制造业构建数字员工军团，先想清楚三件事

过去一年，大模型能力持续突破，各类智能体产品层出不穷。不少制造企业纷纷跟进——部署模型、搭建问答系统、组织员工试用。

然后呢？然后就没有然后了。

“它可能能够解决一些通用的管理理念，或是基础的知识问答，但如果我们企业内部的数据不能和它结合，企业内部的运营流程不能和它结合，它就变成了一个大脑——你问它，似乎什么都知道，但对企业的最终商业结果，没有任何意义。”

8月21日，在2026第十期华北制造业CIO研讨会上，面对台下百余位制造业CIO，实在智能联合创始人、CMO张俊九没有展示技术参数，而是抛出了三个直击落地痛点的问题。

第一个问题：企业现有系统，数字员工能否触达？

中国信通院调研报告显示，各行业数字员工使用率排名中，金融服务业居首，零售电商次之，制造业位列第三。

表面看尚可，但张俊九点明了背后的逻辑：金融居首，是因为其产品交付轻量、数据基础完善；电商居前，是因为其原生SaaS生态、数据天然在线。制造业排名第三，凭借的是行业体量，而非信息化基础。

“判断AI能否落地，先看三个基础：数据治理水平如何，SOP定义是否清晰，岗位边界是否明确。基础不达标，不宜急于推进。”

更为现实的是，即便基础条件具备、模型能力充足，最后一公里仍难以打通。张俊九描述了一个在客户现场反复出现的场景：数字员工接到指令，需进入ERP系统查询一笔订单的交付状态，逻辑拆解清晰、步骤无误——但执行到最后一步，发现这套十年前上线的ERP系统未开放任何API接口，模型被挡在系统门外。

“前90%可能100天就完成了，后10%需要1000天。逻辑上很快能跑通的东西，到最后一步落地的时候，终归有一道鸿沟在那等着。”

因此，企业真正需要的不是一个“聪明的助手”，而是一个能直接上岗的数字员工——具备大脑以实现自主决策，具备双手以完成执行操作（即便没有API也能通过RPA实现），具备红绿灯以进行合规校验、全程留痕且可审计。

今年7月，实在Agent在OSWorld全球榜单中斩获第一名，执行成功率90.2%，领先第二名6.6个百分点。该榜单的测试方式是向智能体下达360余道真实操作任务，考察其自主完成能力。

张俊九表示，登顶的关键不在模型本身，而在于八年深耕企业软件场景的Harness积累——让模型能够理解工作场景的语言，根据企业内部各类软件的操作逻辑自动拆解步骤，完成闭环执行。

