企业AI Agent对接ERP、MES厂商怎么选？先看清“三类玩家”的能力边界
2026年，制造业AI Agent已经从概念验证走进规模化场景建设。Gartner预测，到2026年底40%的企业应用将嵌入面向特定任务的AI Agent，而一年前这个数字还不到5%。政策端也在提速，“人工智能+制造”专项行动明确提出到2027年形成1000个高水平工业智能体。
但供给侧的繁荣给制造企业带来的，首先不是“选谁”的便利，而是“怎么分”的困惑。一家汽车零部件厂的数字化负责人曾这样描述选型会上的处境：有的厂商在讲流程自动化，有的在讲MES升级，有的在讲大模型质检，方案听起来都有道理，放在一起却不在同一个坐标系里。
问题的根源在于，当前对接ERP、MES的AI Agent厂商并不是在同一条赛道上竞争。它们进入制造企业的方式不同，解决的是不同层级的问题，能力边界也截然不同。选型的第一步，不是比参数、比案例数量，而是先看清站在你面前的是哪一类玩家。
第一类：流程自动化厂商——不动系统，做“连接层”
代表厂商：实在智能（实在Agent / Soiawork）等RPA+AI路线的厂商。
这一类厂商的技术底座是RPA流程自动化，往上叠加了大模型的任务理解和编排能力。它们对接ERP、MES的方式很直接：不改造现有系统，在系统之上建立一层执行通道。有API的系统走接口调用，没有开放接口的老旧ERP、MES、WMS、SRM，则通过屏幕语义理解或界面模拟操作纳入同一条自动化链路。实在智能在这条路线上形成了两个层次的产品：实在Agent定位“重执行、重合规”的数字员工，底层由TARS垂直大模型、ISSUT屏幕语义理解和RPA执行器构成，适合业务链路中包含大量无API存量系统、需要私有化与审计留痕的场景；Soiawork（树芽工作）定位更轻的企业级AI智能体平台，采用“连接器 + Worker”双通道——有API的系统走连接器，无API的系统走Worker完成界面操作，制造业方案覆盖订单评审、生产排产、物料齐套检查、生产报工核对等任务，强调在保留原系统和人工确认机制的前提下辅助整理信息、标记冲突。
能力边界：
- 能做什么：跨系统的重复操作与规则性任务。销售订单与制造订单的流转、采购比价、开票回单、生产物料监测与异常告警，这些“人在系统间搬数据”的场景是它的主场。三花控股与实在智能合作的一组公开数据是：不到一年时间内769名业务员工完成数字化人才认证，落地340余个自动化场景，累计节省超20万工时，50%至60%的自动化需求由业务方自行开发完成。
- 不能做什么：不改变系统本身的逻辑和能力。如果核心痛点在产线控制、工艺优化或排产算法的根本性升级，流程自动化厂商无法触及。它做的是“连接”和“执行”，不是“系统能力升级”。
- 成本与周期：1—3个月可见效，主要成本是实施与场景梳理，而非系统改造。
- 治理约束：这条路线对权限和审计的要求并不低。Agent一旦获得系统操作权限，就必须回答“能访问什么数据、敏感步骤是否需要人工确认、执行过程能否追溯”。实在Agent内置全链路TraceID、操作回放和审计存储，Soiawork则通过角色权限、任务监控与操作审计提供治理基础，回应的是同一层约束。
- 组织条件：这类方案见效快，但规模化高度依赖组织机制。三花控股“全员开发者”的路径说明，业务方具备认证能力和持续支持体系时，场景铺开的速度会显著加快；反过来，如果IT与业务之间的协作机制没有建立，工具本身不会自动带来规模化。
适合谁：系统多、数据搬运量大、不想动核心系统、希望快速见效的制造企业。尤其适合存量ERP、MES无API或接口改造成本过高的场景。反过来，如果企业的主要矛盾是系统能力本身跟不上业务，这一类方案会显得“隔靴搔痒”。
第二类：工业软件厂商——把Agent嵌进系统本身
代表厂商：SAP（Joule）、Oracle（Fusion AI Agents）、用友、金蝶、鼎捷、黑湖科技、卡奥斯、树根互联、西门子、PTC等。
这一类玩家本身就在卖ERP、MES、PLM或工业互联网平台。它们做AI Agent的逻辑是“系统长出了智能”，而不是“智能外挂在系统上”。Agent与业务对象、数据模型、权限体系同源，天然知道“什么是订单”“什么是物料”，也不需要重新建立一套授权逻辑。
