制造企业把 AI 引入业务时，最先接住的往往不是产线控制，而是订单、物料、工艺和人员之间那些反复核对、最容易出错的日常环节。
腾讯研究院、腾讯云与腾讯 WorkBuddy 联合编制发布《迈向自适应制造：制造业智能体实践白皮书》，试图把一线制造企业已经跑通的场景、方法和经验梳理出来，为企业开展智能体应用提供参考。
制造企业的难点，常出在系统之间
对按订单组织生产的制造企业来说，一笔订单临时插入计划，或一个产品配置发生变化，往往会牵动一整条协同链。计划人员要重新平衡交期和产能，采购要核对物料是否到位，仓库要确认库存能否使用，工艺和车间也要接收新的工单。
如果一张物料清单换版后，仍有部门沿用旧数据，采购、生产和交付都会被影响。消费者看到的是产品是否按时送达，企业真正要处理的，则是订单、物料、工艺和人员之间持续变化的关系。一个细小的信息错位，最后就可能变成交期延后、成本波动，甚至质量风险。
白皮书提到，今年以来，制造企业开始积极开通 WorkBuddy。在推进应用的过程中，一个共性很明显：许多企业并没有急着让 AI 承担一个庞大角色，而是先从琐碎、具体、又最容易出错的工作开始，逐项把任务跑通。
白皮书总结七项核心发现
报告提出，制造业智能体正在从“能对话、能干活”走向“能上岗”。这三个阶段对应的能力边界分别是回答问题、协助完成任务、以及在岗位规则下接收任务并交付结果。所谓“上岗”，关键不只是 AI 产出一个结果，而是这个结果能够被后续环节接收、核验和追溯，进入企业责任链。
第二项发现是，制造业智能体的第一站通常不在生产现场，而在系统之间的数据断点。数据分散、口径不一、跨系统流转仍依赖人工的任务，在制造企业中普遍存在。这类工作规则相对清楚，结果也能核验，因此更适合作为智能体切入口。
第三项发现聚焦工程方法。白皮书认为，智能体“上岗”需要一套明确路径：先选定既有业务价值、又具备落地条件的任务；再用真实数据和真实流程验证；最后把规则、模板和样例沉淀下来，供下一项任务复用。场景、实证、复利，三层缺一不可。
第四项发现是，制造业智能体的能力积累更像搭积木。企业应先做通一项具体任务，再把多个任务串成岗位能力，最后沿业务流程连接成组织协同。每跑通一项能力，都应成为下一项能力的底座。
第五项发现强调系统连通性。智能体只有能够获取真实数据、调用业务系统并留下审计记录，才可能在授权范围内完成工单调整、缺料核查、报价准备等岗位任务，从建议者转向执行者。
第六项发现指出，AI 压缩了信息处理和规则执行的成本后，人类判断反而更重要。企业能否把经验说清楚、把规则写下来、把例外情况拆分出去，会直接影响智能体能否稳定创造价值。
第七项发现则把方向指向“受控的自适应”。白皮书认为，智能体会持续进入生产系统、跨岗位协同和物理场景；越接近控制和执行，权限边界、安全回路和人的监督就越要先做实。
BOM 基线核对是典型切入口
白皮书把不少制造企业的现实难题归结到系统和数据之间。一条变更信息可能散落在不同表格、邮件和业务页面里，员工需要反复核对、补齐和确认，下一步工作才能继续。物料变更、齐套核查、图纸报价、对账开票，都属于这一类任务。它们不直接生产产品，却常常是采购、生产和交付的关键卡口。
其中，物料清单（BOM）基线核对被列为一个典型任务。产品换版后，工程师需要从多份文件中找出差异，再判断哪些变化会影响采购和生产。智能体可以先完成多格式解析、数据体检、差异提取和影响面梳理，形成一张标明风险和待确认事项的清单，供产品工程师快速确认基线和处置方式。
