本，一定会回到现场，看能不能解决实际问题，帮助制造业减少返工、减少浪费、降低错误率。

这些方方面面的改进和细节上的优化，比套用一个更好的模型或更先进的概念更能带来实际的控制效果。所以，最有用的不一定是最新的技术，而是能够真正在企业内部流转起来、把数据价值挖掘出来的智能体。

在面对数据来源，AI遵循的原则是“Garbage in, Garbage out”，输入的是垃圾，输出的也一定是垃圾，那么最有价值的数据在哪里？

在传统意义上，这些数据可能停留在ERP、MES、WMS、PLM、PDM、CRM、SCRM等系统中，但现在随着AI技术的发展，我们发现更多有价值的数据来源于非结构化数据，每周的会议记录、语音通话、检验记录、照片、视频、表格，甚至是纸质版的表格，这些都可以成为挖掘数据价值的切入点。

通过大语言模型、OCR等方式，可以很轻松地提取出其中的文字和信息，再提炼成企业的知识图谱。

作为输入端，冷启动阶段最需要的数据是什么呢？这些数据往往分散在各个地方，并不集中在云端或本地服务器上，可能存放在每个员工的电脑里，也可能在部门或公司的网盘中。这批材料需要进行收集、清洗和筛选，确认它们在实际工作中是否能够使用、复用和沉淀。只有经过现场业务验证的数据，才是真正有价值的、可以被确认和审核的数据。

3.2 选择小而硬的场景，建立AI应用的信心

接下来要考虑的是，第一次切入从哪里开始。为什么我认为质量是一个相对合适的选择？

首先，AI是一个很大的理念，它需要一个足够深的落地场景，能够在最小范围内切入业务流程的方方面面，并形成自闭环的模式。

其次，现在所有人都在用AI，但AI还不稳定，存在幻觉等各种问题。我们必须确保第一次有一定的成功率，至少给实际使用者和企业方一些信心，选择一个大概率能够成功的场景。

从质量这个模块来看，它相对不那么重，不会涉及企业核心数据，比如ERP、MES或MRP模块，也不会对客户交互产生深刻影响。但同时，它的责任划分相对清楚，能够屏蔽噪音，比较容易分析和归纳原因。

最后，我们需要先建立对AI应用的信心和信任感。质量也是一个很好的切入点，因为它维度足够广。

从供应商质量管理、进货、生产制程，到出货和客户服务，覆盖范围很广，同时又有很多可以使用AI工具和知识点的场景。

举几个例子。

可以通过OCR识别产品标签，核对标签信息与生产订单、交付订单的一致性。也可以通过图像识别或视频检测，进行装配错误或外观异常的在线检测。还可以利用AI知识库，调用产品质量手册或故障排查手册，把工厂端和客户端发生的问题及解决方法输入并蒸馏，形成知识库，帮助现场服务人员快速、便捷地排查和解决产品应用问题。

所有这些质量方面的点滴汇总在一起，从一个个小工具最终汇聚成整个质量系统的闭环，帮助公司持续改善。

通过这样一个最小的业务模块，让周围的其他部门和整个运营团队看到AI智能体对公司的价值，看到它真正能帮助他们提升工作效率、减轻工作压力。如果这一点能做到，对所有人来说都是一个正向的激励。

3.3 AI落地需要各部门协同参与

很多人有一个误区，认为AI只是一个IT部门的工作，或者是实施顾问、第三方服务商的工作。但从我的经验来看，AI以及之前所有的SaaS或软件服务，更需要从企业的业务端出发。

只有真正使用的人，也就是业务端的人，才有话语权，才能真正体会到推动业务发展的动力，也才是真正的责任人。

因此，非常有必要从业务端选取一位牵头人，也就是业务的领头羊。这个人需要了解现场痛点，也知道切实的改善方向，他不需要会编程或写代码，因为现在的AI已经很好地解决了编码这部分工作。只需要经过简单的培训，他就能上手使用，借助Codex、Claude Code等工具生成智能体，这恰恰是真实的场景触发。

与此同时，IT也是非常重要的一环。未来企业的价值越来越多地体现在IT端，一部分企业可能成为产品型企业，另一部分企业的价值则可能变成数据的价值，每个企业都有自己的数据集和数据价值。未来一个企业的真正价值，会是这两部分价值的总和。

IT在这一块需要管好数据、管好IT权限，确保智能体有安全的边界，能够审计所有智能体的工作，帮助系统和实际应用不产生重大冲突，让智能体更顺畅地服务于企业而不出错。

最后，所有AI或智能体的上线，一定是一个从高层向下推动的过程。从管理层的角度，需要明确优先级在哪里、资源配置在哪里，并在完成后进行复盘。

这个复盘不只是针对智能体这个工具或某个点的复盘，更是对企业的复盘，从战略层面进行复盘，从人力资源和未来人力配置、IT配置的角度进行复盘。要思考哪些人能够成长起来，帮助企业在AI时代继续向前发展。有些人可能需要调整心态，需要更开放、更愿意尝试，这与年龄、职位、工种、编程水平无关，但需要具有更具战略性的眼光，能够站在更高一层，站在部门甚至整个公司的角度，去考虑未来业务的发展，思考如何让智能体帮助进行业务优化和场景落地

