接触了不少制造业老板发现一个有意思的现象大家都在聊AI但焦虑点都不一样。有的老板看了场发布会就来问我你们系统能不能接大模型我们也要上数字员工。有的老板刷到短视频就慌了听说智能体马上要替代人了我们这种小工厂会不会被淘汰还有的老板更直接“别人家的数字员工都能自己下工单、自己排产了我们什么时候能用上”焦虑是真实的但方向可能错了。数字员工怎么用老板们焦虑数字员工怎么用但当下更应该思考的是当数字员工真来了它看得懂我的业务数据吗能不能自动检测生产齐套、自动发起补货它知道哪些事不能自己拍板吗这三个问题我问过十几个制造企业的负责人几乎没有一个认真想过。第一个问题看得懂业务数据吗我们做制造软件20年太清楚了——就拿BOM来说很多工厂的BOMERP里一套、MES里一套、工艺部门的Excel里还有一套版本号都对不上。你让数字员工去读它读完是懵的。第二个问题能自动检测齐套、发起补货吗听起来不复杂但你得让数字员工知道当前工单要哪些料、各有多少库存、在途有多少、什么时候到货、缺多少该补、补多少走谁的审批。这些数据散在ERP、WMS、SRM里有的连系统都没上你让它怎么自动干第三个问题知道哪些事不能自己拍板吗这是最容易被忽略的。数字员工建议插个单、调整下排程听起来效率很高。但插单涉及物料齐套率、交期优先级、产能瓶颈、客户合同——这些业务约束数字员工知道吗谁来兜底AI的能力半年翻一倍但数据底座和业务平台的建设周期是两到三年。现在不补地基浪潮来了你连入场券都没有。AI制造的理解误区聊多了你会发现大部分老板对AI的理解停留在买个智能体就能用的阶段。这有几个常见的误解。误解一有了智能体就能自己干活了。这是目前听得最多的说法。智能体演示视频里一个数字员工能自己查数据、自己写报告、自己发工单看起来确实能顶一个人。但演示归演示真到了工厂里智能体连门都找不到——它不知道你的BOM长什么样不知道你的工单怎么流转不知道哪些事能自己定、哪些事必须找人批。不是智能体不行是大部分工厂还没给它准备好工位。误解二AI会替代现有的ERP和MES。恰恰相反。AI越先进越依赖现有的业务系统。因为AI要干活得通过系统去执行AI要决策得从系统取数据。把业务系统废了让AI直接干就像把车拆了只留智能驾驶系统——它连轮子都没有怎么跑误解三智能体依赖Skill就能干活。现在都在讲智能体的Skill、插件——装一个就能查数据再装一个就能查齐套看起来什么都能干。很多老板觉得有了Skill就行数据什么的不重要。Skill是使用工具的技能。装了查库存的Skill它学会了调用库存接口但前提是你得有库存系统、库存数据还得准装了看齐套的Skill它知道了从哪查工单、从哪查BOM和库存但这些数据有没有、对不对、全不全才是真正决定它能不能干好的根本。演示里的智能体为什么那么厉害因为演示用的数据是提前清洗好的、流程是标准的、场景是精心挑的。就像一个再能干的经理放到管理一塌糊涂的工厂里没有数据报表、没有准确库存、不看生产现场他能做出什么决策他只能瞎猜。现在到处都在讲AI智能体——发布会在讲、短视频在讲、行业论坛在讲全是好消息数字员工怎么替代人、效率提升多少、成本下降多少。很少有人站出来说我上了智能体效果不好。这有点像皇帝的新装——所有人都在夸衣服好看不是AI不好。是大家只讲了AI好的那一半没讲另一半演示里的智能体为什么那么完美因为数据是提前清洗好的、流程是标准的、场景是精心挑过的。真实工厂里呢物料编码对不上、指标口径不统一、工单状态晚半小时——这些没人演给你看。制造业 AI智能体落地模型顶层是人是责任主体。智能体是助理不是替代。最终的决策是人做的责任也是人担的。遇到异常、遇到例外、遇到智能体拿不准的事人要能接管。这不是保守是安全底线——你敢让智能体自己决定给客户发什么货、给供应商下什么单吗第二层是智能体是智能助手。它干什么理解人的意图、编排要做的事、连接各个业务系统、跟踪闭环。你说一句帮我看看今天3号线为什么停了智能体会自己去查MES告警、拉设备数据、比对历史记录、通知班组长——这一整套动作就是智能体在干。大模型是智能体的内核负责理解和推理听懂人话、说人话就靠它。第三层是业务执行和规则体系。你的ERP、MES、WMS、SCM——这些是执行载体智能体干活得通过它们。但光有系统还不够还得有业务规则——流程怎么走、权限怎么分、什么情况能自己定、什么情况必须审批、插单要满足什么条件、补货要走谁的流程。最底层是高质量的数据底座。主数据物料、客户、供应商、BOM、知识库SOP、工艺文档、FMEA、业务数据订单、计划、生产、发货、退货、开票、收款、实时数据流设备IoT、工单状态、库存状态、历史记录过去的异常怎么处理的、质量改进的措施是什么。对照现在的智能驾驶去理解人是驾驶员关键时候要接手出了事情要担责智驾系统就是智能体是根据雷达数据决定踩油门还是打方向盘油门、转向、轮子就是业务系统没有这些车根本动不了路是业务规则没有规则就会乱开、会出事而车速、位置、路况和你的驾驶习惯就是数据底座。