背景：为什么进工厂的路口不在车间
提到制造业用 AI，多数人想到的是机械臂、视觉质检、无人产线。但腾讯研究院资深专家吴朋阳在接受中国经济时报采访时给了一个不同的判断：过去行业看制造业 AI，盯的都是产线车间的「狭义工业智能体」，那个方向落地难度大，企业很难快速上手。而制造业里大量的「泛办公」场景——研发、产品、售后、采购、财务、管理——需求普遍、规则清晰、见效快，才是真正的突破口。
理由并不复杂，但值得量化：产线侧的 AI 要接设备、调参数、保安全，一次误判就是停线损失；办公室侧的活儿，数据在表格里、规则在制度里、结果对不对一眼能看出来。容错窗口的差别决定了数据质量门槛的差别。行业背景数据也支持这个次序：我国制造业增加值已达 34.7 万亿元，占全球约三成，但近六成规上工业企业仍处在数字化基础级及以下。基础数据尚不完整的车间，很难承载一个需要实时闭环的智能体。
组织方式：28 人、五组、约半年
这家企业的做法值得单独拆开看，因为它的产出不是买来的，是长出来的。
| 要素 | 设置 |
|---|---|
| 启动时间 | 2026 年 3 月 |
| 载体 | OPD·云衢 AI 架构师训练营 |
| 参与者 | 28 位业务一线学员 |
| 分组 | 五组，覆盖集团几乎所有部门 |
| 周期 | 约 6 个月 |
| 分工原则 | 业务主导、技术陪跑；流程由业务骨干亲手搭建，IT 只支持不代劳 |
| 产出 | 五大业务智能体、50 多个应用场景，横盖六大职能 |
「业务主导、技术陪跑」这八个字是整套机制里最值得抄的一条。它的实质是把需求文档这个环节取消了——因为制造业里最难的部分从来不是算法，而是「这道工序该怎么判」这类知识，这类知识只存在于班组长的脑子里，写不进需求文档。让懂业务的人直接动手搭，等于把改善提案制度搬到了软件层：提案管的是动作，智能体管的是判断。
五大智能体：五笔账与五个场景
半年下来的产出可以逐项核对，这也是这个案例相对可靠的地方——它给的几乎都是可验证的工时与周期数字。
| 智能体 | 改造前 | 改造后 | 关键细节 |
|---|---|---|---|
| 投标宝 | 标书编制 36 小时 | 14 小时 | 七八百项资质文件逐条对应招标要求、废标风险逐句排查；内容自动化生成比例九成以上；每天 700 多条招标信息自动筛出约 20 条候选并匹配资质 |
| 采购智选 | 采购需求准备约 30 分钟；寻源比价数天 | 两句话说清需求；寻源比价分钟级 | 缺货率从 4.9% 降到 2.4%；供应商引进效率提升 83%（原报道注明为参考同类落地口径） |
| 智印校核引擎 | 包装标签校核每月 244 小时人工 | 约 5 小时 | 提效 48 倍以上；风险拦在开印之前；此前需在十几个表格间人工查漏补缺，再发设计师、回稿逐张核对 |
| 财智通 | 月末成本核算 5 天 | 4 小时 | 提速约 97% |
| 竞品雷达 | 人工整理情报 | 月度情报报告自动产出 | 覆盖集团主要部门 |
五个场景有一个共同点，值得单独指出：它们的输入都是结构化或半结构化的表格与文档，输出都是可以一眼判断对错的成品。标书对不对有招标要求可对照，标签对不对有字段可核对，成本核算法对不对有上期数据可比对。这不是巧合，而是选场景时有意筛选的结果。
本文折算：已披露项的工时回收账
公开报道给的是单点数字，把它们折算到同一把尺上会更有判断力。这里只取改造前后都明确披露的两项，避免引入未披露的假设。
| 项目 | 改造前 | 改造后 | 单次节省 | 频次假设 | 月度节省 |
|---|---|---|---|---|---|
| 智印校核 | 每月 244 小时 | 约 5 小时 | 239 小时 | 每月（已披露） | 239 小时 |
| 财智通 | 月末核算 5 天 | 4 小时 | 36 小时 | 每月一次（已披露为月末） | 36 小时 |
| 合计（已披露项） | — | — | — | — | 275 小时 |
