制造业AI智能体落地难点与解决方案商选型评估

前几天和一个做汽车零部件生产的客户聊AI智能体对方上来就说“我们也想搞一套智能体能不能让车间主任直接问一句就知道今天哪个订单要延期”我说能但接下来一个问题把我问住了“你准备拿哪台设备的OEE数据当判断依据”他说还没想好。这个场景很典型制造业想用AI智能体但到底拿它解决什么问题、数据从哪来、结果错了谁负责多数人并没有想清楚。把通用Agent套到工厂场景里不是“换个行业知识包”那么轻松。这篇文章就结合我这些年在一线跑项目的所见所闻聊聊AI智能体在制造业落地的难点以及什么样的解决方案商才有能力真正把这件事做透。1. 制造业引入AI智能体先搞清楚“要的是什么”1.1 对话机器人、RPA和智能体到底差在哪很多制造业客户来谈智能体我第一件事是把概念掰开。目前容易被混淆的有三类对话机器人、RPA和AI智能体。对话机器人基于知识库和检索你问它答不会主动做事适合查个制度、问个流程RPA按脚本执行固定流程比如自动录入工单、抓取系统数据稳定但死板流程一变就废AI智能体则是在理解任务的基础上做规划、调用工具、执行动作并根据反馈修正具备目标导向和一定自主性。用一个制造场景来说明设备报警了对话机器人会告诉你“查报警手册第12条”RPA会把报警信息抓取后记录到Excel智能体会结合设备历史数据和当前工艺参数推理出可能的异常原因并调用工单系统给出排修建议、通知对应工程师。后面这种才是企业真正想要的但难度也完全不同。我见过太多把智能体做成“语音播报知识库”的项目上线半年没人用原因就是它没有参与业务流程只给了一个“更聪明的搜索引擎”。类型核心能力制造业典型用法主要局限对话机器人检索知识并回答制度问答、设备手册查询不主动做事答非所问RPA按固定规则执行工单录入、报表自动化流程变化即失效AI智能体目标理解规划调用工具自主修正故障诊断、排产优化、工艺推荐需要兜底机制和权限边界要落地先得把目标定义为“一个会干活、能担责的数字员工”而不是“会聊天的大脑”。1.2 制造业里真正有回报的场景长什么样聊完概念就要看场景。按我这几年的观察制造业智能体的高价值场景都有共同特征业务目标清晰、数据可获取、执行动作明确、结果能闭环。工艺参数寻优智能体根据原料批次、机台状态、质量反馈推荐下一批的注塑温度、压力、保压时间。这类场景在注塑、冲压、热处理环节都很有效。设备预测性维护智能体融合振动、温度、电流等时序信号做异常识别和剩余寿命预测再自动生成维修工单。供应链异常处置智能体盯采购订单、库存、交期发现异常主动模拟替代方案比如切换供应商或调整排产。质量归因当不良率超标智能体自动关联批次、设备、刀具、操作员工等维度输出最可能的根因排序。这些场景有一个共同特点它们都是“决策密集型”业务——过去靠老法师拍脑袋现在可以把经验模型化、流程化。相反如果某个场景只是“查数据、看报表”那不要上智能体上一套BI就够。1.3 流程型工厂和离散型工厂落地难度差距很大制造业内部差异极大我通常把产线分为两类来看。流程型制造比如化工、钢铁、制药物料连续流动温度压力流量传感器完备生产节奏稳定本质上是个“连续系统”智能体容易找到规律数据采集也相对规范。离散型制造比如汽车零部件、3C电子物料要经过多道工序批次混杂、返工频繁现场信息靠人工报工设备新旧品牌不一数据链条经常断。在离散型车间做智能体数据治理的工作量往往占整个项目80%以上。方案商如果说“我们有通用工业智能体平台”却不先问你是流程型还是离散型这种话要打个问号。不同行业的生产逻辑都不一样不可能一套配置打天下。2. 车间级落地会迎面撞上的五大真实阻力2.1 数据问题比“脏乱差”更麻烦缺失、错位、假数据常听到“制造业数据底子差”但实际接触下来问题主要不是脏而是三种更隐蔽的情况。