我在一家非标制造企业现场,终于看清了企业 AI 化的第一张门票
Source: http://x.com/i/article/2051242780148547584
事情是这样的。 4月下旬,我带着研发团队去制造业企业 做AI 应用调研座谈, 一共13家,横跨11个产业,他们当中有千人企业,也有数十人的流水线。 如果你正在做企业AI化转型的业务,或者是在企业里担任相关的职务, 不妨来看看这13家企业的真实访谈记录, 或许能提供一点启发,哪怕少踩一个坑。
今天分享第1家:非标装备,年产值25亿
1、一进会议室,我先听到的不是 AI,而是 ERP 和 MES
会议室不大,桌上放着图纸、茶杯和几份临时打印的材料。外面就是车间,能听到断断续续的金属声。那种声音很容易让人冷静下来,因为你会突然意识到,AI 在网上看起来很轻,到了制造业现场,其实一点也不轻。
它得落到钢板、焊缝、工时、吊装、外购件、设备故障、客户改图这些非常具体的东西上。
一上来,企业负责人就讲了一个特别真实的状态。
他说,系统我们不是没有。
「企业现有 ERP 和 MES 系统,但未涉及人工智能。」
这句话我当时听完,脑子里咯噔一下。
因为这几乎就是很多制造企业的现状。
不是没有系统,不是没有数据,也不是老板不想升级。恰恰相反,他们已经投入了很多年,把 ERP、MES、报表、流程都搭起来了。但这些东西大多停在管理层,能收数据,能出报表,能让领导看趋势。
可一到生产现场,问题就开始变得很硬。
负责人说,现在很多数据到头来还是给内部领导分析用。真正到了排产、报价、工艺、装配、培训这些环节,还是人盯人,人问人,老师傅带新人。
2、他们真正想要的,不是一个会聊天的机器人
我问,那你们最想让 AI 帮什么?
他没有说让 AI 写周报,也没有说搞一个展厅机器人先撑门面。
他说得很朴素,大概意思是,能不能帮我们把报价和工艺先做起来。
说真的,这个回答比很多宏大叙事都扎实。
很多人聊企业 AI 化,喜欢一上来讲智能工厂、全流程自动化、工业大模型。我不是说这些不重要,而是站在一家真实工厂的会议室里,你会发现真正把企业卡住的,往往不是一个很科幻的问题。
而是一张图纸。
真的,就是一张图纸。
3、非标制造最麻烦的地方,是标准总在移动
这家企业做非标件,标准化程度不高。客户来的图纸不一样,内部设计人员的习惯不一样,技术要求不一样,甚至同一个零部件,在不同项目里也可能出现完全不同的约束。
现场有一句原话我记得很清楚。
「我们这个行业难度在于标准化程度比较低,没有办法形成一个标准。如果智能体的应用场景能开发好,会非常有帮助。」
这话听着有点刺耳,但它说的是事实。
AI 最喜欢什么?
喜欢标准化,喜欢结构化,喜欢清楚的输入和清楚的输出。
但非标制造偏偏不是这样。
外购件晚一天到,计划要改。设备故障半天,计划要改。客户突然调整技术要求,计划还要改。更麻烦的是,很多判断不是写在系统里的,是在技术员脑子里,在老师傅手上,在报价人员长年累月的经验里。
会议里有人提到一个很具体的问题。
「拿到图纸却不知如何计算焊接工作量,不清楚完成一定重量焊接所需天数。」
你想想看,这个问题如果放在办公室里,可能就是一行字,焊接工作量计算。
但放在车间里,它背后就是交期、成本、排产、人手、设备、外协,再往后甚至会变成客户满意不满意。
4、这次讨论收束到两个字,源头
负责人把话说得更白一点。
图纸来了,先要看能不能做。能做,再拆工艺。拆完工艺,再算工时。工时出来,报价才有依据。报价不准,订单接亏了,后面谁都难受。
我当时就在飞书文档里敲了一句话,制造业 AI 化,不要从最炫的地方开始,要从最堵的源头开始。
回到图纸这块。
这次讨论里,大家比较一致的判断是,先别急着做一个什么都管的超级智能体。先做两个环节。
一个是图纸合规性审核。
一个是工艺和工时拆解。
为什么?