第二个问题：企业内部，有多少工作可以交给数字员工？

许多企业推进AI应用的思路是“先找一个场景试点”。试来试去，始终在零散场景中打转，难以形成全局视角。

张俊九提出了一个极简框架，四个字：办、问、数、生。每个字背后都对应一条判断路径，帮助企业快速决定“这个场景该用什么方式落地”。

流程办理。系统之间的数据搬运、审批流转、单据传递，“从一个表格到一个系统、从一个系统到另一个系统”，此类动作占据大量岗位工时。

判断路径十分明确：目标系统是否具备API接口？有，则直接调用；无，则模拟人工操作。技术选型无需纠结，接口有无决定了执行路径。

问

知识问答。对内涉及规章制度、报销流程、社保公积金等咨询；对外承担客户服务。这是目前AI应用最为广泛的领域，门槛最低，但前提是企业知识库已先行建立。

数据分析。张俊九对此尤为审慎：“70%的工作在水面之下。”若缺乏元数据定义、血缘关系构建和宽表业务范围界定，AI再强大也无法理解企业内部的数据结构。

避坑指南同样明确：先投入数月将数据治理做扎实，再推进NL2SQL动态查询和BI图表呈现，否则水面之上的应用皆为空中楼阁。

同时需警惕的是，数据质量不达标时强行上马，误判率将显著上升——尤其在财务核算、库存盘点等高敏场景，必须建立人工复核兜底机制，而非盲目信任模型输出。

文档处理。0到1的生成类任务（撰写制度、制作文案）难度有限，真正具有挑战性的是10到1的审核类任务——“提供10个附件，判断审批是否通过、款项是否可付”。

此类场景需要大量文档的抽取、比对、规则校验和合规检查。但需正视的是，大模型在合规审核场景中存在幻觉风险，一旦判断失误，责任归属难以界定。

因此，文档审核类场景的落地原则应是“机器初审+人工终审”，数字员工承担信息抽取与比对的高频劳动，最终决策权仍由人把握。

这四类工作覆盖的并非单一部门，而是制造业全链路：从前端的运营、仓储、制造、上下游协同，到后端的人力、财务、法务。凡符合这四类逻辑的环节，均可由数字员工承担。

第三个问题：数字员工上岗后，原有人员如何安置？

这在很多企业中是最易被忽视、却最为关键的问题。

三花智控，全球制冷家电与新能源汽车热管理领域的领军企业，中国企业500强。在引入实在Agent之前，三花智控面临一个典型的制造业痛点：大量重复性数据搬运工作依赖人工跨系统操作，产线调度信息分散在不同系统中，管理人员每天需在多个系统间反复切换、手工汇总，疲惫且易错。

三花采取了一项颇具力度的举措：要求所有一线管理者必须通过AI工具认证。

“引入一个工具，首先要从意识上统一，从管理者的步调上统一。”成效如何？769名业务员工通过数字化人才认证，绝大部分来自业务一线；累计落地340余个智能决策与自动化场景，其中大部分由业务员工自主开发；累计节约超20万工时。

张俊九由此指出：数字员工建设并非IT部门的单线任务，而是全员工程。三花智控打破的是IT与业务之间的“隐形墙”，让最了解业务的人掌握AI工具。

赛力斯——以新能源汽车为核心业务的A股、H股上市公司——在财务部门曾面临一个普遍困境：财务人员每天需登录NC系统获取流水账单，再与DMS票据数据逐笔比对，一笔对不上就要人工追溯原始凭证，月末结账高峰期加班成为常态。

引入实在Agent后，财务人员只需在飞书发送一条指令，智能体即自动登录NC系统获取流水、完成与DMS票据数据的双重比对，数据一致则流程结束，不一致则生成异常工单推送财务人员，后者仅需点击“通过”或“驳回”即可完成闭环。

在此基础上，赛力斯财务部门实现了95%的流程自动化率，每月80小时的工作量缩短至10小时以内。

张俊九着重阐述的并非效率数据，而是效率提升之后发生的事：“我们给很多企业财务部门做赋能，基础审核岗位转型50%——不是裁减人员，而是将这些岗位的员工转入业务部门担任财务BP，从业务起点即植入财务视角。”

人员的职责从执行环节中抽离，转向管理决策与业务赋能。这才是数字员工真正应当带来的改变——不是简单的“机器替代人工”，而是企业组织的整体重塑与生产力的重新分配。

张俊九以三个“高”和一个“低”描绘了未来企业的画像：数字员工密度高，AI应用程度高，知识和技能沉淀程度高，相对单产的人工成本大幅下降。

前两个问题关乎“能不能做”和“做多少”，第三个问题才真正决定“能做多久”。数字员工的上线不是项目的终点，组织的重塑才是。

这场演讲没有罗列模型参数，没有展开技术架构，也没有刻意推介产品。张俊九反复阐述的，实质上是三层认知：

触达系统，方能上岗。以“办问数生”审视全局，避免零散试点。人的去向，比机器的任务更需先行考量。

对于正在权衡“是否推进、如何推进、投入是否值得”的制造业CIO而言，厘清这三个问题，远比采购任何AI模型更具实质意义。