为什么制造业的智能体卡在「有脑无手」
制造业引入智能体的困难，很少出在模型能力上。公开案例里描述了一个很具体的场景：一家年产值 170 亿元的制造企业，财务团队每天早上的头一件事是打开十几个系统手工搬数据做报表；采购员逐个登录行业网站复制铜铝报价，再手工录入 SAP。大模型能写出漂亮的分析报告，却打不开那台服役多年的老旧 ERP 界面——这就是所谓「有脑无手」。
传统自动化方案的处理办法是先做接口开发。公开引用的 IDC 数据指出，超过 60% 的中小企业在数字化转型中受困于预算与人才瓶颈；传统方案定制周期长达 6 至 12 个月，集成成本占项目总投入 50% 以上。对大量服役多年的 PLC、MES、ERP 来说，根本就没有开放 API 可供对接，这条路在物理上就走不通。
政策侧的目标已经给出：工信部等八部门 2026 年初联合印发的《「人工智能+制造」专项行动实施意见》提出，到 2027 年培育 1000 个高水平工业智能体。落地端的现实则是预算、人才与遗留系统三件事同时卡住。三花控股这份案例的价值，正在于它给出了一条不改造既有系统的路径。
本文涉及的全部数字来自同一家供应商（浙江实在智能）及其客户，且由该供应商与参与方公开，属自报口径，无第三方审计。它们说明的是「在选得好的场景、配合适的组织机制时可能达到什么水平」，不是「任何制造企业部署都能拿到什么回报」。下文中凡属本文自行计算的比值，均已单独标明。
三花控股的四个数与一条时间线
三花控股是制冷家电与新能源汽车热管理领域的制造企业，公开资料称其为中国企业 500 强，全球建有 11 大生产基地与 7 大技术中心，业务约 40% 来自海外、60% 深耕国内，同时横跨 A 股与港股。2025 年 4 月，该集团与实在智能开始合作。
| 指标 | 数值 | 说明 |
|---|---|---|
| 完成数字化人才认证的业务员工 | 769 名 | 绝大部分来自生产一线，非 IT 部门 |
| 累计落地自动化场景 | 340 余个 | 不到一年时间内 |
| 累计节省工时 | 超过 20 万工时 | 累计口径，非年化 |
| 由业务方自行开发的需求占比 | 50%—60% | 其余仍依赖 IT 或供应商 |
| 落地节奏 | 平均每天一个自动化流程上岗 | 按 340 余个场景与不到一年推算 |
场景类型覆盖空调零部件排产调度、汽车零部件跨境物流数据处理、销售订单自动同步、采购比价自动抓取、生产进度看板实时更新、人力资源考勤统计、财务月报合并等。这些场景的共同点是：高频、规则相对明确、跨系统但不需要复杂判断。
组织机制：认证、奖金与「让业务方主动发起」
技术之外，这份案例真正的变量在组织。三花控股集团流程与数字化中心数字员工项目经理韩浩在访谈中把逻辑讲得很直接：IT 部门不可能有这么多人，几百号人绝大部分来自业务一线；让精通业务的人掌握 AI 工具，才能产生从量变到质变的效应。
具体做法有三条：集团设立认证奖励与开发落地奖金，对基层员工做即时激励；把「业务方主动发起」定为默认路径，而不是业务提需求、IT 排期开发；每个事业部（BU）配专门的服务群，问题在群里直接对接。这套机制解决的是一个长期存在的排队问题——在传统模式下，等工具开发出来，业务场景可能已经变了。
从公开表述看，2025 年被该集团称为「自动化元年」，2026 年则是「智能化深耕年」，下一步是在已有自动化基础上结合 AI 做智能化改造，并更深地介入业务。
技术选择：API 优先、无接口时切屏幕语义理解
技术路径是 API 与 GUI 双轨执行：优先调用系统 API；当老旧系统没有接口时，自动切换到 ISSUT 智能屏幕语义理解路径——模拟人类视觉识别界面元素，像人一样点击、输入、搬运数据。公开资料称 ISSUT 技术获第 25 届中国专利奖，并搭配经制造业垂直微调的 TARS 大模型作为决策层，构成「感知—决策—执行—迭代」闭环。
这个选择值得单独讨论。它的好处是绕开了接口开发这个最大的时间与成本项，对没有 API 的老旧系统尤其现实。但它同时把一类长期风险带进了系统：GUI 路径的稳定性依赖界面本身不变。界面改版、字段换位置、弹窗新增一步，都可能让流程失效，而这类失效通常不会报错，只会产出错误结果。于是维护成本从「接口变更管理」转移成了「界面变更巡检」——后者更分散，也更难自动化监控。
