头图 | AI生成
大模型聊到今年，说句实在话，我和很多制造、能源行业的数字化老兵一样，多多少少都有些概念疲劳了。
AI到底能不能在工厂里帮企业赚到钱？怎么用才不会变成一把手工程的“面子花瓶”？这是我们当下最想知道的。
带着这层极度务实的焦虑，虎嗅智库上周搞了这场“Agent进车间主题闭门会”。
制造业的数字化分享我们办过不少，但把“AI智能体”和“车间”这两个词放一块儿，总让人觉得透着股“悬浮感”——甚至连部分参会的同行，一开始也并不看好这种跨界实践。
所以会前，我们和吉利集团广域铭岛的AI工业负责人张兴、杰克科技流程与IT总监陈恭伟、美的集团美云智数AIGC解决方案专家张勇这三位分享嘉宾，反复对齐：一定要讲真场景真案例，哪怕聊聊踩过的坑。同时，我们严格审核，最后进入线上会议的，都是制造和能源行业负责技术落地的同行，保障交流质量。
结果？整整两个小时的会议，全程没有尿点，200多位观众直呼收获满满。那一刻我强烈地意识到：AI智能体其实早就扎进工业深水区，在车间里打响真正的硬仗了。
张兴：别急着建平台，先找到那个闭环
第一位上来分享的是广域铭岛的AI负责人张兴。作为吉利在10年前就孵化出的工业互联网“国家队”，他们现在正全速向AI转型。张兴基于丰富的集团内外案例，深度拆解了传统软件与AI智能体的本质差异，并提出了“弱平台，强智能体”的核心落地理念。
在张兴看来，传统软件和AI智能体根本不是一回事。传统软件是“流程驱动”，立项先画流程图，每个节点输入输出理清楚；而智能体是“数据驱动”，第一句话问的是——你有什么数据？能从里面挖出什么洞察？
这个差异直接决定了落地路径的不同。他分享了几个已经跑起来的场景：
停线和缺陷管理——这是制造业的“老冤家”。以前质量问题靠人盯，缺陷报告躺在系统里吃灰。现在智能体做的是完整闭环：识别问题、根因分析、对策推荐、知识沉淀。更狠的是解决问题背后的问题——通过DPV（单车缺陷数）分析，找出那些反复出现的管理漏洞。“一线工人解决直接问题，智能体帮管理层看到问题背后的问题。”
智能调度——计划员的排产从来不是标准化流程。缺料了怎么办？订单变更了怎么调？这些靠经验意会的东西，以前APS系统根本抓不住。现在智能体像陪练一样跟着计划员，记录他在不同场景下的决策逻辑，慢慢提炼出行为偏好。“就像你用龙虾，越纠正它越懂你。”
信息过载——采购人员跑完MRP，真正的痛苦才开始：哪些物料缺了？为什么缺？建议下单数和历史差异大不大？以前一个采购员一天处理20个物料就焦头烂额，现在智能体先做全局风险扫描，再把"有异常的5个物料"推到人面前确认。“以前软件跑完就完了，现在软件跑完，智能体才开始干活。”
张兴反复强调一个观点：智能体不是替代传统软件，而是填补传统软件的空白。“你的APS都没用好，指望智能体帮你做好排产？路都没有，怎么跑得快？”
现场有人问起“数据中台和智能体哪个先建”，张兴的回答很干脆：“场景驱动。两个条件：场景能不能明确？数据有没有？都有就干，没有就先别折腾平台。”
陈恭伟：缝制设备龙头的“土办法”与真效果
接下来，杰克科技的陈恭伟带来了更多“车间层”的务实案例分享。
这家A股上市的缝制设备龙头，今年6.16刚在越南办了场发布会，推整套智能工厂的“交钥匙”方案——智链大师。但陈恭伟没讲这些，他讲的是工程师找物料怎么找、新员工修设备怎么修、工艺工程师怎么算工时——全是工厂里天天发生的小事儿，也是高价值场景。
物料检索——以前工程师在PLM系统里搜“台板”，出来几百个型号，非专业人士根本找不到匹配的。现在对着AI助手说一句“适合M9机型的台板”，秒级定位，直接跳转到图纸和工艺包。“效率提升5到10倍，不是那种预计提升，是真金白银的计时。”
设备维修——老师傅的经验是最稀缺的资源。杰克把维修手册、历史案例建成知识图谱，集成到SCADA报修系统。新员工报修后，AI直接推荐“可能原因+历史解决方案”，不用再翻手册、不用再喊老师傅。
工时测算——这是全场最为惊艳的数据之一。传统MTM（方法时间测量）需要资深精益工程师，一个零件赋码要950秒，一台机器500多个零件，得干16天。现在AI学习BOM、工艺、工时数据后自动生成装配步骤，再匹配标准工时库，26秒搞定一个零件，整机一天就能赋完码。“AI生成的方案，相当于5年经验的精益工程师水平。”
陈恭伟还透露了一个内部数据：数字人陪练在营销场景落地后，商机转化率提升了30%。“以前培训是学完了不知道会不会用，现在是先学再练，雷达图直接标出薄弱环节。”
