智能体如何在企业“上岗”？一份来自制造业实践白皮书的启示

我们在手机上进行“下单”操作时，通常只关注两件事：何时送达，以及物品是否正确。对于众多按订单生产的企业而言，这一简单动作背后，却可能引发一系列复杂的协同反应。

当一份订单突然插入计划，或某个产品配置发生变更，计划人员需重新平衡交期与产能，采购要确认物料是否就位，仓库需核实库存可用性，工艺与车间也要接收新的工作指令。如果一张物料清单更新后，仍有部门沿用旧数据，采购、生产和交付都将受到影响。

消费者看到的是产品按时送达；而企业需要处理的，是订单、物料、工艺与人员之间不断变化的关系。任何微小的信息偏差，最终都可能导致交期延误、成本波动，甚至质量隐患。

大模型能力日益增强，它能否帮助制造企业解决这些最棘手的难题？

今年以来，我们发现制造企业开始积极部署WorkBuddy。在与这些企业共同推进应用的过程中，我们注意到一个共同点：许多制造企业并不急于为AI安排一个宏大的角色，而是从最琐碎、也最容易出错的基础工作入手，让它先跑通一个个小而具体的任务。

今天，腾讯研究院、腾讯云与腾讯WorkBuddy联合编制发布了《迈向自适应制造：制造业智能体实践白皮书》，旨在将一线探索中已验证的场景、方法和经验进行梳理与提炼，为更多制造企业开展智能体应用提供一份切实可行的全景地图与行动指南。

报告核心发现

第一，智能体正从能对话、能干活走向能上岗。 这三个阶段对应三种能力边界：回答问题、协助完成任务、在岗位规则下接收任务并交付结果。“上岗”的标志，是AI的输出能被后续环节接收、核验和追溯，从而进入企业的责任链条。

第二，制造业智能体的第一站，往往不在生产现场，而在系统之间的数据断点。 数据分散、口径不一、跨系统流转仍需人工处理的任务，是制造企业普遍存在的协同短板；这些任务规则相对清晰、结果也能核验，因此适合作为智能体的切入点。

第三，智能体“上岗”需要一套工程方法。 首先选定既有业务价值、又具备落地条件的任务；然后使用真实数据和真实流程进行验证；最后将规则、模板和样例沉淀下来，供后续任务复用。场景、实证、复利，缺一层则难以稳定复制。

第四，制造业智能体应像搭积木一样累积。 先打通一项具体任务，再将多个任务串联成岗位能力，最后沿业务流程连接为组织协同。每跑通一项能力，都应成为下一项能力的基础。

第五，系统的连通性，决定智能体能否从建议者变为执行者。 只有能获取真实数据、调用业务系统、留下审计记录，智能体才可能在授权范围内完成工单调整、缺料核查、报价准备等岗位任务。

第六，AI压缩了信息处理和规则执行的成本，因此人类判断变得更为重要。 企业能否将经验清晰表述、将规则书面化、将例外情况分离出来，决定了智能体能否稳定创造价值。

第七，制造业的未来方向是受控的自适应。 智能体将持续进入生产系统、跨岗位协同和物理场景；越靠近控制与执行环节，权限边界、安全回路和人的监督就越需要做实。

第一站不在生产现场，而在系统和数据之间

许多制造企业已拥有众多数字化系统，但难题往往出现在系统之间：一条变更信息分散在不同的表格、邮件和业务页面中，员工需要反复核对、补充、确认，才能推进下一步。物料变更、齐套核查、图纸报价、对账开票等工作都属于此类。它们不直接生产产品，却是采购、生产和交付的关键瓶颈。

物料清单（BOM）基线核对，就是一个典型任务。产品一旦换版，工程师需从多份文件中找出差异，判断哪些变化会影响采购和生产。智能体可以先完成多格式解析、数据体检、差异提取和影响范围梳理，输出一份标明风险和待确认事项的清单；产品工程师据此即可快速确认基线和处置方式。

根据该任务级智能体的预期成效测算，一次BOM换版的人工投入可从3至5小时降至0.5小时，周期可从1至2天缩短至当天出清单。更重要的是，过去主要依赖个人熟练度的核对过程，开始转变为他人也能检查、复盘和接续的工作标准。

智能体“上岗”，关键是接住一段责任链

“上岗”的实质，并非AI能独立交付一个结果，而是它能嵌入一条有人接手、有人负责的工作链：任务从何而来、中间由谁确认、结果交给谁、出问题谁担责，每个环节都必须清晰。

以生产与物料控制（PMC）的短期排产与插单调整为例，这条链大致包含四个环节。上游提供输入：订单交期、物料齐套、设备产能，构成排产的依据。AI承接中间一段：按优先级规则生成排产方案，方案确认后调整工单、向各部门发送通知、留下处理记录。人把控关键节点：PMC审核方案是否可行，插单取舍和规则之外的例外由人判断。下游接收结果：各工序按通知安排生产。AI并非从头做到尾，而是在这条链上接住了中间一段可核对、可追溯的工作。

这套人机分工协作流程运行后，人工投入可从3至4小时降至0.5小时，急单端到端响应可缩短至15分钟，预计可获得显著效果。

智能体应从小任务起步，逐级累积到岗位和组织

企业最容易走偏的地方，是一开始就期望AI覆盖一个部门，甚至一整条流程。更可靠的路径，是先攻克一项边界清晰的任务，再向相邻工作扩展。

缺料核查说明了这种做法。物料需求计划（MRP）能计算出账面缺口，却回答不了几个更关键的问题：仓库里的存货能否使用？替代料是否合格？这批料何时真正需要？一张订单是否值得为此紧急采购？这些问题过去往往需要采购、计划、仓库和工艺人员反复确认，直到开工前才可能暴露。