因为这两个环节一旦清楚了,后面很多事情才有地基。
会议里有一句特别关键的话。
「最源头的问题是图纸审核问题,图纸审核关联到装配等一整条线,这个源头不弄好,下面后面都会来反哺这个问题。」
我觉得这句话几乎可以当成制造业 AI 项目的第一条原则。
源头不清楚,后面越智能,错得越快。
5、不要把混乱包装成更漂亮的大屏
现在很多企业上 AI,有一个很常见的误区,就是先做看得见的东西。
做一个问答机器人,看起来很快。做一个大屏,看起来很智能。做一个领导驾驶舱,看起来很完整。
但如果图纸读不准,工艺拆不清,标准工时没有沉淀,供应商和材料库也没有更新机制,那些漂亮界面其实只是把混乱包装得更好看一点。
比较尴尬,但就是这样。
所以我们把整个业务拆成了四段。
图纸合规性,工艺拆解,可实现性判断,报价决策。
前两段相对可控,适合先用 AI 和自动化切进去。
后两段就复杂很多,因为会牵扯设备能力、人员班组、供应商价格、外协周期、材料替代、库存状态、客户交期。
这里不是不能做,而是不能装作第一天就能做完。
我有时候觉得,企业 AI 化最难的不是技术,而是克制。
你要忍住那种什么都想做的冲动。
6、所谓读懂图纸,其实是把经验变成元数据
先把一个真实的业务对象读懂。
比如图纸。
不是把图纸 OCR 一遍就完事,而是把它变成系统能理解的元数据。
材料是什么,尺寸是什么,焊缝在哪里,技术要求有哪些,哪些字段缺失,哪些要求和企业内部规范冲突,哪些位置需要人工复核。
这些字段出来之后,工艺智能体才有东西可以接。
然后再往下,才是工序、工时、设备、人员、报价。
现场有一段对话很有意思。
一位技术负责人说,报价这块其实有规则,也有经验,但现在就是靠人看图纸,看技术文件,再汇总信息。年轻人不一定看得出来,老人又越来越少。
另一位参与讨论的工程师接了一句,那就不能一上来让 AI 直接报价。先让它把图纸读成字段,把不合规的地方标出来,把工艺拆解的依据列出来。
企业这边马上点头。
因为他们要的不是 AI 替谁拍脑袋,而是把过去只能靠脑袋记住的东西,慢慢放进系统里。
这一下我就更确定了。
制造业 AI 的第一步,不是替代专家。
是把专家的判断路径显影。
7、模型选型重要,但它不应该排在业务拆解前面
显影这个词可能有点文艺,但我觉得特别准确。以前很多经验像暗房里的底片,只有老师傅自己看得见。AI 真正有价值的地方,是把这些判断路径变成可追踪、可复核、可训练的流程。
顺着这个再聊模型。
很多企业一听 AI,就会问用哪个模型。Gemini 行不行,千问行不行,DeepSeek 行不行,国产开源行不行。
这个问题当然重要。
但我自己的感受是,模型选型要排在业务拆解后面。
如果场景是图像识别和图纸理解,可能要用视觉模型。如果涉及企业内部规范问答,可能要用知识库和小模型。如果对数据安全要求高,就要考虑本地化和国产开源。如果只是做培训内容生成和考试题生成,模型要求反而没有那么夸张。
会议里也提到,产品规划有两个难点,一个是模型选型,一个是训练方式。
这块特别真实。
模型不是越大越好,训练也不是越多越好。对企业来说,真正要算的是精度、成本、周期、安全、后续维护。
更关键的是,你有没有数据。
没有足够的图纸样例,没有内部审核规范,没有历史工艺文件,没有报价和结果之间的对应关系,模型再厉害也只能陪你演示。
演示的时候很爽,上线的时候很慌。
8、制造业 AI 项目开始前,先问几个很土的问题
这也是为什么我建议很多制造企业,别第一天就问我要不要训练大模型。
先问自己几个更土的问题。
你们过去三年的图纸在哪里?
审核意见有没有留下?
哪些错误后来造成了返工?
报价亏过的订单能不能复盘?
老师傅判断一个工艺路线时,到底看了哪些字段?