一是缺失很多关键工艺参数没有在线采集老师傅靠经验看火候设备没有联网记录靠纸本二是错位MES里的工单时间和PLC事件时间没有统一基准甚至同一个产品在不同系统里的批次号对不上三是假数据“假”不一定有人故意造假而是现场报工的工人会填不准确的数字比如为了赶产量提前报工数据表面上漂漂亮亮实际上和真实物理过程对不齐。这些情况让智能体的“输入”就不可靠。我的建议是项目启动前必须做数据可用性盘点有没有、准不准、通不通、能不能按时更新四关都过了再谈建模。否则智能体推理得再漂亮车间主任也不敢照着执行——一次错误判断就足以摧毁信任。2.2 老系统的API、网段隔离集成成本超出预想第二个阻力来自系统集成。很多工厂的产线设备是十年前的PLC跑着OPC DA协议车间局域网和办公网物理隔离设备数据出不了厂区。有些老MES是单机版连文档都没有更别提API。如果方案商只懂云端API调用到现场会发现连数据都取不出来。合理做法是部署边缘网关在车间局域网内做协议解析、数据清洗再把脱敏后的结果通过单向网闸送到服务器。这一套集成工作既考验工控经验也考验对安全规范的敬畏。我在项目里吃过亏原以为设备有OPC UA接口结果到了现场发现只开放了MODBUS而且寄存器地址表缺失一半最后靠抓协议报文反推整整多花了三周。2.3 操作工、老师傅的信任问题不是培训能解决的智能体推下去第一个阻力往往不是技术是人。车间老师傅有几十年经验你让他听一个“算法”的表面上他点头实际他敢不敢按智能体建议调参数很难。我见过一个调试点智能体根据数据判断某台注塑机的保压压力需要上调8%但老师傅认为“这种材料不能这么调”。两边争执最后虽让老师傅主要做判断但智能体现在已经根据反馈纠正了置信度。这给我们一个教训智能体在车间不是“取代经验”而是“和老师傅对齐经验”。落地时要有机制让它先当徒弟建议只做参考师傅确认后才执行经过一段时间积累再把经过验证的高置信度建议升级为自动执行。人机权限的动态调整比算法准确率更决定成败。2.4 安全责任、兜底机制和权限边界制造业不像互联网智能体犯错的代价可能是停机、报废甚至安全事故。这里说的安全不只是网络安全还有“决策安全”。我们在设计系统时借鉴了L1至L5的智能体分级思路L1是纯建议人看人批L2是建议加默认选项L3是在限定参数域内自动执行L4是跨系统自动执行并事后报告L5几乎自主应对未知场景。制造业目前绝大多数场景应该卡在L1到L3设备联锁、急停回路、安全工艺边界绝不能交给模型自由发挥。每个智能体动作都要有“权限清单”比如“允许调整温度范围上下限是多少”“哪些操作必须二次确认”“一旦结果异常降级到人工的规则是什么”。更关键的是异常兜底流程要演练不能只在PPT里写。之前有方案商做过智能体但现场操作员完全不知道失控时该按哪个按钮恢复手动这是非常危险的。2.5 ROI测算在制造业很难效果滞后且收益分散最后是钱的问题。智能体项目不像采购一台机床买了就能算产能提升。它的收益往往分散在质量、交期、能耗、人效几条线上且需要经过几个月的运行才显现。比如一个排产优化智能体可能让某条产线的换型次数从12次降到9次但折算成金额时财务会追问“另外3次为什么不能完全消除”这种问题很难回答。方案商这时候不能只谈技术要有耐心帮客户算清账列出优化前后的关键指标基线约定评估周期用统计方法排除干扰因素。如果方案商连一套ROI模型都给不出来客户很难为“可能性”买单项目连立项都过不了。这也是为什么制造业智能体的销售周期那么长不是销售能力问题是信任建立需要过程。3. 解决方案商能力拆解从做PPT到交付产线3.1 有没有垂直行业know-how是分水岭聊完阻力再回到标题里“解决方案商能力”这部分。我见过太多通用型技术公司冲进制造业擅长演示“智能体写周报、做会议纪要”一谈到工艺参数寻优就露馅。垂直行业know-how不是听说过几个专业词而是能把老师傅的经验拆成规则、变量、边界。比如做压铸质量预测方案商要懂模具温度、浇注速度、真空度怎么影响气孔率才能设计出有意义的数据特征。