AI在让工厂进化为一种「生命体」

进入工厂、进入流程、进入组织。

作者 | 李威（北京）

奕派科技武汉工厂的一条产线突然报警，流水线上的车停在一个工位上，没有继续往前走。

按照传统流程，工程师需要先找到控制车往前走的那行程序，然后根据条件找到没有被触发的信号，然后再返回硬件端，找到信号对应的输入点，找到输入点之后，需要根据图纸再去找到对应的开关，并检查和恢复它的状态。

现在，奕派科技的工程师们只需要向AI清晰描述出车是在哪个位置不走了，有哪一个轮子没有转，AI自己就会自动识别故障类型，调取历史案例，给出原因分析、处理步骤和设备点位。

故障处理完成后，AI还会自动总结本次故障的原因、排查步骤、解决方案和关键知识点，生成结构化记录，再由工程师做最后校对，沉淀进知识库。下一次出现同样的问题时，AI就会直接推送这次沉淀的解决方案。

这是2026「飞书AI先锋大赛·先进制造专场」的决赛项目之一。进入决赛的10个项目中，有人在依靠大模型打造新的视觉检测系统，对零部件自动质检；有人已经在用OpenClaw进行安全巡检、分析运营日报；还有人搭建了一套智能协同平台，来优化库存周转天数……

在AI能力的支持下，特别是OpenClaw范式出现之后，工业数字化不再只是人服务于数据，为了填报而填报，把系统变成了被供起来的「祖宗」；而是开始更具行动力，将被动的记录系统变成主动的行动系统。

这意味着，工厂在进化为一种「生命体」。

制造业的数字化没有流动

过去几年，中国制造业并不缺数字化投入，大量企业完成了第一轮信息化和数字化建设。但真正进入工厂现场后，很多企业会发现：系统越来越多，流程越来越复杂，但效率并没有同步提升。

问题在于：数据、知识和开发，并没有真正流动起来。

最先卡住的是数据。

亿咖通虽然已经部署了ERP和SAP系统，但供应链管理涉及到的客户预测、排产、缺料计算、库存监控等每天都在变化的数据，很难从这些系统中获得实时反馈。「SAP可以跑缺量，但它跑得非常慢，等它跑出来的时候，我们的计划可能又出现变化了。」亿咖通全球技术中心的产品经理孙迪说。

于是，大量一线协同重新退回到最原始的状态：Excel、电话、微信群。并且，信息在层层传递中会不断损耗，管理层很难实时看到一线变化，很多库存问题直到「包不住了」才会被上报，但这时已经很难挽回损失了。

第二个卡点是知识。

在开头提到的设备保全场景中，「车不往前走」是最简单的故障，解决这个故障就已经需要工程师熟悉系统的控制逻辑和现场布置。老师傅可以靠十几年的经验积累快速拿出解决方案，但刚入行的年轻人却很难快速学习和应用好这些知识和经验。

这些知识和经验并不是没有被积累起来。奕派科技武汉工厂设备保全部的汤俊表示，工厂十几年来积攒了140份长停工报告、2000多条故障一元化表、275份原理原则课件。但这些知识只是躺在文档里、表格里，存在老师傅脑子里，没有「长在组织上」，在团队内真正流转起来。

第三个卡点是开发。

东风康明斯制造工程部的巢正坤将过去几年的数字化阶段形容为：「扶上马，但没人送一程。」数字化系统上线之后，企业确实实现了「纸面流程线上化」，但更多只是把原本手工记录的工作搬进系统，真正的业务逻辑并没有改变。「以前是手工填表，现在变成系统填表。」他说，「员工会觉得，好像请了个祖宗回来伺候它。」

核心的原因是，传统数字化体系建立在一种固定逻辑上：业务提需求，IT翻译需求，再由供应商开发系统。这样会让层层传递间业务需求失真，也会让一项功能的开发耗费大量时间和资源。

但制造业最大的特点恰恰是业务每天都在发生变化。相对僵化的开发流程与不断变化的业务需求之间没有形成流畅的互动。这种开发迟滞，会让大量被积累在系统中的数据、知识，因缺乏合适的工具而无法在组织内实现顺畅流转。

某种意义上，过去十年的数字化，更像是让企业第一次做到了「看见」——看见库存、看见异常、看见协同断点。但看见并不等于能发现问题、解决问题，要让整个数字化基础设施发力，还需要为其建立一个把数据、知识和人重新连接起来的「协同层」。

AI支撑的协同层建设

这个协同层的建设是过去几年制造业进行数智化转型的核心目标之一。在大模型和Agent出现之前，已经有不少RPA、低代码工具在尝试为企业提供解决方案，但都缺乏足够的灵活性。当制造业致力于让数据、知识、开发流动起来时，前提一定是有一套足够灵活、高适配度的「脚手架」在提供支持。

大模型和Agent的应用让这套「脚手架」有了实现的可能性。在既有的数字化基建基础上，大模型和Agent负责理解、判断和规划行动，飞书这样的协同工具负责实现连接，最终让原本静态的系统可以快速适应业务的变化，实现边跑边改、边用边调。

除了奕派科技的设备保全探索，在飞书的大赛上，不同企业也从不同切面验证了这件事。

切面一：海信的主数据治理

数据治理是制造业实现数字化转型的前提。以供应商数据为例，同一个供应商，在不同事业部可能有不同名字、不同编码、不同字段标准。数据一旦不统一，采购、供应链、财务之间就会出现断点。海信集团采购中心的黄亭亭表示，海信在2024年12月就上线了主数据项目，目的就是为高价值数据制定统一的标准，在整个集团内实现复用。

