去年年底参加一场制造业数字化转型的交流会茶歇时有位汽车零部件厂的IT负责人对我说了句印象很深的话朋友圈里别人的AI智能体都能写代码、自动做报表了我们车间里连设备报工还得靠人工录这差距是不是已经追不上了我当时没直接回答因为这个问题背后其实藏着一层更真实的行业状态——AI智能体AI Agent这个概念在软件圈确实热了好几年各种Demo演示一个比一个漂亮可真正能在制造业车间里持续跑起来、让一线人员愿意天天用的少之又少。这篇文章想聊的就是AI智能体在制造业落地这件事本身。我会从实际项目和选型经验出发把制造业落地AI智能体绕不过去的难点拆开讲清楚也会把解决方案商的能力到底该怎么评估、从试点到规模化应该怎么走一条一条梳理成可操作的方法。不吹概念不讲宏大叙事只讲那些在车间、会议室、招标现场真实发生的事。适合制造业的数字化转型负责人、IT与工艺团队以及所有正在评估AI智能体供应商、准备立项的同行参考。1. 演示很惊艳产线很沉默制造业AI智能体的真实起点先承认一件事AI智能体在制造业的热度是真的热。从公开动态看有大模型厂商直接开源了智能体训练方法有低代码平台让业务人员拖拽就能搭建智能体工作流也有垂直厂商推出面向研发和软件质量的代码检视修复智能体官方宣称缺陷召回率能做到90%以上。这些产品有一个共同点在演示环境里效果都非常好。PPT上写着让每个工厂都有一个智能体Demo里AI流畅地回答问题、自动生成报告、输出维修建议台下观众看得热血沸腾。但问题恰恰就在这一层。制造业和互联网是两种完全不同的土壤。互联网领域的智能体回答错了一个问题用户刷新一下页面就完了损失几乎可以忽略。制造业的智能体呢如果给设备维护人员推荐了一个错误的维修方案或者给质检员推荐了一个错误的质量判定后果可能是直接停线、批量报废甚至出现安全问题。这种容错空间的差异决定了AI智能体在制造业的落地逻辑不可能照搬互联网的思路。具体有三大结构性差距做项目的人越早认清越好。第一个差距是运行环境。互联网智能体活在云上算力是弹性的数据是数字原生的。制造业智能体要面对的是PLC可编程逻辑控制器、SCADA数据采集与监控系统、DCS集散控制系统、各类传感器网关以及几十种甚至上百种设备通讯协议。这些系统里有很多是服役了十几二十年的老设备有的连标准数据接口都不开放有的数据采集频率以毫秒计有的以小时计同一家供应商不同型号的设备通讯协议都可能不兼容。把一个通用智能体框架塞进这种环境就像把一台精密服务器搬进粉尘车间设备本身再先进环境不匹配就跑不起来。第二个差距是评价体系。互联网产品讲日活、转化率、留存制造业讲的是OEE设备综合效率、良率、一次通过率、平均修复时间、计划外停机时长。评价体系不同决定了系统优化什么、用什么数据优化、怎么向老板证明价值。很多项目做着做着就散掉了不是因为技术不行而是因为上线三个月后业务负责人问你给我带来了什么技术团队只能拿出准确率指标双方根本对不上话。第三个差距是决策责任。互联网智能体的决策损失是几分钱几毛钱的事制造业智能体的一个建议可能对应几十万的原材料、一整条产线的停产、甚至人员安全。决策责任的不对等导致制造业用户对AI智能体的信任门槛极高。一套系统哪怕错一次都可能让整个工厂对它关上大门。1.1 同一张智能体名片两套不同的生存法则我常说互联网智能体和制造业智能体虽然都叫AI Agent但本质上是两套生存法则。互联网的逻辑是尽可能自主、快速迭代、错了再改制造业的逻辑是先证明可靠、再谈效率、三思而后行。这不是保守是行业属性决定的。互联网追求的是覆盖广度和响应速度制造业追求的是过程可控和结果确定。