把智印校核的 239 小时与财智通的 36 小时相加，月度回收 275 小时，年化约 3,300 小时。按每人每年 2,000 工作小时折算，约合 1.65 个人力年。三点限定必须说明：其一，财智通的「5 天」按每日 8 小时折算为 40 小时，实际工作时长企业未披露；其二，投标宝的 36 到 14 小时是单份标书口径，因标书频次未披露，本文未将其计入合计，若按每月若干份计会显著抬高总量；其三，采购智选与竞品雷达节省的是周期而非工时，口径不同无法相加。也就是说，3,300 小时是一个偏保守的下限，真实回收量应高于此数，但高出多少无法从公开信息推算。上述换算均为本文基于公开读数的算术推导。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。
投入侧同样值得估算，但假设更重。28 名学员、约 6 个月，若按每人每月投入 2 天（16 小时）计，总投入约 2,688 小时。这个投入数字与产出侧的年化 3,300 小时在同一量级，意味着回收周期大约一年。需要强调，每人每月的投入时长企业完全没有披露，这个估算只能当量级参考，不能当作投资回报结论。
同行三例：视声、富美特与积成电子
同一批报道里还给了另外三个样本，它们共同说明这套打法不是孤例，也揭示了可扩展的边界。
| 企业 | 场景 | 改造前 | 改造后 | 关键设计 |
|---|---|---|---|---|
| 广州视声智能 | PCB 物料采购评价 | 人工评价一轮 2 天 | 约半小时 | 上万种物料、品号数百上千、价格版厚层数多维交叉；规则由采购人员定，最后决策由人拍 |
| 广州视声智能 | 动态库存与采购决策 | 3 天 | 2 小时 | 覆盖上万种材料 |
| 烟台富美特 | 法规与风险数据整理 | 时效约 1 周 | 1 天 | 每日数万条新增法规与风险数据 |
| 青岛积成电子 | PMC 缺料测算 | 员工手工取数整理计算 | 系统自动滚动生成，人做判断过滤 | 每周横向测算 1000 多种物料未来两周需求；整体平均提效 71% |
视声那句「规则由采购人员来定，最后一道决策也由人来拍」是四个样本里信息量最大的一句。它把这个模式的权力边界划清楚了：AI 承担的是读和算，人保留的是定和断。经验不是被替代掉，而是从某个人的脑子里，变成组织随时可调用的规则与技能。
共同结构：规则显性化加判断权不外移
把五加四个场景放在一起，可以抽出一个共同结构，这个结构比任何单点数字都更值得抄。
| 要素 | 在这批案例里的具体形态 |
|---|---|
| 规则可显性化 | 招标要求、标签字段、成本科目、物料参数，都能写成明确条目 |
| 数据可机读 | 历史采购记录、各家报价、基础数据表，都在表格或系统里 |
| 结果可核验 | 标书对照招标要求、标签对照字段、成本对照上期，对错一眼可判 |
| 判断权不外移 | 规则人定、终裁人拍，AI 只做读与算 |
| 资产可沉淀 | 跑通的规则与模板打包成可复用的技能与智能体 |
智印校核之所以能从每月 244 小时降到约 5 小时、提效 48 倍以上，不是因为模型更强，而是因为它的核对对象是固定字段——标签内容对不对，逐字段比对即可判定。反过来，产线场景的判定对象往往依赖上下文与设备状态，规则写不全，结果也难以一眼核验，同样的技术套上去收益会显著打折。这意味着场景筛选标准应当写成一条硬性检查：如果这一步的对错需要一位老师傅才能判断，那么它暂时不适合作为起点。这一判断为本文基于四个公开案例的归纳，非企业方表述。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。
三阶段跃迁与这家企业所处的位置
吴朋阳把这条路径概括为「三阶段跃迁」：从能对话的知识问答，到能干活的办公助手，再到能上岗的数字员工。他判断当前制造业正处在从办公助手走向数字员工的关键跃迁期。
| 阶段 | 能力形态 | 本案例的对应位置 |
|---|---|---|
| 阶段一 | 能对话的知识问答 | 已过 |
| 阶段二 | 能干活的办公助手 | 投标宝、竞品雷达等仍属此列，需人发起与验收 |
| 阶段三 | 能上岗的数字员工 | 采购智选与智印校核接近此列，已承担完整环节 |
