我们在手机上点击“下单”时，通常只关心两件事：什么时候送到，东西对不对。对许多按订单组织生产的制造企业而言，这个动作背后，却可能牵动一次长链协同。 

一笔订单临时插入计划，或者一个产品配置发生变化，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。若一张物料清单换版后，仍有部门沿用旧数据，采购、生产和交付都会随之受影响。 

消费者看到的是产品按时送达；企业要处理的，则是订单、物料、工艺和人员之间不断变化的关系。一个细小的信息错位，最后可能变成交期延后、成本波动，甚至质量风险。 

大模型越来越强，能不能帮助制造企业解决这些最痛的问题？ 

今年以来，我们发现制造企业开始积极开通 WorkBuddy 。在与这些企业共同推进应用的过程中，我们看到一种共性：很多制造企业并不急于给AI安排一个宏大的角色，而是从最琐碎、也最容易出错的日常工作开始，让它先把一个个小而具体的任务跑通。 

今天，腾讯研究院、腾讯云与腾讯 WorkBuddy 联合编制发布了《迈向自适应制造：制造业智能体实践白皮书》，希望把一线探索中这些跑出来的场景、方法和经验梳理并提炼出来，为更多制造企业开展智能体应用提供一份切实可行的全景地图和行动指南。 

报告核心发现

第一，智能体正在从能对话、能干活走向能上岗。 三个阶段对应三种能力边界：回答问题、协助完成任务、在岗位规则下接收任务并交付结果。“上岗”的标志，是AI的产出能被后续环节接收、核验和追溯，进入企业的责任链条。

第二，制造业智能体的第一站，往往不在生产现场，而在系统之间的数据断点。 数据分散、口径不一、跨系统流转仍靠人工的任务，是制造企业普遍存在的协同短板；这些任务规则相对清楚、结果也能核验，适合作为智能体的切入口。 

第三，智能体“上岗”需要一套工程方法。 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，缺一层就难以稳定复制。 

第四，制造业智能体应像搭积木一样累积。 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为组织协同。每跑通一项能力，都应成为下一项能力的底座。 

第五，系统的连通性，决定智能体能否从建议者变成执行者。 能获取真实数据、调用业务系统、留下审计记录，智能体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。 

第六，AI压缩了信息处理和规则执行的成本，人类判断因此更重要。 企业能否把经验说清楚、把规则写下来、把例外分出去，决定智能体能否稳定创造价值。 

第七，制造业的未来方向是受控的自适应。 智能体会持续进入生产系统、跨岗位协同和物理场景；越靠近控制与执行，权限边界、安全回路和人的监督越要做实。 

第一站不在生产现场，而在系统和数据之间

许多制造企业已有不少数字化系统，难题却常出在系统之间：一条变更信息散在不同表格、邮件和业务页面里，员工要反复核对、补齐、确认，才能让下一步继续。物料变更、齐套核查、图纸报价、对账开票等工作都属于这一类。它们不直接生产产品，却是采购、生产和交付的关键卡口。 

物料清单 （BOM） 基线核对，就是一个典型任务。产品一旦换版，工程师要从多份文件中找出差异，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，交出一张标明风险和待确认事项的清单；产品工程师据此，就能快速确认基线和处置方式。 

按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。更重要的是，过去主要依赖个人熟练度的核对过程，开始变成别人也能检查、复盘和接续的工作标准。 

智能体“上岗”，关键是接住一段责任链

“上岗”的实质，不是AI能独立交付一个结果就行，而是它能嵌进一条有人接手、有人负责的工作链：任务从哪里来、中间由谁确认、结果交给谁、出了问题谁担责，每一环都要清楚。 

以生产与物料控制 （PMC） 的短期排产与插单调整为例，这条链大致有四环。上游给输入：订单交期、物料齐套、设备产能，构成排产的依据。AI接中间一段：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、留下处理记录。人卡关键节点：PMC审核方案是否可行，插单取舍和规则之外的例外由人判断。下游接结果：各工序按通知安排生产。AI不是从头做到尾，而是在这条链上接住了中间一段可核对、可追溯的工作。 

这套人机分工协作跑下来，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，预计可以获得显著效果。 

智能体应从小任务起步，逐级累积到岗位和组织

企业最容易走偏的地方，是一开始就期待AI覆盖一个部门，甚至一整条流程。更可靠的路径，是先拿下一项边界清楚的任务，再向相邻工作扩展。 

缺料核查说明了这种做法。物料需求计划 （MRP） 能算出账面缺口，却回答不了几个更关键的问题：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？这些问题过去往往要由采购、计划、仓库和工艺人员反复确认，开工前才可能暴露。 

