AI在讓工廠進化為一種「生命體」

進入工廠、進入流程、進入組織。

作者 | 李威（北京）

奕派科技武漢工廠的一條產線突然報警，流水線上的車停在一個工位上，沒有繼續往前走。

按照傳統流程，工程師需要先找到控制車往前走的那行程序，然后根據條件找到沒有被觸發的信號，然后再返回硬件端，找到信號對應的輸入點，找到輸入點之后，需要根據圖紙再去找到對應的開關，并檢查和恢復它的狀態。

現在，奕派科技的工程師們只需要向AI清晰描述出車是在哪個位置不走了，有哪一個輪子沒有轉，AI自己就會自動識別故障類型，調取歷史案例，給出原因分析、處理步驟和設備點位。

故障處理完成后，AI還會自動總結本次故障的原因、排查步驟、解決方案和關鍵知識點，生成結構化記錄，再由工程師做最后校對，沉淀進知識庫。下一次出現同樣的問題時，AI就會直接推送這次沉淀的解決方案。

這是2026「飛書AI先鋒大賽·先進制造專場」的決賽項目之一。進入決賽的10個項目中，有人在依靠大模型打造新的視覺檢測系統，對零部件自動質檢；有人已經在用OpenClaw進行安全巡檢、分析運營日報；還有人搭建了一套智能協同平臺，來優化庫存周轉天數……

在AI能力的支持下，特別是OpenClaw范式出現之后，工業數字化不再只是人服務于數據，為了填報而填報，把系統變成了被供起來的「祖宗」；而是開始更具行動力，將被動的記錄系統變成主動的行動系統。

這意味著，工廠在進化為一種「生命體」。

制造業的數字化沒有流動

過去幾年，中國制造業并不缺數字化投入，大量企業完成了第一輪信息化和數字化建設。但真正進入工廠現場后，很多企業會發現：系統越來越多，流程越來越復雜，但效率并沒有同步提升。

問題在于：數據、知識和開發，并沒有真正流動起來。

最先卡住的是數據。

億咖通雖然已經部署了ERP和SAP系統，但供應鏈管理涉及到的客戶預測、排產、缺料計算、庫存監控等每天都在變化的數據，很難從這些系統中獲得實時反饋。「SAP可以跑缺量，但它跑得非常慢，等它跑出來的時候，我們的計劃可能又出現變化了?！箖|咖通全球技術中心的產品經理孫迪說。

于是，大量一線協同重新退回到最原始的狀態：Excel、電話、微信群。并且，信息在層層傳遞中會不斷損耗，管理層很難實時看到一線變化，很多庫存問題直到「包不住了」才會被上報，但這時已經很難挽回損失了。

第二個卡點是知識。

在開頭提到的設備保全場景中，「車不往前走」是最簡單的故障，解決這個故障就已經需要工程師熟悉系統的控制邏輯和現場布置。老師傅可以靠十幾年的經驗積累快速拿出解決方案，但剛入行的年輕人卻很難快速學習和應用好這些知識和經驗。

這些知識和經驗并不是沒有被積累起來。奕派科技武漢工廠設備保全部的湯俊表示，工廠十幾年來積攢了140份長停工報告、2000多條故障一元化表、275份原理原則課件。但這些知識只是躺在文檔里、表格里，存在老師傅腦子里，沒有「長在組織上」，在團隊內真正流轉起來。

第三個卡點是開發。

東風康明斯制造工程部的巢正坤將過去幾年的數字化階段形容為：「扶上馬，但沒人送一程?！箶底只到y上線之后，企業確實實現了「紙面流程線上化」，但更多只是把原本手工記錄的工作搬進系統，真正的業務邏輯并沒有改變。「以前是手工填表，現在變成系統填表?！顾f，「員工會覺得，好像請了個祖宗回來伺候它。」

核心的原因是，傳統數字化體系建立在一種固定邏輯上：業務提需求，IT翻譯需求，再由供應商開發系統。這樣會讓層層傳遞間業務需求失真，也會讓一項功能的開發耗費大量時間和資源。