这个划分的实际用处是避免跳级。报道给的场景选择标准相当朴素：确实费时费力易出错，且规则明确、数据拿得到、结果能验证。还有一句更实在的提醒——别一上来就想搞全厂大脑，先找一个最痛的点，用最烂的数据去测，跑通一个再扩下一个。
三道坎：报道点明的现实约束
热度之下瓶颈同样真实。报道明确点出了前两道坎，第三道在可获取的转载版本中未完整呈现，本文不作补全。
| 坎 | 内容 | 具体代价 |
|---|---|---|
| 坎一 | 数据安全与部署模式的矛盾 | 核心业务顾虑数据出域的企业倾向私有化部署，但私有化意味着用不上业界较优的工具，功能迭代比公有云方案至少滞后 6 个月，还要配套紧张昂贵的算力，可选开源模型又普遍弱于通用大模型；折中的专有云模式版本迭代仍慢约 3 个月 |
| 坎二 | 中小企业：改不起、不敢改、不会改 | 生产设备早已工业化，工程管理却还停留在人与人对接表单的阶段 |
| 坎三 | 可获取的转载版本中未完整呈现 | 本文不作补全，避免引入未经核实的表述 |
坎一里的「滞后 6 个月」与「滞后 3 个月」是这组报道里少见的诚实数字。它意味着部署模式的选择不只是一个安全决策，同时也是一个能力决策：选了私有化，就要接受工具与模型能力落后半年。吴朋阳的判断是，专有云是过渡性质的中间方案，长期看混合云会是主流方向。
六步打法：可复现的部分
把上面拆出来的要素重新排序，可以得到一份不依赖特定厂商的清单。
| 步骤 | 动作 | 本案例的做法 |
|---|---|---|
| 步骤一 | 选场景：费时、重复、有规则、数据拿得到、结果能验证 | 从招投标与采购切入，而非车间 |
| 步骤二 | 挑人：选业务骨干而非 IT，跨部门成组 | 28 位业务一线学员分五组，覆盖几乎所有部门 |
| 步骤三 | 定机制：业务主导、技术陪跑 | 流程由业务骨干亲手搭建，IT 只支持不代劳 |
| 步骤四 | 设期限与交付物 | 训练营形式，约 6 个月，以可上线的智能体为交付 |
| 步骤五 | 沉淀资产：把跑通的规则与模板打包 | 沉淀为技能与智能体，覆盖六大职能 50 多个场景 |
| 步骤六 | 横向复制：一个场景跑通再扩下一个 | 从采购、投标扩到财务、情报等职能 |
三条红线：什么情况下别这么干
有三条边界值得写成硬约束，超过就不该照抄这套打法。
| 红线 | 内容 | 依据 |
|---|---|---|
| 红线一 | 不要用「全厂大脑」开局 | 报道明确提醒别跳级；近六成规上工业企业仍在数字化基础级及以下 |
| 红线二 | 不要把判断权一起外包 | 视声案例的关键设计是规则人定、终裁人拍 |
| 红线三 | 对私有化与专有云的版本滞后要有心理预期 | 私有化滞后至少 6 个月，专有云滞后约 3 个月 |
冷静判断：能抄什么，不能抄什么
能抄的有三条。其一，组织机制：业务主导、技术陪跑，取消需求文档这个环节，让懂业务的人直接搭。这条不依赖任何工具，任何规模的制造企业都能照做。其二，场景筛选标准：费时、重复、有规则、数据拿得到、结果能验证。这五个条件写下来当检查表用，能过滤掉大半会失败的项目。其三，权力边界：AI 做读与算，人做定与断。这既是风险控制，也是让一线愿意配合的前提——判断权没有外移，经验被沉淀而不是被替代。
不能抄的也有三条。其一，不能直接搬运那些工时数字。智印校核的 244 到 5 小时依赖「标签是固定字段」这个前提，换个核对对象收益会大幅缩水。其二，不能假设回报周期。本文折算的约 3,300 小时年化只覆盖两项已披露项，且投入侧假设极重，不能作为立项依据。其三，不能忽略利益关联。这组案例经由厂商生态相关的渠道传播，全部数据为企业方与平台方自述，未见第三方审计；报道中「供应商引进效率提升 83%」一句原报道自己就注明了是参考同类落地口径，不是该企业的实测值。
还有一个更大的背景值得放在末尾：这家企业只是一批样本中的一个。同期报道里还提到广州视声、烟台富美特、青岛积成电子等案例，方向高度一致——都从泛办公场景切入、都保留人的终裁权、都把规则沉淀成资产。当一批不同行业的企业独立走到同一个结构上时，这个结构本身比任何单个数字更值得研究。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。