这些问题不高级,但它们值钱。
9、另一个被低估的场景,是一线培训
说到这里,还有一个很容易被低估的场景,培训。
这家企业提到,一线工人培训效果不好。传统方式就是老师讲,工人听,听完签字,考试一下。问题是工人接受度不高,培训老师也不好找,学校里的培训内容和企业现场还经常脱节。
这不只是这家企业的问题。
屏幕前的你如果去过制造企业,大概率也见过类似场景。安全培训的 PPT 一页一页翻,大家坐在那里,表情很认真,心早就飞了。
但培训又不能不做。
质量问题、安全问题、设备操作问题,一旦出事,成本极高。
所以现场有人提了一个想法,把培训做成动漫化、互动化的智能体。比如焊接、装配、质量、安全这些内容,不再只是老师讲,而是做成场景。工人看一个短动画,回答几个问题,答对拿金币,金币可以换小礼品。系统自动考试,还能记录谁在哪个知识点反复出错。
这玩意听起来有点像游戏化培训,但我觉得它很有价值。
会议纪要里有一句判断是这样说的。
「AI 加教育这个大课题下面一个最有价值、最能直接创造价值的场景。」
我挺认同。
因为制造业的 AI 化,不一定只发生在机器上,也会发生在人身上。
10、培训智能体的价值,是把听过变成练过
一个新工人能不能更快理解安全红线,一个装配工能不能少犯一次顺序错误,一个质检员能不能更快记住企业内部标准,这些东西看起来不性感,但它们每天都在消耗企业的钱。
而且这类智能体还有一个好处,边界清楚。
它不需要第一天就接管生产,不需要直接决定报价,也不需要替老板做战略判断。它只需要把企业已有的培训材料、事故案例、质量问题、岗位标准重新组织,让人更愿意学,更容易记,更方便考。
这就够了。
企业 AI 化不是每一步都要惊天动地。
有些时候,一个工人少返工一次,一个技术员少审半小时图,一个报价员少漏一个技术要求,都是价值。
11、我带走的五个落地判断
写到这里,我想把这次走访整理成几个很土,但我觉得能落地的判断。
第一,先找源头,不要先找热闹。
如果一个环节后面会影响报价、工艺、排产、装配、交付,那它就是源头。源头错了,后面所有智能化都在放大错误。
第二,先做元数据,不要先做大闭环。
图纸、工艺、材料、供应商、标准工时,这些东西要先变成可读、可问、可复核的字段。字段不清,闭环就是空的。
第三,先辅助专家,不要急着替代专家。
AI 第一阶段最好做提醒、校验、结构化、初稿、比对。让技术员确认,让报价员复核,让老师傅把经验补进去。别上来就让系统直接拍板,企业也不敢用。
第四,先做一个小闭环,不要做一张大蓝图。
比如只做某一类图纸审核,只做某一个工种培训,只做某一种工艺拆解。小闭环跑通了,数据会回来,人也会有信心。大蓝图一开始太完整,反而容易变成没人负责。
第五,先设计更新机制,不要只设计演示页面。
谁来维护供应商库?谁来更新材料价格?谁来标注审核规则?谁来确认模型输出?这些问题不解决,系统上线三个月后就会变成旧系统。
这话听起来不酷,但非常关键。
很多 AI 项目死掉,不是死在模型不够强,而是死在没人持续喂它真实业务。
12、数字化是记录自己,AI 化是改变自己
聊到这里,我想说一个有点大的判断。
过去很多年,企业数字化解决的是记录问题。
把订单记录下来,把库存记录下来,把生产进度记录下来,把报表跑出来。
但 AI 化要解决的是判断问题。
图纸哪里不合规,工艺怎么拆,工时怎么估,培训怎么做,事故苗头怎么提前发现。
记录和判断,是两件事。
前者让企业看见自己。
后者让企业开始改变自己。
这也是为什么我从那家工厂出来后,脑子里一直反复响起会议里那句话。
源头的问题,是图纸审核问题。
一张图纸,看起来只是纸。
但在非标制造里,它可能是一条生产线的起点,是一个报价的依据,是一个技术员半天的工作,是一个老师傅二十年的经验,也是一个企业 AI 化真正的第一张门票。
我自己也还在摸索,说实话我们还差得远。
但这次走访让我很确定一件事。
企业 AI 化不会从一句口号开始。
它会从一个特别具体、特别麻烦、每天都有人不得不做的动作开始。
比如,读懂一张图纸。
以上,既然看到这里了,如果觉得不错,随手点个赞、转发一下吧。
5月6日更新下一期💪