制造业从“数字化”到“智能化”需要跨过哪些坎？关键在打通数据、规则与执行闭环

制造业从数字化走到智能化，最难的从来不是上一个大模型，而是把分散在人、流程、制度和系统里的经验，变成可连接、可计算、可执行、可追溯的业务资产。对多数企业来说，真正要跨过的通常是数据质量、流程标准化、规则外显化、跨系统执行、治理与组织协同这5道坎。

一、先把概念说透：数字化解决‘看得见’，智能化解决‘做得到’

很多制造企业已经上线ERP、MES、PLM、WMS，甚至做了BI看板，但这通常还停留在数字化阶段。智能化不是多一个聊天窗口，而是让系统能够理解目标、判断异常、联动多个系统完成动作，并把结果反馈给人。

• 数据断点：数据被采集了，但口径不统一、质量不稳定。
• 决策断点：制度、经验、例外处理还留在人脑里。
• 执行断点：系统能提醒异常，但不会把后续动作真正做完。

这也是为什么不少企业会产生一种错觉：系统很多，数据不少，为什么还是离智能很远？答案很简单，数据被采集，不等于业务被理解；流程被上线，不等于决策能自动发生。

从行业价值看，McKinsey在2023年发布的《The economic potential of generative AI: The next productivity frontier》中指出，生成式AI每年可创造2.6万亿至4.4万亿美元的经济价值。对制造业而言，真正可兑现价值的，不只是内容生成，而是知识判断与业务执行自动化。

二、制造业迈向智能化，最常卡住的5道坎

1. 数据采得上来，但用不起来

制造场景天然存在OT与IT并存、主数据口径不一、历史系统并行的问题。设备数据、工单数据、采购数据、质检数据、财务数据往往分布在不同系统，字段名称相似但含义不同。智能化最怕把脏数据喂给聪明模型，结果只会更快地产生错误。

2. 流程上线了，但没有真正标准化

很多企业的问题不是没有流程，而是同一流程在不同工厂、不同事业部、不同分子公司执行标准不一致。这会直接导致规则无法复用、模板无法复制、项目越做越定制，最终把智能化拖回到人工协调。

3. 规则复杂且依赖老师傅经验，传统RPA很快碰到天花板

不少制造企业以为把按钮点击自动化就够了，但现实是：单一业务类型里可能包含十余种审核规则，同时还要结合合同、预算、物料、时间周期、组织层级、附件完整性动态判断。规则链一长，固定脚本就容易失效，维护成本快速上升。

4. 看板很多，最后一公里没人做

数字化项目常止步于提醒异常。可一旦需要跨ERP、MES、OA、SAP、邮件、文档系统去查证、补录、回填、发起流程，人还是得手工完成。没有执行闭环，智能化就容易变成会分析、不会落地。

5. 安全、权限和组织协同没有一起设计

制造企业通常同时涉及供应链、财务、质量、研发和工厂现场，多角色、多权限、多分子公司并存。如果权限模型、审计留痕、私有化部署和人机分工没设计好，AI能力越强，管理焦虑反而越大。

• 如果同一指标在不同系统里有多个口径，先补主数据治理。
• 如果同一流程在不同工厂有不同做法，先补流程标准化。
• 如果80%的规则还写在Excel和老员工脑子里，先补知识沉淀。
• 如果异常识别后仍要人工跨5个系统处理，先补执行自动化。

三、别急着追‘全自动’：先按三步把智能化做成可落地工程

第1步：先挑高价值场景，不要全厂一起上

优先选择同时满足高频、规则清晰、跨系统、人工耗时大、结果可量化的场景，如财务共享审核、采购对账、订单录入、质检文档归档、供应链异常核验。对于多数制造企业来说，后台与共享场景往往比产线场景更容易先做出ROI。

第2步：把规则从人知道，变成系统能判断

要做两类沉淀：一类是结构化规则，如字段映射、阈值、条件分支；另一类是半结构化知识，如制度条款、单据附件要求、例外处理口径。只有把这些沉淀进知识库、规则引擎和流程模板，智能体才不会停留在演示层。

第3步：让AI既能理解，也能行动

当企业已经完成基础数字化后，下一步缺的往往不是报表，而是一个能够在多个系统里持续执行的数字同事。在这一层，实在Agent更适合承担理解任务、跨系统操作、校验结果、回传结论的闭环工作，而不只是做固定脚本点击。其能力把大模型的理解与推理，和CV、NLP、RPA、IDP等超自动化能力结合起来，更适合制造企业常见的中文制度、复杂流程和多系统并行环境。

一个更接近制造集团真实难题的客户实践

在某类集团型制造业务场景下，企业早在2021年就完成了财务共享中心的数字化建设，实现会计核算与审批流程的线上化、集中化，但距离智能化仍有明显断层：

• 业务类型超过100种，标准化难度大。
• 单一业务类型往往包含十余种审核规则，规则链条长。
• 4个省份、188家分子机构执行标准不一，规则难复用。
• 年业务量巨大，年处理单据超25万笔，人工审核压力高。

该场景的改造不是简单加一个OCR，而是把识别、判断、核验、执行串成闭环：

1. 数字员工自动完成附件扫描、单据类型识别与OCR关键信息提取，并判断材料是否完整。
2. 基于IDP与规则能力校验报销周期、商品名称、单价、单位与总价逻辑。
3. 通过RPA直连SAP等系统，穿透核验金额一致性、合同金额与预算科目归属。
4. 共享中心人员从大量基础校验中释放出来，转向争议处理与最终决策。

最终，在该类业务实践中，数字员工已实现92个业务类型的财务审核覆盖，替代约66%的初审工作量。对制造业管理层来说，这类结果说明一件事：智能化不是让人离开流程，而是让人从重复流程里退出，进入例外管理与经营决策。

数据及案例来源于实在智能内部客户案例库

给制造企业管理层的落地判断标准

• 先问ROI：是否能在6到12个月看到人效、准确率、周期缩短的改进。
• 再问可复制性：是否能从一个场景复制到采购、财务、供应链、客服或HR。
• 最后问治理：是否支持权限隔离、审计留痕、私有化部署与国产化环境适配。

💡 FAQ：制造业智能化改造常见问题

1. 上了ERP、MES、PLM，为什么还不算智能化？

因为这些系统主要解决记录、流转、存储问题，属于基础设施。智能化还要求系统能理解上下文、判断规则、处理异常并触发动作，核心是能不能自主完成一段业务闭环。

2. 传统RPA和AI Agent在制造场景里的差别是什么？

传统RPA更适合规则稳定、界面固定、流程短的任务；AI Agent更适合规则复杂、文档非结构化、跨系统、需要判断与纠错的任务。制造企业从数字化迈向智能化，往往需要两者结合，而不是二选一。

3. 制造企业应该从工厂现场开始，还是从职能后台开始？

如果目标是尽快看到收益，通常建议先从高频、规则明确、数据基础较好的后台场景切入，如财务共享、采购对账、订单处理、质检资料审核。等组织建立起规则资产和治理方法后，再逐步向生产、设备、计划协同等更复杂场景扩展。

参考资料：McKinsey，2023-06-14，《The economic potential of generative AI: The next productivity frontier》。