但制造業最大的特點恰恰是業務每天都在發生變化。相對僵化的開發流程與不斷變化的業務需求之間沒有形成流暢的互動。這種開發遲滯，會讓大量被積累在系統中的數據、知識，因缺乏合適的工具而無法在組織內實現順暢流轉。

某種意義上，過去十年的數字化，更像是讓企業第一次做到了「看見」——看見庫存、看見異常、看見協同斷點。但看見并不等于能發現問題、解決問題，要讓整個數字化基礎設施發力，還需要為其建立一個把數據、知識和人重新連接起來的「協同層」。

AI支撐的協同層建設

這個協同層的建設是過去幾年制造業進行數智化轉型的核心目標之一。在大模型和Agent出現之前，已經有不少RPA、低代碼工具在嘗試為企業提供解決方案，但都缺乏足夠的靈活性。當制造業致力于讓數據、知識、開發流動起來時，前提一定是有一套足夠靈活、高適配度的「腳手架」在提供支持。

大模型和Agent的應用讓這套「腳手架」有了實現的可能性。在既有的數字化基建基礎上，大模型和Agent負責理解、判斷和規劃行動，飛書這樣的協同工具負責實現連接，最終讓原本靜態的系統可以快速適應業務的變化，實現邊跑邊改、邊用邊調。

除了奕派科技的設備保全探索，在飛書的大賽上，不同企業也從不同切面驗證了這件事。

切面一：海信的主數據治理

數據治理是制造業實現數字化轉型的前提。以供應商數據為例，同一個供應商，在不同事業部可能有不同名字、不同編碼、不同字段標準。數據一旦不統一，采購、供應鏈、財務之間就會出現斷點。海信集團采購中心的黃亭亭表示，海信在2024年12月就上線了主數據項目，目的就是為高價值數據制定統一的標準，在整個集團內實現復用。

經歷了一年的穩定期，在2025年12月開始推進供應商主數據的運營工作。這項工作的目標有兩個：維護數據標準，保證數據質量。比如，付款條件之前有三項，當增加第四項時，就需要更新數據標準；然后基于新標準，把數據清洗干凈。

這個過程往往會帶來大量人工校驗、反復溝通和跨部門扯皮。然后黃亭亭的團隊引入了AI來推進數據治理流程，讓人找數據轉變成數據自己流動起來。當系統提示有數據存在問題時，AI會直接給出修正結果，甚至自動完成字段賦值，然后督促業務人員進行確認。

切面二：億咖通的供應鏈協同

依托AI能力和飛書，億咖通對供應鏈預測進行了優化，將準確率從75%提升到91.5%，部分高價值物料從原來的「備1—2個月庫存」，變成按周拉動，釋放出數個月的流動資金。

他們的預測背后并不是一個「大一統系統」，而是由AI支持的多個獨立模塊之間的動態協同。需求預測、采購、庫存、交付，各模塊既獨立運行，又相互校驗。一旦某個環節數據異常，下游模塊會反向預警。

這種模式和傳統工業軟件最大的區別在于：它允許業務快速試錯。過去需要一個月開發的模塊，現在一周就能出原型。與傳統的開發流程相比，這個項目的上線直接節省了200多萬元開發成本。

一旦繁雜的基礎工作被AI接管，業務人員就能有更多時間針對關鍵問題做分析、決策和優化。這又會進一步提升組織配合度，形成正循環。

切面三：東風康明斯的低成本開發

改造成本太高是很多制造業企業在進行數智化轉型時會遇到的問題。以前，智能化意味著購買更貴的設備，引入更新的軟件，這些都需要進行新的大額投資。一臺生產線上使用的搭載端側模型的智能相機可能就價值幾萬元。上線之后，也可能難以達到預期的效果，還需要繼續投資進行改進。