现在行业里流行“工作流搭建”本质就是把这种经验流程化把“如果铸件气孔率超标先查模具温度再查脱模剂喷涂量然后对比历史批次”变成智能体可执行的决策链路。有行业经验的方案商才能搭出这样的工作流没有的只能搭出通用客服问答流。3.2 技术栈的成色数据、模型、工程化、集成缺一不可评估方案商的技术能力不能只看大模型效果。我习惯把技术栈拆成四层数据层能不能接各种工业协议能不能做时序对齐、数据补全。模型层能不能让通用大模型结合企业私有知识而不“胡编”这一点很考验微调和检索增强设计。工程层智能体工作流健不健壮工具调用失败怎么重试并发请求怎么处理。集成层能不能和一线的MES、ERP、工单系统顺畅打通而不是让对方改造接口。很多智能体服务商在第一层和第四层特别弱。他们擅长做演示Demo时连的是官方API一到客户现场面对杂牌PLC和旧数据库就抓瞎。所以我会建议客户要求方案商提供“同类行业、同类型设备”的落地案例并找该案例的项目经理做一次电话访谈问清楚“数据接入用了多久”“哪块超出工时”。3.3 实施团队不是算法工程师而是复合型团队还有很重要的点智能体项目成功与否和团队配置强相关。方案商至少要有四类人懂业务的行业顾问、懂数据的数据工程师、懂工程化交付的软件工程师、懂现场协调的实施经理。只有算法工程师做科研项目可以做交付不行。因为智能体现场上线调试需要有人能跟班生产和老师傅讨论工艺逻辑这一点程序员很难短时间补齐。我在合作过的团队中发现一个规律配置“业务分析师实施工程师”全程驻场的项目成功率明显高于纯远程交付。智能体需要不断看现场反馈来调优没有驻场工程师问题响应拖一周热乎劲就凉了。所以合同里应该写清楚驻场人天这也是一笔必须花的钱。3.4 安全分级与多智能体协同能力评估方案商的新维度前面提到分级安全这里想单独把“方案商是否把分级想清楚”作为选型指标。好的方案商在项目启动时就应该给出一张“智能体权限分级表”明确哪些环节由人决策、哪些由智能体决策、哪些是混合决策并且说明每种分级对应的安全测试方案。如果方案商只会说“我们的智能体很聪明”但要什么权限、怎么兜底一概没想过这项目最好别签。另外方案商如果还具备多智能体协同能力在制造业会更有潜力。现在工厂正在出现“设备智能体排产智能体质量智能体”的格局它们之间需要通信和冲突仲裁。比如排产智能体为了赶交期想压缩某种工艺时间质量智能体却提示会提升不良率这时系统怎么协商有没有优先级机制这需要一套架构设计不是两个模型拼在一起就能干活的。评估时可以问方案商对多智能体协同是否有成熟方案哪怕还没有项目落地至少要有清晰思路。4. 选型评估的一线方法别被“大而全”忽悠4.1 案例考察去车间看数据流而不是发布会看Demo制造业客户选型时最容易被发布会上的Demo打动。画面很炫识别很准但大家要明白Demo是精心准备过的“考试”真实场景是“开卷但不知道考题”。我建议客户一定要去两个地方看案例。一是看已经上线的车间现场让实施负责人带路问“智能体从哪个系统取数多久更新一次模型多久重训出过错没有出错之后怎么兜底”这些细节最能反映真伪。二是看对方的研发和测试环境了解一下他们有没有工业现场的设备模拟器、有没有历史故障数据集而不是只有一个空荡荡的大模型API调用界面。有几个项目我就靠这一步避了雷——其中一家号称“服务过某大型车企”结果对方连OPC UA为何物都答不上来考察回来后客户果断换了一家。4.2 用“21项核心商业诊断”思路拆解需求选型前客户和方案商最好一起做一轮业务诊断。最近“构建懂生意的AI智能体21项核心商业诊断”这个说法很流行我觉得方法值得借鉴就是不要先问“哪个系统用什么模型”而是先围绕企业的关键经营指标进行扫描。在制造业我建议优先诊断七个维度质量一次合格率、返修率、客户投诉成本成本带料损耗、能耗单耗、备件库存资金交付订单按期交付率、换型时间、在制品积压设备OEE、平均故障间隔、故障修复时间安全隐患闭环周期、违规操作次数效率人均产出、自动化覆盖率异常响应从异常发生到处置完成的平均时间每个维度打分后再圈出两三个“痛点最集中、数据相对可用、一旦改善收益明显”的场景作为智能体试点。