工厂AI智能体搭建，别急着上"全厂大脑"，先让它干好一个岗位

昨天上海临港办了一场活动，主题就叫"AI大模型与智能体进工厂"。现场摆出来的案例都挺唬人：中国商飞造了一套航空制造专属大模型，1个行业通识模型加9个专业模型，图纸规范、工艺手册、专家经验全部喂进去，工程师过去翻几天手册的问题，现在当场就能问到专业答复；五粮液把老师傅酿酒的手感和判断沉淀成数据，配上视觉识别，盯着安全生产和操作合规。

同一天我还看到一组数据：IDC调研显示，2025年已经用上大模型相关产品的工业企业占比达到47.5%，而2024年这个数字才9.6%。一年时间，翻了将近五倍。

但硬币的另一面也很真实。前几天36氪产业大会上，几位专投制造的投资人坐在一起聊，给出的判断是工业AI项目失败率普遍在70%以上。钱涌进来很多，真正跑通、跑出账的不多。

为什么会这样？我自己在成都做工厂AI智能体搭建陪跑两年，最大的一个感受是：很多工厂老板对智能体的想象，从一开始就错了。

一说要上AI，很多人脑子里浮现的画面是"全厂一个大脑，订单进来自动排产，设备自己管自己，工人只剩看着"。然后找供应商一问，报价几十万上百万，实施周期半年起步，最后大概率烂尾。这就是典型的"先买技术、再找场景"，连商汤这种公司在现场都特意提醒，这是企业引进AI最容易掉进去的坑。

中小工厂搞AI智能体搭建，正确的打开方式完全反过来：别追求一个全能的"全厂大脑"，先搭一个能把某个岗位干明白的"数字员工"。

具体怎么入手？我一般带工厂走三步。

第一步，先在厂里找那些"重复问、重复查、重复算"的活儿。报价是不是天天有客户问？质检标准是不是新来的品控总要反复确认？工艺参数是不是换个批次就得老师傅翻本子？这些活儿有个共同特点：规则明确、频率高、特别耗人，但又真的需要人去判断。挑一个出来，把对应的规则、资料、历史案例整理清楚，搭一个只管这一件事的智能体。商飞做的事情看着高大上，拆到底也是同一个逻辑——先把这个领域的手册、规范、经验梳理成机器能用的东西。区别只是人家做了九个专业模型，你先做一个岗位。

第二步，把老师傅脑子里的东西掏出来，这才是智能体最值钱的部分。五粮液那个案例的核心根本不是摄像头，而是酿酒老师傅"看火候、闻气味"的经验被沉淀成了企业可以继承的资产。工厂里最贵的知识从来不在ERP系统里，在几个干了二三十年的老师傅脑子里，人一走，技术就断档。搭智能体的过程，本质是让老师傅把"这种情况怎么处理、客户常问什么、哪里最容易出问题"一条条讲出来，AI整理成知识库，再在实际使用中不断修正。现在行业里把干这件事的业务人员叫"AI炼化师"——不是IT部门，恰恰是最懂业务的一线人。所以智能体落地，千万别只丢给行政或者网管去搞。

第三步，关键权力必须攥在人手里。报价能不能直接发给客户？合同能不能自动确认？数据能不能随便删？这些环节我的原则是AI只给建议，人来拍板。权限也一样，人看不到的数据，智能体不能越权看；人不能执行的操作，它也不能绕过去。所有关键动作留痕，随时能审计。这个底线一开始就要立好，比出了问题再补救省事一百倍。

可能有老板会说，这些都是商飞、五粮液这种大厂玩的，我们小厂搞得起吗？还真不是。山东淄博博山，一个百年泵都，一堆中小机电泵企业，今年4月建成了全国首个机电泵工业大模型工匠工厂，就干一件事：把选泵这件事智能化。结果选泵效率提升80%，集群里企业的质效平均提升30%。中小厂不用自己养技术团队，借行业平台和成熟模型，从一个具体场景切进去，成本远比想象中低。

再算一笔节奏账。47.5%的同行已经在用了，这个数字明年大概率过半。智能体这东西跟传统软件不一样，它喂进去的是你家独有的工艺经验和客户数据，早动手半年，沉淀下来的就是别人抄不走的壁垒。等同行都跑顺了你再跟，那时候你追的就不是工具，是人家两年的知识资产。

我的建议很简单：这个月就在厂里挑一个最耗人的重复岗位，别贪大，先让智能体把这一件事干明白。跑通一个，再搭下一个。

本文同步发布于 CSDN：工厂上AI智能体，别急着搞"全厂大脑"