你在互联网产品里可以把新功能灰度给1%的用户出了问题快速回滚在工厂里智能体接入的是真正的物理设备一条指令发出去就没有灰度回滚这回事了。所以在制造业做智能体指导思想应该是辅助人而不是取代人提建议而不是做决定缩小范围而不是大包大揽。1.2 制造业的自主性悖论既要它自主又要它可控AI智能体与传统工业软件最大的不同在于自主性。传统软件的逻辑是写死的如果条件A就执行动作B。智能体不一样它可以自己理解目标、拆解任务、调用工具、规划执行路径甚至根据中间结果调整策略。这种自主性带来了巨大的效率想象空间但同时也和工业系统的确定性要求产生了根本性的紧张关系——我们既要它足够聪明能自主处理复杂问题又要它足够乖绝对不能越界。这个自主性悖论是所有落地难点的总根源。也正因为如此制造业AI智能体的系统架构从来不是把大模型接进去就行而是要在自主和可控之间找到工业级的平衡点。后面几章讲的难点、方案、路径本质都是在回答这一个问题。2. 五道绕不开的落地门槛每一个都在项目里反复出现如果把AI智能体在制造业的落地比作修一条路技术模型是路上的车数据、场景、知识、可靠性、组织这五样东西就是路基。路基不牢车再好也跑不起来。下面这五道门槛我在几乎每个真实项目里都撞到过一个比一个硬。2.1 数据问题不是没有数据是没法用的数据制造业从来不缺数据缺的是干净、统一、可用的数据。一个中等规模的工厂我见过最典型的数据现状是这样的MES系统里有生产工单和报工数据ERP里有物料和计划数据设备层有PLC里的实时参数质量系统里有检验数据此外还有一堆Excel表和纸质巡检单。这些数据分散在不同系统、不同数据库、不同格式里。设备数据的格式千奇百怪同一家设备供应商不同型号的协议都不一致更别谈跨品牌统一了。数据的时间粒度也各不相同设备数据可能是秒级甚至毫秒级质量数据按批次记录工单数据按天统计。要把这些数据合并成一个智能体能够理解、调用的统一知识底座工作量远比训练模型本身要大得多。这还只是数据有没有的问题。更麻烦的是数据质量。制造业现场数据有多脏设备报警记录里大量重复报警传感器偶尔出现坏值操作员手工录入的报工数据经常有空值、错值甚至时间戳都是乱的。我自己遇到过最夸张的一个案例某工厂的OEE算出来长期超过100%原因很简单设备运行时间的统计口径在三个系统里各不相同一个把换型时间算进去了一个没算第三套系统的口径又是另一套。这种数据基础之上任何AI智能体的智能判断都是沙滩上盖楼——看着挺美潮水一来就塌了。很多厂商的套路是先用漂亮的Demo吸引你合同签完、数据一接才发现真实数据远没有演示数据那么干净。所以评估解决方案商的时候请把数据接入和治理能力排在算法能力前面。算法再强接不上数据、洗不净数据一切都等于零。2.2 场景碎片化处处都能用处处都难标准化互联网智能体和制造业智能体的场景逻辑有一个根本区别前者可以集中资源打磨一两个超级场景比如一个客服智能体服务几亿用户后者面对的是无数个看起来差不多、但就是不一样的小场景。制造业的典型场景有哪些设备预测性维护、工艺参数优化、质量缺陷根因分析、生产排程优化、供应链协同、设备故障问答、安全巡检、合规文档生成、新员工培训助手……听起来每个都能做但每个场景背后都是一套完全不同的知识、数据、流程和组织配合方式。更头痛的是同一个场景在不同工厂里差异也极大。同样是设备维护注塑机和数控机床的维护逻辑不同大型流水线和柔性产线的维护逻辑也不同同样是质量分析冲压件的缺陷类型和电子元件的缺陷类型完全不搭界。场景碎片化的直接后果是难以做出一个标准品智能体。