能力边界：
- 能做什么：系统能力本身的升级。排产更智能、质量追溯更完整、供应链协同更实时。SAP Joule可以在订单→生产→物流→财务之间做跨模块编排，这是非原生厂商难以企及的纵深。用友BIP 6的YonWork以松耦合方式连接BIP体系及异构系统，官方口径已积累领域Agents 60+、OpenAPI 26166个。金蝶则走“原生内置”路线，将智能体直接焊入操作系统层。
- 不能做什么：出了自家生态，价值明显衰减。SAP Joule的现场层能力弱，它是商业流程Copilot，不是工艺智能体；中文语义和信创合规仍在追赶。更重要的是，这类方案通常伴随一次系统升级或替换，不是“打补丁”。
- 成本与周期：6—18个月见效，成本集中在系统改造和集成。
- 关键风险：容易被“AI功能清单”迷惑，而忽视一个更根本的问题——买回来的Agent是否真正跑在现有业务流程和权限边界之内，还是又造了一个需要单独治理的孤岛。
适合谁：本身就要上或换MES/ERP、愿意为深度集成付出周期的企业。如果只是想在现有系统上解决几个具体痛点，这类方案的投入产出比并不合算。
第三类：工业AI厂商——用算法挖掘“数据里没被用起来的规律”
代表厂商：德沃克（X-Agent系列）、羚数智能、追知工科、恒远科技，以及宝信软件在流程重工业方向的工业AI布局等。
这一类厂商不以“连接系统”或“升级系统”为卖点，核心能力在算法和场景模型：机器视觉质检、设备预测性维护、工艺参数优化。它们对接ERP、MES的方式是取数据、出判断，把MES中的设备状态、质量事件、生产历史，以及ERP中的订单和物料数据，转化为过去靠人经验才能给出的决策。
能力边界：
- 能做什么：在边界清晰的特定场景里，效果显著。但前提是相关数据已经完成采集、口径统一、质量可用。MES数据的完整性和一致性，直接决定这类Agent能不能“跑起来”。
- 不能做什么：数据没采全、没打通的企业，上模型为时过早。这类厂商不负责帮你补数据治理的课，也不解决跨系统的流程断裂。
- 成本与周期：3—12个月见效，成本集中在数据治理和算法调优，而不是软件许可本身。
- 规模化条件：Gartner同时提醒，超过40%的Agentic项目可能在2027年底前被取消。在工业AI场景中，失败往往不是因为算法不够好，而是因为数据基础、组织准备度和治理框架没有同步跟上。
适合谁：有明确的质检、维护或工艺优化痛点，且相关数据已有积累的企业。如果数据基础薄弱，优先事项应该是补数据基础设施，而不是买Agent。
三条判断线，把“三类玩家”放回你的现实约束里
分清三类玩家之后，选型仍然不能简化为“三选一”。多数制造企业的现实路径是组合式的，但组合的前提是知道每一类该在什么条件下进入、以什么顺序进入。
第一条线：问题在哪一层。人在系统间搬数据搬得累，找流程自动化厂商；系统本身跟不上业务，找工业软件厂商；有数据但没产生价值，找工业AI厂商。把问题层级定位错了，再强的厂商能力也用不到刀刃上。流程自动化厂商内部也有分层——轻量平台适合从高频任务切入快速验证，重型执行平台适合承接无API存量系统密集、治理要求高的场景，选型时值得进一步区分。
第二条线：现有系统的处置意愿。预算紧、要快见效、不想动核心系统，从流程自动化切入是风险最低的起点；正好赶上ERP/MES换代，顺势选择带原生Agent能力的工业软件，边际成本最低；数据基础扎实且场景明确，工业AI才具备落地条件。
第三条线：治理能力是否跟得上。三类玩家最终都要面对同一组问题：Agent能访问什么数据、操作权限如何继承和收窄、敏感步骤是否需要人工确认、执行过程能否审计追溯。区别在于，流程自动化厂商的治理重点在“执行层”，工业软件厂商的治理优势在“权限继承”，工业AI厂商的治理重心在“数据边界和模型可解释性”。选型时应该把治理能力作为与功能同等权重的评估维度，而不是上线后再补的功课。
回到标题的问题：企业AI Agent对接ERP、MES厂商怎么选？答案不是找到“最强的那一家”，而是先识别出你需要的是哪一类能力，再确认这类能力是否与你的系统现状、数据基础和组织准备度相匹配。三类玩家各守一段边界，跨越边界的承诺，往往正是选型踩坑的起点。