但他也坦承了AI落地的坑：期望太高、幻觉问题、AI技术的更新迭代太快。杰克的解法是“松土、树典型、找痛点”——先让“金种子”员工尝到甜头，再慢慢扩散；同时，坚决不能求大而全，必须由业务部门一把手主导，将AI技术深度融进PLM、MES等核心IT系统，让用户在系统便利性中无感感知AI的价值。
张勇：美的的180个智能体与模型管理
最后一位出场的张勇老师，作为智能制造领域的绝对标杆，美的集团在AI领域的探索展现出了大厂在算力、机制与全价值链覆盖上的压倒性深度。
美的的AI发展分了三个阶段：2023年的“工具阶段”（IT主导，价值有限）、2024年的“业务融合阶段”（业务牵头，战略小组自上而下推动）、现在的“模式变革阶段”（端到端拉通，甚至改变商业模式）。
“最关键的转变是让业务主导，而不是IT。”张勇说。美的的推法是5板斧：战略制定、预算、KPI、财务引导、高管牵头。年初给各事业部下降本增效的硬指标，财务引导业务方立项时优先选AI项目——“你不立AI项目，又达不到指标，就说不过去了。”
目前美的官方运营的智能体有180多个，员工“手搓”的超过1万个。支撑这个量级的是4000多张GPU卡（折算H100约1500张）、700多个大小模型在跑。张勇特别强调“模型管理”的重要性——“模型迭代太快，没有统一接口，更新一个模型所有应用都得改一遍，累死。”
他分享的工厂场景同样扎实：
DMS精益管理——原来班组长每两小时要去生产大屏开会，现在美罗机器人1分钟看一次，没问题就不打扰，有问题直接播报AI分析结果。“减少会议次数，缩短开会时间，班组长的时间很宝贵，流水线一直在跑。”
工艺设计——以前新机型从0到1设计工艺要2小时，现在AI基于历史工艺库匹配相似方案，设计师微调即可，降到0.5小时。
供应商风险——44个维度的风险评估，从人定期抽检变成AI全量实时检查。难点在于需要供应商把产能数据接进来，“美的是链主，能要求供应商配合，但不是所有企业都能干这个事”——这话实在。
张勇特别强调了知识治理的重要性。“以前做知识库，就是把文档存起来，好不好不知道。现在AI用上了，回答错了马上反馈，知识Owner就得去修正。AI倒逼知识治理，形成了价值闭环。”
现场那些热烈交流
由于整场闭门会分享的内容极具实操性，三位嘉宾分享结束后的答疑环节被各种问题塞满。我们整理了几个最具代表性的：
Q：AI智能体和原有系统怎么过渡？
张兴的答案是“共生而非替代”。信息化程度高的企业，智能体依附于现有系统做提效；信息化程度低的，反而可能跳过传统软件，用“智能体+即时通讯”直接搭轻量级流程。“有些场景，ERP没上全，但智能体已经能跑起来了。”
Q：ROI怎么算？
张勇展示了美的的硬核做法：所有Token消耗可观测，每个部门、每个智能体的调用量实时统计；立项时财务、人力、IT三方确认提效标准（比如翻译场景，原来几天vs现在几分钟）；结项时三方再核算。“不是定性地说'效率提升了'，是真金白银的工时和成本。”
我们（虎嗅智库）的一点感受
办这场会之前，我们担心Agent智能体在工业场景还是个伪命题。但三位嘉宾的分享让我们确认了一件事：AI在车间里，已经开始从“玩具”变成“工具”，从“试点”走向“量产”。
吉利强调“弱平台、强智能体”，杰克科技证明“小场景也能出大效果”，美的展示了“规模化落地的方法论”。三家企业路径不同，但共识高度一致：找场景、治数据、让业务主导、容忍AI慢慢成长。
会后交流群里的讨论持续不断。有参会者说：“终于听到不说赋能只说怎么干的会了。”另一位补充：“原来对Agent是什么、怎么用比较茫然，听完心里踏实多了。”
这或许就是闭门会的价值——不是听成功案例有多光鲜，而是知道哪些坑其实可以避开，哪些焦虑其实大可不必。
关注虎嗅智库公众号或添加智库小虎，持续了解一手案例、参加高价值闭门研讨。
活动预告：
虎嗅智库将于7月10日举办一场高规格、小规模的闭门研讨会。我们邀请工业制造、能源企业的数字化与运营负责人以及第三方AI专家，围绕工业AI在制造与供应链的“高价值场景”判定、工业零容错与“脏数据”的工程化碰撞、工业AI的投产比（ROI）与规模化真相进行深度交流。
现有少量公开报名席位，欢迎感兴趣的业内朋友联系小虎哥参与交流。
本文来自虎嗅，原文链接：https://www.huxiu.com/article/4869544.html?f=wyxwapp
热门跟贴