每个项目实际都是一个定制项目定制项目的成本高、周期长、复制性差。这才是AI智能体在制造业规模化落地的真正瓶颈。解决方案商如果说我们的平台开箱即用什么场景都能覆盖基本可以判断为不了解制造业。真正靠谱的做法是平台场景包的模式底层是通用的智能体框架和工作流编排工具上层必须有按行业、按产线类型精雕细琢的场景包。平台解决通用问题场景包解决行业深度问题两者缺一不可。2.3 老师傅的隐性经验到底能不能教给机器制造业里最有价值的资产之一是老师傅的经验。设备发出异常异响老师傅路过听一耳朵就知道问题大概出在哪个环节产品质量出现微小波动老工艺工程师瞄一眼趋势曲线就能判断是哪个参数在漂。这些经验活在老师傅的脑子里不在任何文档里。AI智能体要成为真正有用的助手首先就要把这些隐性知识显性化。这个过程的困难程度怎么强调都不过分。难点在于老师傅很多时候不是不想教是他自己也没法说清楚判断依据。很多专家决策是模式识别式的——看到A和B同时出现脑子里直接跳到结论C但你要他写出完整的推理规则他写不出来。就像让一个骑车高手写一本《如何保持平衡》的教程他可以列出几十条原则但真正的平衡感永远没法用规则完全表达。现在行业里常见的做法是从设备故障记录、维修工单、历史参数、检验报告里提取知识交给大模型做RAG检索增强生成把显性文档喂给智能体。这只能覆盖已经写在纸面上的部分覆盖不了那些从来没写下来甚至永远没人写下来的经验。我见过比较靠谱的实践是双轨并行高频且有数据支撑的场景用数据驱动建模比如基于振动、电流、温度数据做故障预测低频但决策复杂的场景用知识图谱加老师傅评审的方式把经验逐步规则化再让智能体把这些工具串起来。整个过程需要工艺专家、设备专家、数据工程师坐在一起反复磨没有任何捷径可走。2.4 工业级可靠性、安全性与实时性容不下概率正确互联网产品的可靠性标准是99.9%听起来已经很硬了但放在制造业这个级别远远不够。关键产线的控制环节要求的是99.99%甚至更高因为一次意外宕机的直接和间接损失可能就是以百万为单位计算的。AI智能体比传统软件更复杂也意味着更脆弱。传统工业软件的逻辑是可预判的只要输入确定输出必然确定。智能体基于大模型推理大模型的输出本身带有随机性再加上工具调用、任务规划的中间环节整个系统的行为边界很难完全预测。这个随机性和工业系统追求的确定性之间存在天然矛盾。解决这个矛盾不是靠祈祷大模型永远不犯错而是要在架构设计上做防护。成熟的工业智能体系统通常有三层保护第一层在智能体输出入口设置人工审核或规则引擎校验只有通过确定性检查的输出才会真正被执行第二层权限与沙箱机制智能体只能调用授权范围内且可回滚的操作碰不到核心控制系统的红区第三层完整日志和审计追溯一旦出问题能精确定位到是哪一步决策、哪一次工具调用、谁批准执行的。这些防护机制会明显增加系统复杂度但对制造业来说是必选项不是可选项。此外还有一个容易被忽略的时效性问题。很多智能体应用部署在云端数据传到云端走一圈推理再回来延迟可能达到几百毫秒甚至几秒。用于处理非实时性任务还可以真的涉及到设备实时纠偏、工艺实时优化这种延迟就是致命的。所以制造业智能体的部署架构必须提前设计哪些模块放边缘、哪些放厂内私有化机房、哪些可以走云端每个场景都要单独论证不能一把梭。2.5 组织与人的阻力决定项目死活的那道软门槛这一条看起来最软实际上却是很多项目死得最惨的地方。我见过不止一个智能体项目技术方案没什么大问题数据基础也说得过去试点效果也不错但就是推广不下去。原因不在技术在人。