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，将结果分成“可按计划开工”“有条件开工”“需升级决策”三类。它不替采购员作商务承诺，也不替计划人员决定交期取舍；它的作用是把真缺口、可化解路径和真正需要权衡的问题提前摆清。 

这个任务做稳后，沉淀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。能力由此一 点点 长出来：先是一件事，随后是一类岗位工作，最后才可能成为跨部门协同。 

把人的经验，沉淀为AI的规则

AI擅长按规则取数、计算、核对，但规则不会自己长出来。制造企业真正要下的功夫，是把资深员工脑子里那些“什么时候备货、备多少、什么情况要升级”的经验，写成AI能稳定执行的规则。 

广州视声的供应链实践印证了这一点。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，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按这些规则整理信息、生成订单建议，业务人员负责最终审批。企业实践口径显示，这项动态库存与价格联合决策可从人工3天缩短至AI辅助2小时，并支持每月自动刷新。 

“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。”——广州视声智能副总经理、董事

这件事真正的难处，在于把说不清的经验写成可执行的规则：规则越清楚，AI执行得越稳；市场变了，人再校准规则、补充知识、处理例外。经验进了规则，才不再随个人流动，而成为组织能够反复调用、持续修正的能力。 

系统连通，能力才能走进流程

智能体要从“给建议”走到“办成事”，还必须接入企业已有的工作系统。它需要读到真实数据，在授权范围内完成必要动作，并把过程留下记录。少了其中任何一项，AI都很难承担岗位任务。 

困难不只在于把接口接上。智能体还要理解一条工单、一个物料编码在业务上意味着什么；更要知道哪些动作可以自行完成，哪些必须请人确认，发生冲突又该由谁处理。系统连接越深，权限、审计和回退机制就越要先设计好。 

因此，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。企业据此逐步扩大AI的操作范围，才能同时获得速度与可控性。 

从一个场景，到一套组织能力

单个场景做出效果，只能说明一项任务可以交给智能体。要获得持续收益，企业还需要让最懂业务的人参与定义任务、完善规则、检查结果，并把跑通的做法分享给其他岗位。 

珠海天威飞马采用“业务主导、技术陪跑”的方式：业务骨干亲手搭建提效流程，IT团队提供技术支持；跑通的方案进入案例库，再推动跨部门复制。企业实践口径显示，天威已沉淀50多个应用场景，覆盖六大职能。 

“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。”——珠海天威飞马CIO

这套机制的价值，在于让经验不再停在一个人或一个部门手里。前面讲的“场景、实证、复利”，解决的是一项任务能否可靠落地；业务参与、案例入库和岗位复用，解决的则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

制造业过去的自动化，是把人的动作写进固定程序，遇到程序之外的变化就得停下、靠人调。自适应要做的，是让系统在给定边界内自己判断、自己行动；而“边界内自主”的关键，正在于边界。边界划得越清楚，AI越敢放开手脚。自适应的终点是受控的自主，常规响应交给系统，价值判断和边界留给人。所以越要走向自适应，越要先做实边界。 

以服务派工为例，客户说“设备报警了、停机了”，智能体先补齐设备信息，识别冒烟、异味、放电异响等安全红线，给出远程处理或上门建议，把一句模糊描述整理成可供主管判断的工单；故障诊断、派人决策和费用承诺，仍由人确认。边界清楚，AI反而敢替人先接住受理环节。 

离生产更近的环节，分工更细。制造现场讲毫秒级的确定，容不得概率性模型直接接管；高频数据采集、异常检测和安全闭环先由边缘设备和确定性系统完成，智能体只按需调用结果、做分析和协同，关键动作还要经仿真校验、人工审核或安全回路把关。 

把边界做实，才有条件在边界内逐步放开自主。制造智能体会沿由易到难的路径向前：先做深数字任务，再接入生产系统，再走向多智能体协同，最后伸向物理世界。边界越清楚，自主才能放得越开。 

 让AI先跑出第一棒

制造业智能体的难点，不只在模型能力，还在企业能否把真实痛点拆成具体任务，把数据、规则和系统接起来，把经验变成可验证的工作方法，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，看起来都只是小事。但当这些任务能够被准确执行、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。 

这正是《迈向自适应制造：制造业智能体实践白皮书》研究发现的一条有效路径：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、数据和责任边界中持续协作，走向更具韧性、更能适应变化的制造组织。 

本白皮书梳理了7大岗位的典型任务场景，并呈现三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：吴朋阳