智能体可以将库存、需料时间、替代料条件和在途订单整合到同一张判断表上，将结果分为“可按计划开工”“有条件开工”“需升级决策”三类。它不替采购员做出商务承诺，也不替计划人员决定交期取舍；它的作用是将真缺口、可化解路径和真正需要权衡的问题提前摆明。

这个任务稳定后，沉淀的数据口径和异常处理方式还可以延伸到齐套预警、采购跟催、呆滞料处置等相邻工作。能力由此逐步成长：先是一件事，随后是一类岗位工作，最后才可能成为跨部门协同。

把人的经验，沉淀为AI的规则

AI擅长按规则取数、计算、核对，但规则不会自动生成。制造企业真正需要下的功夫，是将资深员工脑子里那些“何时备货、备多少、什么情况要升级”的经验，写成AI能稳定执行的规则。

广州视声的供应链实践印证了这一点。面对材料价格波动和采购周期拉长，企业将市场价格、库存水位、在途订单和历史耗用量汇入同一流程，将采购团队多年积累的管理经验转化为风险分级和决策规则。AI按这些规则整理信息、生成订单建议，业务人员负责最终审批。企业实践口径显示，这项动态库存与价格联合决策可从人工3天缩短至AI辅助2小时，并支持每月自动刷新。

“我们将管理经验沉淀为可执行的决策规则，这些判断逻辑交付AI后，由它按既定规则每月自动刷新、滚动决策，效果不错。”——广州视声智能副总经理、董事

这件事真正的难点，在于将难以言明的经验写成可执行的规则：规则越清晰，AI执行得越稳定；市场变化时，人再校准规则、补充知识、处理例外。经验进入规则后，不再随个人流动，而成为组织能够反复调用、持续修正的能力。

系统连通，能力才能走进流程

智能体要从“给建议”走到“办成事”，还必须接入企业现有的工作系统。它需要读取真实数据，在授权范围内完成必要动作，并留下过程记录。缺少其中任何一项，AI都难以承担岗位任务。

困难不仅在于连接接口。智能体还需要理解一条工单、一个物料编码在业务上的含义；更要清楚哪些动作可以自行完成，哪些必须请人确认，发生冲突又该由谁处理。系统连接越深入，权限、审计和回退机制就越需要事先设计好。

因此，系统连通要为每个动作划定数据范围、执行权限和责任归属。企业据此逐步扩大AI的操作范围，才能同时获得速度与可控性。

从一个场景，到一套组织能力

单个场景取得效果，只能说明一项任务可以交给智能体。要获得持续收益，企业还需要让最懂业务的人参与定义任务、完善规则、检查结果，并将跑通的做法分享给其他岗位。

珠海天威飞马采用“业务主导、技术陪跑”的方式：业务骨干亲手搭建提效流程，IT团队提供技术支持；跑通的方案进入案例库，再推动跨部门复制。企业实践口径显示，天威已沉淀50多个应用场景，覆盖六大职能。

“真正的AI，是让智能体之间自动完成协作——将来我直接在WorkBuddy里就把活儿协同完了。”——珠海天威飞马CIO

这套机制的价值，在于让经验不再停留在一个人或一个部门手中。前面提到的“场景、实证、复利”，解决的是单个任务能否可靠落地；业务参与、案例入库和岗位复用，解决的则是这些小能力如何逐步连接成更大的协作网络。

走向自适应，先把边界做实

制造业过去的自动化，是将人的动作写入固定程序，遇到程序之外的变化就得停下、靠人调整。自适应要做的，是让系统在给定边界内自行判断、自行行动；而“边界内自主”的关键，正在于边界。边界划得越清晰，AI越敢放开手脚。自适应的终点是受控的自主，常规响应交给系统，价值判断和边界留给人。因此，越要走向自适应，越要先做实边界。

以服务派工为例，客户说“设备报警了、停机了”，智能体先补充设备信息，识别冒烟、异味、放电异响等安全红线，给出远程处理或上门建议，将一句模糊描述整理成可供主管判断的工单；故障诊断、派人决策和费用承诺，仍由人确认。边界清晰，AI反而敢替人先接住受理环节。

离生产更近的环节，分工更细。制造现场追求毫秒级的确定性，容不得概率性模型直接接管；高频数据采集、异常检测和安全闭环先由边缘设备和确定性系统完成，智能体只按需调用结果、进行分析和协同，关键动作还需经过仿真校验、人工审核或安全回路把关。

把边界做实，才有条件在边界内逐步放开自主。制造智能体将沿着由易到难的路径向前推进：先做深数字任务，再接入生产系统，再走向多智能体协同，最后伸向物理世界。边界越清晰，自主才能放得越开。

 让AI先跑出第一棒

制造业智能体的难点，不仅在于模型能力，还在于企业能否将真实痛点拆解为具体任务，将数据、规则和系统连接起来，将经验转化为可验证的工作方法，并在效率与责任之间划定边界。

一张排产调整表、一轮缺料核查、一次图纸报价，看似都只是小事。但当这些任务能够被准确执行、反复验证，并被更多岗位复用时，新的组织能力才会逐步形成。

这正是《迈向自适应制造：制造业智能体实践白皮书》研究发现的一条有效路径：从一个真实场景出发，让AI先跑出第一棒；再让人和AI在清晰的规则、数据和责任边界中持续协作，走向更具韧性、更能适应变化的制造组织。

本白皮书梳理了7大岗位的典型任务场景，并呈现三家代表性企业的系统化落地经验。

本文来自微信公众号 “腾讯研究院”（ID：cyberlawrc），作者：吴朋阳，36氪经授权发布。