一线操作工觉得智能体是来监控自己工作状态的心理上天然抵触质量工程师担心智能体会替代自己的岗位配合度很低车间主任觉得智能体建议不接地气不符合现场实际情况IT部门担心数据安全边界工艺部门怕智能体改变原有话语体系。一套系统在还没真正运行之前就已经被各方团队用脚投票否决了。所以制造业AI智能体的落地本质上是组织变革项目不是纯技术项目。解决方案商如果没有推动组织变革的意识和能力或者至少懂得配合甲方做这件事项目大概率走不到规模化阶段。这里有几条实战经验项目启动初期就要让一线关键用户深度参与把他变成种子用户而不是最后才让他当测试员智能体的定位要讲清楚它是顾问和辅助工具不是决策者关键决策权永远在人类手里效果要可视化让一线看到智能体确实能帮他们减少重复劳动、降低犯错率而不是增加额外工作量。记住一句话智能体的第一个用户永远是人。3. 解决方案商的真功夫得从四个维度现场拷问评估解决方案商的能力不能只看PPT讲得好不好、案例封面漂不漂亮。我的经验是把评估拆成四个维度每个维度去现场较真选型基本不会出大偏差。3.1 行业Know-How去车间走一圈三句话见真章行业Know-How怎么评估不需要听冗长的产品介绍直接问具体问题就行。你的团队里有几位具备十年以上制造业现场经验的人做过哪些细分行业的真实案例你的设备健康管理智能体里故障知识库是从公开文献来的还是从工厂真实故障记录加老师傅访谈里沉淀的你的工艺参数优化智能体能直接对接我们的PLC吗协议层面怎么解决数据采集频率能达到多少这些问题的答案基本能帮你判断出对面这个团队是真下过车间还是在大城市的写字楼里想象车间。有一个更简单也更好用的检验办法让对方到你车间里实地走一圈。真懂制造业的人和只会讲通用大模型的顾问在产线旁边站半个小时就暴露了。懂行的人会问这套设备的OEE现在多少六大损失里最大的一项是什么报工数据是谁录的、什么时间点录的换型时间是系统自动计算还是人工填的这些问题才是真正影响智能体落地效果的细节能问出这些问题的团队至少说明他理解工厂是怎么运转的。3.2 数据接入与治理OT和IT打不通一切智能都是空谈前面说过数据是智能体质量的下限。所以第二个评估重点直接看数据能力。具体看三样东西。第一现场数据接入能力。你的工厂里如果有西门子S7系列、三菱、欧姆龙、罗克韦尔这些主流PLC品牌对方是否都能接Modbus、OPC UA、Profinet这些协议是否都能处理对老设备的串口、485总线有没有解决方案第二数据处理能力。脏数据清洗、量纲转换是基本功关键是时间戳对齐、产品批次对齐、统计口径统一这些细节能不能拿出一个成熟的方法论。第三数据资产管理能力。能不能把分散在MES、ERP、SCADA、质量系统里的数据统一建模形成一个供智能体按需调用的数据服务层而不是每次做项目都从零开始捞数据。这里还要特别留意一个点他是不是把数据存到他的平台里就算完事。如果是你一定要追问数据主权和后续迁移的可行性这直接关系到你未来会不会被供应商绑架。一个架构设计合理的解决方案数据应该沉淀在你自己可掌控的数据层里供应商只是数据的使用者而不是数据的所有者。3.3 智能体工程化与工作流编排不止是接一个大模型APIAI智能体和普通聊天机器人最大的区别在于工作流。智能体要自己拆解任务、规划步骤、调用工具、执行动作、复盘结果多智能体之间还能协作。在制造业场景里这个工程化能力体现在几个具体层面。第一能否把你的业务SOP转成智能体可执行的流程。以设备点检为例正常点检、异常上报、维修工单生成、备件查询、维修方案推荐、维修结果归档——这一整条链路能不能用智能体完整串起来还是只能做其中某一环的问答这是玩具Demo和可用系统之间的分水岭。