这样做出的方案是“从业务长出来的”而不是“从模型库里挑的”。方案商如果一上来就给你推“智能体平台”却不跟你做业务诊断基本可以判断他在卖货而不是解决你的问题。4.3 用PoC验证三个关键指标圈定场景后先做小范围试点。我建议PoC只盯三个指标。一是决策准确率或建议采纳率。这个指标看智能体给出的建议是否靠谱但注意“准确”不等于“让老师傅点头”还要看它对异常边界是否敏感。二是数据接入周期。从项目启动到第一版可以试运行中间数据链路是否打通。如果连这个都拖三个月说明工程能力有问题。三是失控恢复时间。人为制造一次异常情况看智能体怎么应对运维人员能否快速干预。这个指标直接反映兜底设计水平。PoC设计还有两个原则选真实场景别选理想场景设定量化通过标准别用“效果不错”这种话糊弄。比如我们可以约定“建议采纳率≥70%且不出现安全边界违规即为通过”。这样双方都有清晰预期。4.4 合同条款里的坑SLA、数据资产与迭代费用等到签约阶段商务条款里还有几个容易忽略的坑。第一是SLA智能体系统能否正常运行要写清楚可用性指标和响应恢复时间比如“月度可用性≥99%故障响应≤4小时”。第二是数据资产归属智能体在运行中积累的标注数据、调优日志、工艺配方数据到底属于谁必须事先约定否则后期更换方案商时会被卡住。第三是迭代费用智能体不是一次性交付模型会漂移、工艺会变化到底一年包含多少次迭代超出如何计费要白纸黑字写清楚。我朋友签过一个合同只谈了开发费没谈迭代费结果半年后每次调优都被按“定制开发”收费成本翻倍这就是大家常说的“智能体是服务不是项目”的深意。5. 从单点试点到多智能体协同我见到的几条实践路径5.1 失败项目的共同点把智能体当项目做而不是当能力做我复盘过几个制造业智能体项目发现它们失败原因惊人的一致上线那一刻就是衰落的开始。项目组撤场后没有专人维护数据管道和提示词模型半年不更新准确率越来越差一线操作员发现它“只会说废话”就再也不用了。智能体在制造业的本质是一个持续运营的数字员工。你需要有人像带徒弟一样持续给它喂数据、校准规则、更新知识库。国内很多企业轻视了这一点觉得买套软件就完了。如果你所在企业准备上智能体建议拨一个“智能体运营”岗位哪怕由IT兼着也要有明确预算和责任。这个投入至少要在项目预算里占20%到30%。5.2 作为方案商我推荐补的四个能力如果你也是做解决方案的想让制造业客户认可你的能力我的建议是往四个方向补。一是现场工程师梯队。懂算法的年轻人很多能蹲车间和老师傅聊清楚工艺的人才稀缺这种能力很难短期招聘要靠长期培养。二是边缘部署标准化。把边缘网关、数据采集、安全隔离做成标准交付件项目毛利和施工周期都会大幅改善。三是行业知识库封装。把某个细分行业哪怕只是注塑行业的工艺经验、故障案例、常见误区沉淀成结构化知识让模型基于“自家词典”推理而不是靠通用常识胡编。四是协同机制设计。提前思考设备、计划、质量等多个智能体在一条产线上怎么协作冲突怎么调解。这套架构能力会在两三年后成为重要门槛。5.3 下一步可以尝试的事最后说两个可以马上做的事。一个是用智能体辅助开发提效。我们团队现在内部就用类似“多智能体协作开发规范”的玩法让一个智能体负责写代码另一个智能体负责审查规范第三个负责生成测试用例效率提升明显。制造业智能体的交付压力大这种方法值得方案商采用。另一个是关注AI行业公开的一些智能体训练新方法比如DeepSeek对外发布的智能体训练新方法强调整体流程设计对于制造业多步推理场景也有参考价值。但我始终认为方法再先进落到工厂里还是要回归到“数据可靠、边界清楚、人机互信”三个基本功这些基本功没有人替你补齐只有你自己一点点磨。做制造业AI智能体这些年我最大的感受是它不像互联网产品可以靠一个酷炫功能快速起量它更像是在工厂里慢慢养一个能干的助手。谁先接受这个“慢”谁反而能走得更远。