这几个角色协同配合，智能体才不会只是一个展示报表的功能，而是真正能够帮助进行业务拓展和沉淀。

3.4 小步快跑，从真实场景推动AI落地

任何时候上智能体都不算晚，如果永远不去尝试，数据就永远无法沉淀，也永远无法真正知道痛点在哪里。

所以我的建议是：先拿一两个真实的场景，足够小、足够安全，但同时又有足够的痛点，用一到两周的时间跑起来，把真实的数据输入进去，挑选合适的人员在这个位置上，最后看是否达到了预期的结果，以此反思和回顾我们的战略或实施方法是否存在问题。

只有这样，才能真正发现智能体带来的改变。

如果想真正用好智能体，从今天开始就不能再只使用原先那种对话式、生成式的聊天窗口，而是要真正用智能体来帮助我们进行分析。虽然智能体的表现形式可能仍然是对话的形式，但智能体和聊天机器人、AI聊天工具是完全不同的概念和属性。

04 QA问答环节

爱分析：过去一年模型能力明显提升，但从工业端看，很多场景似乎仍然是原来的场景。在制造业现场，是否已经出现新的应用变化？尤其是多模态识别在质量管理、现场运维等场景中的应用，是底层模型能力带来的突破，还是需要大量定制化开发？

朱鹰：最明显的变化来自底层模型能力的提升，特别是多模态理解能力正在达到可用状态。过去做工业视觉识别，往往需要围绕固定机位、固定动作和固定算法进行大量定制；现在很多场景不再是传统意义上的图像训练，而是给模型必要的上下文，让它理解这是一家什么样的工厂、生产什么设备、现场有哪些操作要求。

这意味着工业软件和工业控制正在前所未有地进入现场的“毛细血管”。在5S管理、视频分析、质量检查、图纸审核、工人培训等过去难以低成本数字化的微场景中，AI开始具备更强的感知和理解能力。工业现场并不只是设备和产线，也不是单纯的具身智能场景，它往往是朴实、忙乱、流程细碎且充满经验判断的状态。多模态能力让这些原本难以采集、难以分析的过程信息，开始以照片、视频、语音和图纸等形式进入智能体的处理范围。

对于工业现场而言，当前更重要的不是“生成”，而是“理解”和“输入”。例如，模型不一定要真正替代工人完成拧螺丝或装配动作，但如果它能看懂操作过程，并提醒操作人员如何一次性把事情做对，就已经能够产生实际价值。在图纸审核中，也可以把复杂图纸转化为可被专家理解的语言描述，再由模型结合世界知识提出改进方向。这类方法降低了工业现场应用AI的门槛，也让智能体从宏观系统进入更细小、更高频的业务环节。

爱分析：企业落地AI项目时，往往需要证明ROI。制造业场景里，如何更好地论证智能体项目的价值？

徐智杰：ROI问题并不是智能体时代才出现的，它从工业软件和企业管理软件阶段就一直存在。过去很多软件项目带来的更多是流程、体系和理念上的隐性收益，短期内不一定容易量化；但随着AI能力提升，智能体开始能够在更细颗粒度的业务环节中产生收益，项目价值也变得更容易被看见。

从投入端看，企业可以相对清楚地测算token、咨询、专家支持和实施过程中的固定投入。从产出端看，智能体的价值则可以落到更具体的工作量和效率变化上。过去可能需要五个人完成的部门职责或小团队任务，现在同样五个人叠加智能体，有机会完成两倍甚至三倍的工作量。因此，企业可以先选择这类能够较快看到成效的场景，逐步建立团队对AI应用的信心。

更深层的收益则体现在人才和组织能力上。AI时代不再只是需要大量执行低条工作或重复工作的人，企业更需要具备战略视角、流程意识和标准化能力的人才，能够站在公司整体角度思考智能体如何服务业务。因此，智能体项目的ROI不仅是节省了多少人力成本，也包括帮助企业筛选和培养适应AI时代的人，让组织在未来的工作方式变化中获得更清晰的升级路径。

以上就是本次分享的内容。

朱鹰 江苏慧工智能科技有限公司 创始人、董事长

本硕毕业于清华大学控制科学与工程专业，高级工程师；兼任清华大学自动化系企业校外导师、国务院发展研究中心绿色制造专家，是国家两化融合标委会工作组成员，江苏省双创人才。

朱鹰长期致力于推动电气工业与数智化技术深度融合，带领团队自主研发制造运营平台、AI智能体、智能制造装备，为电气领域民族工业企业提供一站式数字化解决方案，助力电气行业破解数据孤岛、运营效率低等共性难题，持续引领电器工业智能化升级。

徐智杰 上海精呈连盟科技有限公司 总经理

历任上海广电电气集团（股份）有限公司副总裁等。本硕毕业于上海交通大学电子信息专业与高级工商管理专业；上海市科委入库专家、上海生产性服务业促进会入库专家(“走出去”与“一带一路”战略智库)、上海交通大学创业导师、同济大学国家大学科技园核心园创业导师、上海高价值专利运营大赛专家。