四本同行账本并排核算
同一份公开材料中还列出了其他几家制造企业的结果，把它们并排放在一起，更容易看清哪些收益是场景类型带来的，哪些是规模带来的。
| 企业 | 场景 | 量化结果 | 回报来源 |
|---|---|---|---|
| 三花控股 | 340 余个自动化场景（排产调度、跨境物流数据、订单同步、比价抓取等） | 累计节省超 20 万工时；50%—60% 需求业务方自开发 | 产能释放 + IT 排队成本下降 |
| 赛力斯（A+H 上市） | 财务部智能体 Skill 体系：收款上账、银行流水对账、发票查验、费用报销审核、报表生成等 90% 以上高频场景 | 财务流程自动化率 95%；每月 80 小时工作缩短至 10 小时左右 | 单位任务时间压缩 |
| 裕同科技（包装印刷，40 多个生产基地） | 100 多个智能体流程，覆盖供应链、营运平台、客户服务 | 业务平均增效 48%；每年节约近 2 万工时 | 效率提升 + 跨基地复制 |
| 上海中远海运重工（年修理改装船舶超 350 艘） | 打通 EP、CIIP、SAP 三系统，合同审核 | 累计处理近 600 份；超期条款识别 97%、币种对比 94%、自动续签条款识别 99%；按零安全漏洞标准验收 | 合规与差错成本下降 |
| 某五金工具企业（年营收过亿） | 横跨 6 大电商平台、113 个店铺的取数 | 每天数小时人工操作压缩至分钟级 | 重复劳动替代 |
赛力斯的流程描述在另一篇公开报道里更为具体：财务人员在飞书发一条指令，智能体自动登录 NC 系统获取流水账单，完成与 DMS 票据比对，数据一致则流程结束，不一致则生成异常工单推送人工。该企业已在财务、IT、质量部门部署 30 余个智能体，累计运行超 15000 小时。这类设计有一个共同点：把「不一致」显式路由给人类，而不是让智能体自行判定。
两个原文没直接给的比值
公开材料给出的是绝对值。本文按这些绝对值做了两个简单推算，用来判断这套模式的实际转化效率：
| 推算项 | 算法 | 结果（本文计算） | 读法 |
|---|---|---|---|
| 认证到场景的转化比 | 769 名认证 ÷ 340 余个场景 | 约 2.3 人 per 场景 | 认证是动员手段，不等于产能；相当比例的持证者并未交付场景 |
| 单场景累计节省工时 | 20 万工时 ÷ 340 余个场景 | 约 588 工时 per 场景（累计口径） | 属跨约一年的累计值，不能当作年化收益；且不同场景差异极大 |
这两个比值给出的提醒是实在的：全员认证解决的是「覆盖面」和「意愿」，不是「交付效率」。一个场景平均需要两三个认证人员来摊，说明真正产出场景的仍是相对少数的一批人。对外复制这套模式时，如果把 KPI 定在「认证人数」，很容易拿到漂亮的过程指标却拿不到场景。
投入侧：5 万元合同与 6 到 18 个月回收期
公开材料给出的价格区间是：一个标准 RPA 机器人授权费通常在每年数千到两万元；一个初具规模的自动化项目（5 至 10 个机器人）软件年费大约 10 万到 30 万元。某协同制造服务科技标杆客户的合同含税总价为 5 万元，材料将其类比为「一名初级工程师半年的人力成本」。
收益侧另有一份可作对照的账：一家纺织制造上市集团已上线 15 个自动化流程，平均提效 50%，平均单月累计节省人工成本约 1.81 万元，年化节省超过 20 万元。按供应商服务制造企业的项目数据，AI Agent 项目的投资回报周期通常在 6 到 18 个月之间。
需要提醒的是，5 万元的合同与年化 20 万元的节省来自两个不同客户，不能直接相除得出回收期；但把两者放在同一量级上看，可以得到一个方向性结论：在这类轻量项目里，软件授权本身不是主要成本项，真正决定回收期的是场景选择是否高频、以及实施与维护投入。
