成都制造企业生产异常没人跟，AI智能体该怎么分派工单？

生产异常不是“谁看见谁处理”

很多成都制造企业上了 MES、QMS、EAM 或设备采集系统以后，现场异常仍然处理得很慢。并不是系统完全没有数据，也不是员工不知道问题存在，而是异常从出现到处理之间缺少一套可执行的分派机制。停线、报废、返工、设备报警、物料短缺、工艺参数偏移、首件不合格，这些问题经常散落在班组微信群、纸质记录、设备屏幕、质检表和主管口头安排里。当天能不能解决，往往取决于谁刚好在现场、谁愿意追问、哪个主管经验更足。

这种模式在订单少、产线少、人员稳定时还能勉强运转；一旦多品种小批量、插单频繁、设备状态波动、质检标准提高，问题就会变成“人人都知道异常存在，但没人对关闭结果负责”。生产主管觉得质量部门没有及时判定，质量部门觉得设备原因没有排除，设备部门觉得操作条件和保养记录不完整，计划部门只看到交期被推迟。最后异常被记录了，却没有真正被分派、升级和验证。

因此，企业引入 AI 智能体时，不应一开始就期待它“自动判断原因”或“直接指挥车间”。更现实的价值，是让 AI 先帮助企业把异常变成标准工单：什么异常、影响什么订单、属于哪个等级、应该先找谁、多久必须响应、需要哪些证据才能关闭。只要这个闭环建立起来，AI 才有机会从提醒工具升级为生产管理助手。

第一步：统一异常口径，而不是堆更多看板

生产异常分派的前提，是企业先把“异常”说清楚。很多工厂的问题不在于没有看板，而在于看板上的状态无法转成责任动作。例如，同样是“不良率升高”，可能来自来料批次问题、设备夹具磨损、工艺参数漂移、人员换班操作差异，也可能只是检验口径变化。如果系统只把它显示成一条红色预警，现场仍然不知道该由谁先处理。

AI 智能体适合从异常分类开始介入。企业可以把异常分成几类：影响停线的一级异常，影响质量放行的质量偏差，影响节拍和稼动率的设备异常，影响订单齐套的物料异常，影响交期承诺的计划异常，以及需要跨部门协同的复合异常。每一类异常都要对应默认负责人、协同部门、响应时限、升级路径和关闭证据。

这一步看似基础，却决定后续智能体是否可用。没有异常口径，AI 只能做文本摘要；有了口径，AI 才能根据工单描述、设备报警、质检结果、生产计划和历史处理记录，给出分派建议，并把“建议找谁处理”变成“已创建任务、已通知负责人、已开始计时、已等待验证”的可追踪状态。

图1：生产异常被识别后，应先转成带责任、等级和证据要求的工单。

第二步：先接能支撑派单判断的数据

生产异常工单不需要一开始接入所有系统，但必须先接入能支撑分派判断的关键数据。首先是 MES 中的生产订单、工序、产线、班次、当前节拍和在制品状态。没有这些信息，AI 很难判断异常影响的是单个工位、整条产线，还是某个客户订单。其次是 QMS 中的检验记录、不良类型、抽检批次、让步放行和返工记录，用来判断异常是否需要质量部门先介入。

第三类是设备与维护数据，包括 EAM 工单、点检记录、报警代码、保养周期、备件更换和历史故障。它能帮助智能体区分“操作问题”和“设备状态问题”。第四类是物料和批次数据，包括 WMS 或 ERP 中的批次号、供应商、库存、领料、替代料和追溯关系。很多异常表面发生在产线，根因却在物料批次、替代料验证或齐套状态。

第五类是人员与班组信息，包括岗位资质、排班、换线记录和班组长职责边界。AI 不应绕过管理责任直接指挥员工，但它可以提醒主管：这个异常涉及某岗位资质、某班次换线、某工位培训记录，需要生产主管确认。第六类是历史处理记录，包括同类异常过去由谁处理、平均耗时、是否复发、最终原因和验证方式。历史闭环越完整，智能体给出的分派建议越接近企业真实经验。