经历了一年的稳定期，在2025年12月开始推进供应商主数据的运营工作。这项工作的目标有两个：维护数据标准，保证数据质量。比如，付款条件之前有三项，当增加第四项时，就需要更新数据标准；然后基于新标准，把数据清洗干净。

这个过程往往会带来大量人工校验、反复沟通和跨部门扯皮。然后黄亭亭的团队引入了AI来推进数据治理流程，让人找数据转变成数据自己流动起来。当系统提示有数据存在问题时，AI会直接给出修正结果，甚至自动完成字段赋值，然后督促业务人员进行确认。

切面二：亿咖通的供应链协同

依托AI能力和飞书，亿咖通对供应链预测进行了优化，将准确率从75%提升到91.5%，部分高价值物料从原来的「备1—2个月库存」，变成按周拉动，释放出数个月的流动资金。

他们的预测背后并不是一个「大一统系统」，而是由AI支持的多个独立模块之间的动态协同。需求预测、采购、库存、交付，各模块既独立运行，又相互校验。一旦某个环节数据异常，下游模块会反向预警。

这种模式和传统工业软件最大的区别在于：它允许业务快速试错。过去需要一个月开发的模块，现在一周就能出原型。与传统的开发流程相比，这个项目的上线直接节省了200多万元开发成本。

一旦繁杂的基础工作被AI接管，业务人员就能有更多时间针对关键问题做分析、决策和优化。这又会进一步提升组织配合度，形成正循环。

切面三：东风康明斯的低成本开发

改造成本太高是很多制造业企业在进行数智化转型时会遇到的问题。以前，智能化意味着购买更贵的设备，引入更新的软件，这些都需要进行新的大额投资。一台生产线上使用的搭载端侧模型的智能相机可能就价值几万元。上线之后，也可能难以达到预期的效果，还需要继续投资进行改进。

但大模型带来了新的解题思路。东风康明斯的解决方案是，将已经投资建设的数字化设备进行软硬件解耦，利用已有的摄像头硬件，外挂大模型的能力，打造新的AI视觉质检解决方案。通过这套方案实现的发动机连杆配对码的高精度识别，上线9个月，准确率稳定在99.5%以上，且全年总算力费用不到1000块。

这些切面都指向了一个关键变化：制造业智能化开始从「增量建设」转向「存量激活」。这背后起到支撑作用的是大模型、Agent、飞书等组成的、更灵活的开发套装。未来制造业可能也会实现针对一个具体问题，实时响应、快速定制解决方案，做到用完即走。比稳定使用十年更重要的，是快速解决今天的问题。

用好AI是一场组织建设

工具是乘数，人是基数。基数是零，乘数再大，结果还是零。这是前大模型阶段，制造业数字化建设面临的问题，也是Agent阶段，制造业走向智能化需要应对的挑战。协同层不是自己长出来的——它需要人去搭、去试、去迭代。本质上，用好AI是一个组织建设的问题。

一方面，AI搭建的新工具需要相应的组织重构，来保证落地。

海信的主数据治理项目，没有走传统的「IT牵头、业务配合」路线，而是搭建了一个铁三角：业务、财务、IT各自出人，组成3-5人的核心运营组，主导全集团供应商主数据运营。业务知道痛点在哪，财务知道数据标准怎么定，IT知道用什么工具来实现——三方坐在一起，需求不用跨部门翻译，决策当天出。

往下延伸，30多个事业部各设1名数据主人，每个主人下按强相关系统配置3名左右数据管家，全集团100多名管家，按源头系统拆分数据责任。不是上线了就结束，而是把数据质量拆细，做到每个数据都有人盯、有人改、有人负责。

就像黄亭亭所说，这个项目最终交付的，不只是项目，而是一套能持续发现问题数据、消灭问题数据的组织能力。同样的，亿咖通也依赖由IT和运营组成的小组，每个小组负责一个环节的运营，最终实现库存预测解决方案的持续运营和迭代。

另一方面，需要组织来激活业务人员建设AI工具的积极性。

巢正坤有一个朴素的经验总结：「所有成功的项目，都是业务真正知道自己要什么。」业务说不清需求，把希望寄托在乙方身上，指望外部团队「点石成金」。结果做出来的系统，功能上没毛病，就是跟业务对不上。

AI模式让业务能够主导工具的开发。巢正坤主导发动机连杆视觉检测功能的源起，是看到了一个养猪场用大模型数猪的案例——大模型能数猪，能不能识别发动机上的字符？

他的团队试着在飞书多维表格里接入了大模型。第一次测试，准确率40%。放在传统项目评审里，这个数字意味着「不可行」。但他继续优化提示词，让准确率爬升到94%、95%。还是不够——工业级落地容不下5%的误差。他继续收集负样本，逐一分析判错原因，定位问题，逐个解决。

巢正坤的成功需要三个条件同时成立：触手可及的工具，多维表格接入大模型，工程师不需要走IT审批就能开始试；愿意试的人，一个敢从养猪场联想到发动机的工程师；持续迭代的耐心，在验证方向的可行性后，能够不放弃，继续补全方案漏洞。

这三个条件，工具是前提，人是核心，组织是保障。没有工具降低门槛，人试不了；没有人主动上场，工具就是摆设；没有组织给空间、给激励、给容错，人不会去试。

最终，AI植根于ERP、MES、SAP、传感器、飞书等数字化工具上，成为与工厂相伴而生的「大脑和神经」，负责处理数据、链接流程、沉淀知识。企业要做的不仅是利用好一种新工具、新能力，还要让AI进入工厂、进入流程、进入组织形成一种人与AI协同工作的新工作流和组织形态。