第二是否具备多智能体协作机制。比如设备监控智能体发现异常自动触发维修知识检索智能体获取方案再把方案推给人机协同审批智能体由相关责任人确认后生成工单。这种编排能力决定了系统的智能化上限而不是简单的单点问答。第三是否天然支持人机协同的审批模式。制造业不需要一个全自动甩手的智能体需要的是智能体提议、人来确认、智能体执行、人来监督的半自主闭环。系统原生支持这种模式和后期靠二次开发勉强加出来效果天差地别。第四大模型底座是否可以替换。大模型技术迭代太快如果解决方案商把应用层和某个模型深度绑定将来你想升级模型就得把整个系统重做一遍。好的架构应该是应用层、智能体框架层、模型层三层解耦模型随时可以替换。这一点在选型时必须白纸黑字确认。3.4 运营陪跑体系交付不是结束而是开始制造业AI智能体项目最大的特点是没有明确的终点。模型需要用新数据持续微调知识库需要随业务变化不断更新工作流也要跟着组织流程调整。供应商如果交付完就消失系统最多稳定运行三个月之后就开始劣化越用越不准。所以评估供应商时持续运营能力甚至比首次交付能力更重要。看四件事第一有没有本地化实施团队制造业项目大概率需要现场支持远程支持在关键时候根本不顶用第二有没有建立数据回流和模型持续优化机制智能体运行中产生的调用日志、用户反馈、纠错信息会不会自动回流成训练知识多久更新一次模型这些要具体问清楚第三SLA服务等级协议怎么写响应时间、问题升级路径、知识库更新频率都要落实在合同里第四客户成功团队懂不懂制造业语言如果只会讲通用AI概念连换型时间首件检验这种基本词都要你解释后面合作会很累。4. 从POC到规模复制一条我自己验证过的实施路径难点和能力框架聊清楚了落到具体操作。以下这条路径我至少在四五个制造业项目里走过每一步都踩过坑写出来给大家参考。4.1 第一个场景怎么挑价值高、风险低、数据ready制造业AI智能体落地最常犯的错误是第一个场景选得太大。一上来就想做全厂级生产决策智能体十有八九会翻车。正确的姿势是选一个价值高、风险低、数据基础好的窄场景先打透。我一般用四要素框架选场景要素核心问题举例说明价值做好了对业务的量化影响大不大设备故障停机每小时损失数十万预测性维护就是高价值场景风险智能体做错了后果是否可逆故障诊断给错方案最多是维修不精准直接联动设备控制风险就高多了数据所需数据是否已具备质量如何没有数据是一切免谈数据脏要先治理再上线流程成熟度是否已有清晰SOP可参照人工流程本身就乱智能体也没法替你理清基于这个框架制造业里比较适合作为首批切入点的场景通常是这几类质量缺陷根因分析辅助、设备维修知识问答、工艺参数推荐人工确认后执行、设备预测性维护输出预警建议。它们的共同特点是价值可量化决策权在人手里数据相对容易获取而且不涉及直接控制设备。从这些场景做起技术压力和组织阻力都相对小也更容易拿到业务部门的信任票。4.2 搭知识库和编排工作流让智能体学会工厂语言场景选好之后就进入最核心的工程环节搭知识库、编工作流。这一步做得好不好直接决定智能体是聪明助手还是高级玩具。这里有三个我反复踩过的坑。第一个坑知识库只放文档。正确的做法是把知识结构化分成设备档案、工艺规范、质量检验标准、故障案例库、维修记录、人员技能档案等不同模块建立统一的字段规范和标签体系。为什么因为智能体做检索时结构化的知识召回准确率远高于非结构化文本。一堆PDF扔进去看似也能回答但回答质量忽高忽低很难压住工业场景的高标准要求。第二个坑工作流一上来就设计成全自动化大循环。正确的做法是先设计成人机协同模式。