按照该任务级智能体的预期成效测算，一次 BOM 换版的人工投入可由 3 至 5 小时降至 0.5 小时，周期可由 1 至 2 天缩短至当天出清单。白皮书认为，更重要的变化在于，过去主要依赖个人熟练度的核对过程，开始变成可以被他人检查、复盘和接续的工作标准。
“上岗”的关键，是接住一段责任链
白皮书把智能体“上岗”的标准，放在是否嵌入企业责任链条中，而不是是否独立给出一个答案。任务从哪里来，中间由谁确认，结果交给谁，出问题由谁担责，都需要先划清。
以生产与物料控制（PMC）的短期排产与插单调整为例，这条链条大致分为四环。上游先提供订单交期、物料齐套、设备产能等输入信息，构成排产依据；AI 负责中间一段工作，按优先级规则生成排产方案，在方案确认后调整工单、向各部门发送通知，并留下处理记录；PMC 在关键节点审核方案是否可行，插单取舍和规则之外的例外情况仍由人判断；下游则按通知安排各工序生产。
也就是说，AI 并不是从头做到尾，而是在一条可核对、可追溯的工作链中接住了中间一段。按白皮书给出的测算，这套协作方式跑通后，人工投入可由 3 至 4 小时降至 0.5 小时，急单端到端响应可缩短至 15 分钟，预计能够取得显著效果。
从单项任务积累到岗位能力
白皮书提到，企业在引入 AI 时，最容易出现的偏差之一，就是一开始就期待它覆盖一个部门，甚至一整条流程。相比之下，更稳妥的路径是先拿下一项边界清楚的任务，再逐步向相邻工作扩展。
缺料核查就是一个例子。物料需求计划（MRP）虽然能算出账面缺口，但未必回答得了更关键的问题：仓库里的存货能否使用，替代料是否合格，这批料什么时候真正需要，一张订单是否值得为此紧急采购。过去，这些判断往往需要采购、计划、仓库和工艺人员反复确认，很多问题要到开工前才暴露出来。
智能体可以把库存、需料时间、替代料条件和在途订单放到同一张判断表上，再把结果分为“可按计划开工”“有条件开工”“需升级决策”三类。它不替采购员作出商务承诺，也不替计划人员决定交期取舍，而是把真实缺口、可化解路径和真正需要权衡的问题提前摆出来。
白皮书指出，当这项任务稳定下来后，沉淀出的数据口径和异常处理方式还可以延伸到齐套预警、采购跟催、呆滞料处置等相邻工作。能力就是这样一点点长出来：先是一件事，再是一类岗位工作，最后才可能扩展为跨部门协同。
把经验写成规则，AI 才能稳定执行
文中认为，AI 擅长按规则取数、计算和核对，但规则本身不会自己生成。制造企业真正要投入的工作，是把资深员工头脑里那些关于什么时候备货、备多少、什么情况要升级处理的经验，写成 AI 可以稳定执行的规则。
广州视声的供应链实践被作为一个案例写入白皮书。面对材料价格波动和采购周期拉长，企业把市场价格、库存水位、在途订单和历史耗用量汇入同一流程，并将采购团队多年积累的管理经验转化为风险分级和决策规则。AI 依据这些规则整理信息、生成订单建议，业务人员保留最终审批权。
企业实践口径显示，这项动态库存与价格联合决策，处理时长可从人工 3 天缩短至 AI 辅助 2 小时，并支持每月自动刷新。
广州视声智能副总经理、董事表示：「我们把管理经验沉淀为可执行的决策规则，这些判断逻辑交付 AI 后，由它按既定规则每月自动刷新、滚动决策，效果不错。」
白皮书同时指出，难点不在于把经验讲出来，而在于把原本说不清的经验写成可执行规则。规则越清楚，AI 执行越稳定；市场发生变化后，再由人去校准规则、补充知识和处理例外。只有经验进入规则，能力才不会随着个人流动而流失，而会沉淀为组织可反复调用、持续修正的资产。
系统连通后，智能体才能从建议走向执行