智能驾驶系统再先进没有轮子、没有路、没有数据能跑起来为什么业务平台和数据是智能体底座做了20年制造软件这些工厂每天都在发生的问题每一个都能直接卡住AI的脖子。同一个物料三个编码一个螺丝ERP里叫螺丝M8×20MES里叫M8*20内六角WMS里叫8毫米螺丝。采购部门按A名字下单仓库按B名字收货生产按C名字领料。平时靠老师傅的经验和Excel对账日子还能过。但数字员工来了呢它想查这个螺丝的库存去ERP查是1200个去MES查是800个去WMS查是1500个——它信哪个它根本不知道这三个名字指的是同一个东西。这不是AI不够聪明是你的主数据没治理。物料编码体系不统一BOM结构不一致客户和供应商主数据各管各的——数字员工拿到的是一张对不上号的地图它再聪明也找不到路。同一个指标三种算法“库存余额”A系统算的时候含在途B系统不含“完工率”A按数量算B按工时算“设备利用率”A扣除了计划保养时间B没扣。每个部门都觉得自己的算法对每个系统都按自己的逻辑算。人看报表的时候会带着业务经验去判断——“这个数偏高可能是含了在途”。但数字员工不会它看到什么数就用什么数。你告诉它库存够不够它拿B系统的数一算说够了结果实际生产的时候发现缺料——因为B系统没算在途而那批在途的料根本到不了货。这就是口径不一致的代价。数据不是错的但语义是乱的。数字员工拿到一堆对不上口径的数据推理出来的结论看起来很合理实际上是错的。工单都做完了系统还显示待生产车间3点就把工单做完了工人报工了质检也过了但MES的工单状态3点半才更新到系统里数据平台4点才同步完。中间这一个小时数字员工看到的是什么它看到工单还在待生产状态库存还是原来的数——它基于这些过期数据做的任何决策都是过时的。比如它建议这个工单还没开始生产要不要调整优先级——实际上工单都快做完了。这种建议不是效率提升是添乱。实时数据链路不通智能体拿到的就是昨天的天气预报——信息是真的但来不及了。AI放大的不仅是效率还有你的数据错误这些问题单独看好像很正常以前没有AI的时候也存在。但有了AI之后这些问题的性质变了。以前数据错了人会质疑。报表上库存数字不对仓管会说这个数有问题我去核实下。人有常识、有经验、有怀疑精神。AI不会。大模型会把错误的数据包装成一份看起来很专业、逻辑很自洽的建议直接推到你面前。BOM不准它帮你算出来的物料需求就是错的口径不一致它推理出来的结论就是矛盾的数据不及时它给出的建议就是过时的。这就是最危险的地方Garbage in, confident garbage out。你喂给它错误的数据它不会报错它会用很自信的语气给你一个错误的答案。在传统IT时代数据质量问题影响的是报表准不准在AI时代数据质量问题直接影响决策对不对——而AI会让这些错误决策看起来特别可信。这就是为什么我说底座建设不是以后再说的可选项是现在就要开始的必做题。AI能力越强越要把权力的笼子扎好有老板在问智能体能不能直接读数据库能不能把数据底座开放给它智能体能力越强干的事越多干错事的代价就越大。一个只会查资料的智能体翻错了页影响不大一个能下工单、改计划、发采购单的智能体一个误判就是几万块的损失。所以必须把权力的“笼子”扎好看的边界——什么数据能看。智能体不该什么数据都看。一个班组长用的智能体不该看到高管的成本数据不该看到客户的报价信息。通过业务平台智能体自动继承调用者的角色权限——你是什么人你调用的智能体就能看到什么数据。这就是笼子的栏杆。干的边界——什么操作能自己做。智能体不该绕过业务系统直接改数据。它要创建工单走工单接口要调整库存走库存服务。不是它想干什么就干什么而是通过业务平台的标准服务来执行。每一步调用都有日志、可追溯。定的边界——什么决定能自己拍板。这是最重要的。智能体可以建议但不能代替人拍板所有事。它建议插单业务规则自动校验物料齐套吗产能够吗工艺允许吗它可以提方案但最终要不要执行关键决策人要把住最后一道关。笼子扎好了智能体才能放开手脚干活。不是把它关起来不让动是让它在安全边界内放心跑。最后尽早准备AI这个浪潮是真的要来。智能驾驶系统的能力在飞速进步这是挡不住的。但浪潮来了不是谁都能接住的。你的业务系统得准备好了你的规则体系得理顺了你的数据底座得建起来了。这三样东西没有一样是能轻松建成的。数据治理是慢功夫业务集成是硬骨头规则梳理是细致活。但它们有一个特点越早起跑复利效应越大。你今天治理好的主数据不只是给今天用的是给明年、后年的AI应用铺路的。等竞争对手把底座建好了同样的智能体他的效果可能是你的十倍——因为他的数据比你干净十倍、流程比你顺十倍、规则比你清晰十倍。浪潮不会等你把地基打完再来。但如果你现在开始打三年后你就是那批能接住浪潮的工厂。数字员工要来了。问题不是它来了你怎么用而是它来的时候你准备好了没有。