比如设备异常告警触发后第一步智能体基于故障树和知识库生成候选诊断第二步把诊断推给设备工程师确认工程师可以修改或否决第三步智能体根据确认后的诊断自动生成维修工单和备件需求清单第四步维修完成后结果回流知识库。每一步都保留人的兜底权限等系统跑熟了、信任度累积够了再逐步扩大自动执行的范围。一上来就全自动出一次错前面的信任建设就前功尽弃。第三个坑不重视反馈闭环。智能体输出对不对必须设计一个反馈收集机制每个推荐都让用户评价有用、没用、修正后的答案是什么。这些反馈数据是后续模型微调和知识库更新的核心燃料。很多项目忽视了这个环节导致智能体越用越不贴合现场实际。记住没有反馈闭环的智能体系统本质上是单向广播不是真正的智能。4.3 试点期怎么评估别只盯着召回率和准确率试点阶段怎么评估智能体效果很多人习惯盯技术指标答案准确率、召回率、F1分数、推理延迟。这些当然要看但只看这些远远不够。高技术指标不等于业务可用这两者之间经常隔着一条巨大的鸿沟。我建议试点期建三套指标并行评估技术指标召回率、准确率、响应时间等。横向参考一下行业里做得较好的产品比如华为云码道检视修复智能体在代码缺陷场景能做到召回率91.3%这个水平可以作为技术指标上的参考线。制造业场景虽然场景不同但至少能判断出优于行业均值和远低于及格线的差别。使用与信任指标智能体建议被实际采纳的比例、用户对输出内容的修正率、日活跃用户数、关键用户使用频次。这些指标反映的是人到底信不信任它。业务量化指标设备维护场景看平均修复时间有没有下降、计划外停机时长有没有缩短质量场景看一次通过率、缺陷漏检率排程场景看交期达成率。三套指标缺一个都不完整。技术指标很好但业务指标没变化说明要么场景选偏了要么系统根本没被真正用起来业务指标在变好但使用率很低就要警惕这是不是试点期团队人为倾斜跑出来的好看数字推广后很可能原形毕露。试点周期多长合适我的经验是8到12周。太短业务指标还没稳定形成对照太长资源消耗大业务侧团队容易疲劳。期间最好每两周做一次复盘会所有关键用户聚在一起过一遍数据、反馈问题、当场排优先级、快速迭代不要攒到最后一次性算总账。4.4 规模复制阶段标准化是唯一的杠杆试点成功只是万里长征第一步真正的挑战在于怎么复制到更多车间、更多产线。这里我有三条建议。第一先做标准化复制包再谈复制。试点效果往往是靠试点团队的特殊能力和投入堆出来的。要把试点中的经验沉淀成标准化手册、参数模板、配置清单把单个场景的智能体应用模板化。很多解决方案商在这一步就暴露了短板做一个项目靠一个资深团队手搓交接给新团队就完全跑不动。把单个项目的成功抽象成可复制的产品是衡量团队成熟度的关键标志。第二按场景乘以产线类型的矩阵规划扩张路线。同一家工厂里注塑车间的质量场景和冲压车间的质量场景看起来都是质量但数据、知识、工艺、流程完全不同别指望一个通用智能体通吃。稳妥的节奏应当是一个场景在一个产线类型上打透验证完标准化程度再横向挪到下一个产线类型。一次最多推进两到三个新场景留足组织适配的时间避免业务团队消化不了。第三组织配套必须跟上。每推进一个场景都要明确业务侧有负责人、IT侧有接口人。同时设立一个AI运营岗这个人可以是厂内员工也可以由供应商派驻专职负责日常维护知识库、监控智能体效果、收集用户反馈、推进迭代。没有这个角色任何智能体系统用三个月都会开始劣化——知识库陈旧、模型漂移、用户信任流失最终还是逃不掉被弃用的结局。5. 选型与签约的实务细节合同里写清楚后面少吵十次架最后聊点实际的商务层面内容。选型、签约阶段看起来跟技术落地关系不大但合同条款和合作模式往往决定了项目后续的生死。