白皮书认为，智能体若要从“给建议”走到“办成事”，还必须接入企业现有工作系统。它需要读取真实数据，在授权范围内完成必要动作，并把整个过程留下记录。少了其中任何一项，AI 都很难承担岗位任务。
这里的难点不只是技术接口接通。智能体还要理解一张工单、一个物料编码在业务上的含义，同时分清哪些动作可以自行完成，哪些必须请人确认，发生冲突时又应由谁处理。系统连接越深，权限设计、审计机制和回退机制就越需要事先明确。
因此，白皮书提出，系统连通要为每一项动作划清数据范围、执行权限和责任归属。企业在此基础上逐步扩大 AI 的操作范围，才可能同时获得速度与可控性。
从单个场景延伸到组织能力
白皮书写到，单个场景取得效果，只能说明一项任务适合交给智能体。企业若想获得持续收益，还需要让最懂业务的人参与定义任务、完善规则、检查结果，并把已经跑通的做法分享给其他岗位。
珠海天威飞马的做法被总结为“业务主导、技术陪跑”。业务骨干亲手搭建提效流程，IT 团队提供技术支持；跑通后的方案进入案例库，再向跨部门场景复制。企业实践口径显示，天威已经沉淀 50 多个应用场景，覆盖六大职能。
珠海天威飞马 CIO 表示：「真正的 AI，是让智能体之间自动完成协作——将来我直接在 WorkBuddy 里就把活儿协同完了。」
白皮书认为，这套机制的价值在于让经验不再停留在一个人或一个部门手里。前述“场景、实证、复利”回答的是单项任务能否可靠落地，而业务参与、案例入库和岗位复用，解决的是这些小能力怎样逐步连成更大的协作网络。
走向自适应，先把边界做实
在白皮书看来，制造业过去的自动化，更多是把人的动作写入固定程序，一旦出现程序之外的变化，就要停下来依赖人工调整。自适应制造要做的，则是在给定边界内让系统自行判断、自行行动。而“边界内自主”的前提，正是边界被明确写清。
文中举了服务派工的例子。客户描述「设备报警了、停机了」后，智能体可以先补齐设备信息，识别冒烟、异味、放电异响等安全红线，再给出远程处理或上门建议，把模糊描述整理成可供主管判断的工单。至于故障诊断、派人决策和费用承诺，仍由人来确认。边界明确后，AI 反而更容易先接住受理环节。
更靠近生产的环节，分工会更细。白皮书提到，制造现场要求毫秒级确定性，不适合让概率性模型直接接管。高频数据采集、异常检测和安全闭环，应先由边缘设备和确定性系统完成；智能体按需调用结果，用于分析和协同，关键动作仍需经过仿真校验、人工审核或安全回路把关。
白皮书最后提出，制造智能体会沿着由易到难的路径推进：先做深数字任务，再接入生产系统，再走向多智能体协同，最后延伸到物理世界。边界越清楚，自主空间才可能越大。
白皮书覆盖七大岗位与三家企业经验
文章最后指出，制造业智能体的难点，不只在模型能力本身，更在于企业能否把真实痛点拆成具体任务，把数据、规则和系统连接起来，把经验变成可验证的方法，并在效率与责任之间划出边界。
一张排产调整表、一轮缺料核查、一次图纸报价，看起来都只是小任务；但当这些任务能被准确执行、反复验证，并被更多岗位复用时，新的组织能力才会慢慢形成。
《迈向自适应制造：制造业智能体实践白皮书》将这种路径概括为：从一个真实场景出发，让 AI 先跑出第一棒，再让人和 AI 在清楚的规则、数据和责任边界内持续协作，逐步走向更具韧性、也更能适应变化的制造组织。
据文中介绍，这份白皮书梳理了 7 大岗位的典型任务场景，并呈现 3 家代表性企业的系统化落地经验。本文来自微信公众号「腾讯研究院」（ID：cyberlawrc），作者为吴朋阳。