但大模型帶來了新的解題思路。東風康明斯的解決方案是，將已經投資建設的數字化設備進行軟硬件解耦，利用已有的攝像頭硬件，外掛大模型的能力，打造新的AI視覺質檢解決方案。通過這套方案實現的發動機連桿配對碼的高精度識別，上線9個月，準確率穩定在99.5%以上，且全年總算力費用不到1000塊。

這些切面都指向了一個關鍵變化：制造業智能化開始從「增量建設」轉向「存量激活」。這背后起到支撐作用的是大模型、Agent、飛書等組成的、更靈活的開發套裝。未來制造業可能也會實現針對一個具體問題，實時響應、快速定制解決方案，做到用完即走。比穩定使用十年更重要的，是快速解決今天的問題。

用好AI是一場組織建設

工具是乘數，人是基數?；鶖凳橇?，乘數再大，結果還是零。這是前大模型階段，制造業數字化建設面臨的問題，也是Agent階段，制造業走向智能化需要應對的挑戰。協同層不是自己長出來的——它需要人去搭、去試、去迭代。本質上，用好AI是一個組織建設的問題。

一方面，AI搭建的新工具需要相應的組織重構，來保證落地。

海信的主數據治理項目，沒有走傳統的「IT牽頭、業務配合」路線，而是搭建了一個鐵三角：業務、財務、IT各自出人，組成3-5人的核心運營組，主導全集團供應商主數據運營。業務知道痛點在哪，財務知道數據標準怎么定，IT知道用什么工具來實現——三方坐在一起，需求不用跨部門翻譯，決策當天出。

往下延伸，30多個事業部各設1名數據主人，每個主人下按強相關系統配置3名左右數據管家，全集團100多名管家，按源頭系統拆分數據責任。不是上線了就結束，而是把數據質量拆細，做到每個數據都有人盯、有人改、有人負責。

就像黃亭亭所說，這個項目最終交付的，不只是項目，而是一套能持續發現問題數據、消滅問題數據的組織能力。同樣的，億咖通也依賴由IT和運營組成的小組，每個小組負責一個環節的運營，最終實現庫存預測解決方案的持續運營和迭代。

另一方面，需要組織來激活業務人員建設AI工具的積極性。

巢正坤有一個樸素的經驗總結：「所有成功的項目，都是業務真正知道自己要什么?！?/strong>業務說不清需求，把希望寄托在乙方身上，指望外部團隊「點石成金」。結果做出來的系統，功能上沒毛病，就是跟業務對不上。

AI模式讓業務能夠主導工具的開發。巢正坤主導發動機連桿視覺檢測功能的源起，是看到了一個養豬場用大模型數豬的案例——大模型能數豬，能不能識別發動機上的字符？

他的團隊試著在飛書多維表格里接入了大模型。第一次測試，準確率40%。放在傳統項目評審里，這個數字意味著「不可行」。但他繼續優化提示詞，讓準確率爬升到94%、95%。還是不夠——工業級落地容不下5%的誤差。他繼續收集負樣本，逐一分析判錯原因，定位問題，逐個解決。

巢正坤的成功需要三個條件同時成立：觸手可及的工具，多維表格接入大模型，工程師不需要走IT審批就能開始試；愿意試的人，一個敢從養豬場聯想到發動機的工程師；持續迭代的耐心，在驗證方向的可行性后，能夠不放棄，繼續補全方案漏洞。

這三個條件，工具是前提，人是核心，組織是保障。沒有工具降低門檻，人試不了；沒有人主動上場，工具就是擺設；沒有組織給空間、給激勵、給容錯，人不會去試。

最終，AI植根于ERP、MES、SAP、傳感器、飛書等數字化工具上，成為與工廠相伴而生的「大腦和神經」，負責處理數據、鏈接流程、沉淀知識。企業要做的不僅是利用好一種新工具、新能力，還要讓AI進入工廠、進入流程、進入組織形成一種人與AI協同工作的新工作流和組織形態。