另一条降低实施成本的做法也值得记下：某智能物流装备制造标杆客户的采购价格维护项目采用「企微群里 @ 机器人」的触发方式，业务人员零培训即可上手，单次价格维护耗时从 3 至 4 小时压缩到 35 至 50 分钟，整体实施成本较传统项目降低约 30%。把入口做进员工已经在用的沟通工具，比新建一套操作台更容易跨过 adoption 门槛。
隐性成本：那句被当成优点的实话
案例材料引用韩浩的原话：「实在智能的服务支持，是我们推荐它的核心理由。」紧接着的一句是：「对于制造型企业来说，引入一款工具只是开始，持续的服务支持才是项目成败的关键。」他还提到，三花旗下有很多 BU，每个 BU 都有专门的服务群。
这句话通常被当作供应商的服务能力证明来读，但它同时暴露了一项真实且难以量化的成本：全员开发者模式并没有消除对外部服务的依赖，只是把依赖从「IT 排期」换成了「厂商响应」。每个 BU 配一个服务群，意味着服务成本随组织复杂度线性增长。对准备复制这套模式的团队来说，这一项应当被写进预算与合同条款——包括响应时效、问题升级路径，以及厂商支持退出后的交接安排。
OSWorld 90.2% 该信几分
公开材料称，在 2026 年 7 月的 OSWorld 基准测试中，实在Agent 以 90.2% 的任务成功率登顶总榜，成为首个突破 90% 的 Computer-Use Agent，并在 Agentic Framework 分榜中排名居首。这是供应商自述成绩，本文未能独立核实榜单快照。
即便数字属实，也需要把它放回场景里看。OSWorld 评测的是通用桌面与 Web 环境下的计算机操作能力，而工业现场面对的是老旧 MES、专用客户端、低分辨率界面、专有控件与弱网络环境，二者分布差异很大。更关键的是，这类榜单衡量的是单次任务成功率，而生产环境更关心的是连续运行几百次之后的稳定性——后者恰恰是 GUI 路径最容易失守的地方。因此这个分数可以作为「GUI 智能体能力水位」的参考，不宜作为选型的决定性依据。
六步复现：从一条工单到全员开发者
- 先盘高频重复动作，而不是先盘系统。从订单录入、报表生成、跨系统数据搬运这类高频重复场景切入，用一天的工作量数据排出优先级。
- 确认每个系统是否有可用接口。有 API 走 API，没有的才走屏幕语义理解路径，并对走 GUI 的流程单独登记，纳入界面变更巡检。
- 设认证与奖金双轨激励，但把 KPI 定在场景数。认证人数是过程指标，场景上线数与节省工时才是结果指标。
- 把入口放进员工已经在用的工具。群聊 @、表单触发等零培训入口的 adoption 成本远低于新建操作台。
- 为「不一致」设计显式人工路由。参照赛力斯的做法：数据一致自动结束，不一致生成异常工单推给人，而不是让智能体自行决定。
- 把服务条款写进合同。响应时效、升级路径、按 BU 的支持边界、以及退出时的交接安排，都要事前约定。
三条红线与避坑清单
- 不要把累计工时当年化收益。20 万工时的原文表述是「累计节省」，跨约一年；做 ROI 时必须换算成年度口径，并扣除上线初期的爬坡期。
- 不要把 50%—60% 自开发率读成「IT 可以撤出」。剩下的 40%—50% 仍需 IT 或厂商承接，且往往正是技术难度较高的那部分。
- 不要把 GUI 路径当作长期方案。它是绕开遗留系统的务实选择，代价是维护责任转移到界面巡检上；应当在每个 GUI 流程上标注失效检测与告警，并规划逐步接口化的路径。
综合判断
这份案例最值得借鉴的不是某个百分比，而是它把智能体落地的瓶颈从技术侧挪到了组织侧：与其让 IT 部门排队承接几百条需求，不如让最懂业务的人拿到工具。API+GUI 双轨解决了「有脑无手」的现实约束，认证加奖金解决了意愿问题，平均每天一个流程上岗的节奏说明这条路在大型制造集团里是可执行的。
但它同时留下了三个未结的账：认证到场景约 2.3 人摊一个的转化漏斗、被明确写进客户证言的厂商服务依赖、以及 GUI 路径长期维护责任的归属。对准备复制的团队来说，合理的做法是把它当作一份「组织动员 + 轻量切入」的样本，先把场景数与节省工时这两个指标的基线测出来，再决定要不要铺开。全部数据均为参与方自报口径，本文未能获得第三方审计或独立核验。目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。