这些话我不太见别人系统性讲今天一起说了。5.1 自建、外购还是混合先判断自己站在哪很多制造企业一上来就问我们要不要自建智能体平台。我的回答通常是先别问要不要先看你站在哪个位置。不同基础的企业正确路径完全不同我按三类情况给建议。第一类数字化基础薄弱没有统一数据平台数据质量也比较低。这种情况建议不要自建应该优先找能做数据治理加场景落地的解决方案商。自建的前提是技术栈和数据基建到位基础没有自建就是把坑越挖越深。第二类已有较好的数据中台和成建制的IT团队。这种情况适合自建一部分加外购工具链的混合路线。外购智能体框架、大模型底座、工作流编排工具自建上层场景应用。这种模式下解决方案商的核心价值在于场景设计、知识库构建和工艺理解而不是卖一个黑盒系统给你。第三类细分行业内已有成熟的垂直智能体产品。比如面向代码质量的检视修复智能体、面向特定设备品牌的预测维护智能体这类产品可以直接采购。但要用试点的态度对待它先在一个场景一个车间验证它跟你的产线是否真的适配不要被Demo效果冲昏头直接全厂铺开。5.2 合同里的三个关键条款数据、模型、效果指标签合同的时候有三组条款最容易出问题处理不好后面十次吵架都解决不了。第一组是数据归属权。必须写明工厂数据归企业所有解决方案商不能拿你的生产数据去做其他项目的训练或模型深化除非你另行签署明确的数据授权协议而且授权范围要写清楚。这个条款在AI时代比在传统软件时代重要得多因为数据就是训练AI的材料你不想让自家数据变成竞争对手家智能体的养料吧第二组是模型可替换性。上面讲过好的架构应该模型层解耦。合同里要写明大模型底座允许企业后续替换供应商不得用商业条款锁定模型提供商。否则半年后你有更合适的模型想切换却发现合同里写死了只能用某一家整个系统都得推翻重来。第三组是效果指标怎么写。我强烈建议写成业务效果技术效果双指标。技术指标容易调口径准确率达到90%这种承诺含金量有限业务指标相对不好糊弄比如试点车间计划外停机周时长相对基线下降15%智能体回答采纳率达到70%以上。写业务指标的时候记得把计算口径和数据来源也一并写清楚防止验收时各说各话。5.3 一轮现场实战考核比十份案例集都有用我的最后一条实操建议是无论如何都要给候选供应商安排一轮现场实战考核。形式是给对方一小批真实但已脱敏的数据限定一到两周交付一个可运行的最小原型基于你们的真实场景出一版能跑的通Demo。制造业场景的复杂度只有真实数据才能检验大家同样说我能做设备预测维护给真实数据和给公开数据集做出来的结果差别天壤之别。如果商务流程上不方便安排完整原型也可以压缩成一个技术验证日让供应商工程师带着笔记本到你的测试环境现场接入一个数据源现场做一个问答型智能体现场调通。这一个动作就能当场筛掉一批只会放录像的厂商。我自己的经验是真正有实力的解决方案商接到这种验证要求通常是欢迎的因为产品经得起现场看反而那些靠包装撑门面的厂商一听要现场实测各种推托理由就来了。这个信号本身就比一百页PPT都有参考价值。最后说一点个人体会。AI智能体在制造业的落地与其说是个技术命题不如说是个技术加业务加组织的系统工程。技术难度确实存在但更大的难度在于怎样把一个技术的可能性变成一线工人、工艺工程师、车间主任都愿意接纳、愿意日常使用的工具。不要再问AI智能体能不能落地制造业这类问题了——答案是可以但它大概率不会以你设想中全自动无所不能的形态出现而是以边界清晰、需要人确认、隐藏在业务流程里的智能助手的形态出现。那些在制造业里真正活下来的项目基本都长这样。想明白这一点再回头去看解决方案商很多疑问都会迎刃而解。