图2：分派规则要覆盖停线、质量、设备等不同异常等级和升级时限。

第三步：让 AI 做分派助手，不做最终裁判

生产异常处理涉及安全、质量、交付和成本，不能把最终裁判权交给 AI。更稳妥的设计，是让 AI 智能体承担四类角色：发现助手、分级助手、分派助手和升级助手。发现助手负责把设备报警、质检异常、班组反馈和计划偏差汇总成工单草稿；分级助手根据影响范围、订单紧急度、质量风险和停线时长给出等级建议；分派助手根据责任矩阵和历史经验推荐主责部门与协同部门；升级助手在超时、证据不足或复发时提醒管理层介入。

这种设计的好处，是把 AI 放在企业可控的位置。它不替主管决定谁承担责任，也不替质量部门决定能否放行，更不替设备部门判断是否可以继续生产。它负责把事实整理清楚，把可能遗漏的证据列出来，把超时风险暴露出来，把需要人工确认的节点推到相关负责人面前。

对于老板和工厂负责人来说，这比一个漂亮大屏更有价值。大屏能告诉管理层今天有多少异常，工单闭环能告诉管理层哪些异常无人响应、哪些异常反复发生、哪些部门经常卡在验证环节、哪些异常最终影响交付。AI 的价值不在于让异常看起来更智能，而在于让责任、时限和证据变得更清楚。

第四步：关闭工单要看证据，不只看状态

很多企业的异常工单失败在最后一步：状态显示已关闭，但现场问题并没有真正消失。有人填了处理说明，却没有上传复检结果；有人更换了备件，却没有记录旧件状态；有人调整了工艺参数，却没有验证后续批次；有人把问题归为人员操作，却没有形成培训和防错措施。这样的关闭只是流程结束，不是问题解决。

AI 智能体可以把关闭动作做得更严谨。不同类型异常应有不同关闭证据。质量偏差需要复检记录、处置结论、放行或隔离证据；设备异常需要维修记录、点检结果、备件信息和试运行确认；物料异常需要批次追溯、供应商反馈和替代料验证；计划异常需要订单影响、客户承诺变化和补救安排。AI 可以在负责人提交关闭前检查证据是否完整，提醒哪些材料缺失，哪些描述过于笼统，哪些异常与历史复发问题相似。

更进一步，企业还可以让智能体定期整理复盘材料：本周高频异常是什么，平均响应时间是多少，哪些异常超过升级时限，哪些原因反复出现，哪些措施没有通过验证。这样，生产异常不再只是事后补记录，而会变成持续改善的输入。

图3：异常关闭要看原因确认、措施验证和复发风险，而不是只改状态

落地建议：从一条产线、三类异常开始

对成都制造企业而言，生产异常智能体不宜一上来覆盖全厂。更稳妥的方式，是选择一条异常频率高、订单压力明显、系统数据相对完整的产线，先做三类异常：停线类、质量类、设备类。每类异常先定义清楚触发条件、主责岗位、协同岗位、响应时限、升级路径和关闭证据，再让 AI 接入必要数据并生成工单建议。

试点阶段不要只看 AI 回答是否流畅，而要看工单闭环指标：异常从发现到创建工单需要多久，主责人是否明确，超时是否被提醒，关闭证据是否完整，同类异常是否减少复发，主管复盘是否更省时间。只要这些指标改善，AI 才算进入生产管理，而不是停留在演示层。

逐米时代这类成都本地企业 AI 应用与智能体解决方案服务商，可以在这一类场景中承担业务梳理、数据治理、系统集成和智能体建设工作。企业真正需要的不是单独购买一个模型，而是把 MES、QMS、EAM、ERP、WMS 等系统里的关键证据接起来，把现场经验沉淀为分派规则，把异常处理变成可追踪、可验证、可复盘的生产管理能力。

生产异常没人跟，并不一定是员工不负责。更多时候，是企业没有把异常变成清晰的责任工单。AI 智能体的切入点也不应是替人背锅或替人拍板，而是把事实、责任、时限和证据放到同一个闭环里。对正在推进数字工厂和 AI 落地的制造企业来说，这往往比再做一块大屏更接近真实价值。