制造业AI落地怎么验证:用一个真实工单跑通
制造企业的AI试点,最常见的结局不是失败,而是“说不清”。系统上了,演示也看过,可到了季度复盘会上,计划经理问一句“上个月那张急单,AI到底帮上什么忙了”,现场往往安静下来——没有人拿一个具体的工单,从头到尾走过一遍。
这也是“制造业AI落地怎么验证:用一个真实工单跑通”正在成为IT负责人与业务负责人共同议题的原因。AI的能力是概率性的,而制造企业的管理语言是确定性的:齐套、交期、账实相符、能不能开工。两者之间缺一层翻译,这层翻译就是可核对的证据。本文不谈概念,讲清三件事:一次可核对的验证要准备什么、一个真实工单的完整链路怎么跑、跑完之后用什么标准判断该扩大还是该停。
一、制造业AI落地为什么总卡在“验证”这一步
很多企业不是不愿意用AI,而是不知道拿什么来证明它有用。演示视频里的物料永远齐套、BOM永远完整、库存永远是正的,而真实的车间里,BOM版本没发布、库存为负、采购在途没有到货日期,才是常态。
1.1 三种常见但无效的验证方式
- 看演示:演示环境的数据是被挑选过的,跑通只能说明流程存在,不能说明在你的数据上成立。
- 看总量:一句“整体效率提升”,里面混着订单结构变化、人员熟练度提升、业务自然波动,无法归因。
- 看满意度:参与人员的感受有价值,但不能定位问题出在取数、规则还是判断环节。
1.2 有效的验证必须能回答四个问题
- 输入从哪来:哪个系统、哪个账号、哪份附件、什么时点的快照。
- 按什么规则算:有效BOM是哪一版、已占用数量怎么界定、替代料是否计入、损耗率取多少。
- 结论长什么样:不是一堆数字,而是“哪些工单能开、缺什么、什么时候能补齐”。
- 谁来确认:哪些结论可以直接用,哪些必须由责任人拍板。
在 Soiawork 中,这四件事分别落在不同位置:连接器负责从ERP、采购系统、邮件里取数;知识库存放口径、规则和历史争议的处理方式;技能与工作流把处理步骤固定下来;差异项被明确列出来交人工确认,而不是被悄悄平均掉。
二、先选对工单:不是所有任务都值得做第一个验证
验证失败很多时候不是AI不行,而是第一例选错了。选一个数据拿不到、规则说不清、没人对结果负责的场景,注定跑不出结论。
2.1 第一个场景的筛选标准
- 业务价值清楚,能说清现在的人工方法、问题和成本。
- 重复发生,或者响应时效很重要,值得被固化。
- 有明确的业务负责人和结果接收人,不是“IT自己想试试”。
- 必要的数据、账号、系统和规则能够取得。
- 可以从只读、建议或人工确认开始,把风险控制在前端。
- 试点结束后能做出决定:扩大、调整,或者停。
最后一条经常被忽略。如果一个场景跑完之后,无论结果好坏都不影响任何决策,那它从一开始就不该被选中。
2.2 制造业里最适合做第一例的三类工单
- 物料齐套检查:输入边界清楚,规则可写,结论是二元的(能开/不能开),异常容易被识别。
- 订单评审:插单或加量时,把物料、产能、资料缺口放在一张表里,减少跨部门口头确认。
- 财务对账与凭证准备:单据结构规整,差异项天然需要人工判断,适合“AI整理+人确认”的分工。
这三类场景的共同点是:AI不替人做决定,只把判断所需的依据先摆齐。
2.3 从只读开始,风险可控
在 Soiawork 中,第一步通常只做读取。通过连接器读取ERP的库存、采购清单和工单,通过设备(Soia Worker)在计划员本机打开熟悉的系统界面完成导出,全程不改动源系统的任何数据。等结论被核对过几轮、口径稳定下来,再讨论是否让AI执行写操作。这个顺序不是保守,而是让每一步都有回退空间。
三、一个真实工单跑通的全过程:以物料齐套检查为例
下面这条链路,来自一个复现验证环境中的物料齐套场景演示,用于说明步骤与判断点,其中的数据不构成任何客户成效。
3.1 第一步:把需求端的信息收齐
一张工单要跑通,先要凑齐它的“身份证”:工单号、产品、数量、交期、有效BOM版本、替代料规则、客户特殊要求。
过去,计划员从邮件收需求、从ERP导出库存和采购清单,再合并进Excel算缺口。需求一变、库存一动,就得重算一遍,缺料常常到开工当天才发现。这一步的价值不在于快,而在于信息被固定成一个可复现的输入集合,而不是散落在几个人的收件箱里。
3.2 第三步:算出缺口,而不是算出数字
齐套计算的骨架并不复杂:
- 用料需求 = 工单数量 × BOM单耗 ×(1 + 损耗率)
- 可用数量 = 现有库存 − 已被其他工单占用
- 缺口 = 用料需求 − 可用数量 − 合格在途
复杂的是口径。BOM是不是最新发布版?车间库存算不算可用?被别的工单预占的量怎么扣?替代料在什么条件下可以顶?这些规则如果只存在老师傅的脑子里,任何AI都跑不出可核对的结果。
所以在 Soiawork 中,这一步通常先把规则写进知识库,再由技能封装成可复用的计算逻辑。规则变更时改一处,所有调用它的任务同步生效,而不是散落在几十个Excel公式里。
3.3 第三步:核对在途与到料时间
齐套判断的关键不是“有没有”,而是“什么时候有”。
到货日晚于开工日的在途采购,在齐套意义上等于不存在。这一步要把在途采购单、预计到货日期、供应商承诺日期与工单开工日放在同一张时间轴上比对,并把替代料的可用性一并纳入。很多“开工才发现缺料”的事故,问题就出在这里——数字上够,时间上不够。
3.4 第四步:输出结论,把判断权交回去
一份可用的齐套结论应该长这样:
- 哪些工单可以按计划开工。
- 哪些不能开,缺什么料、缺多少。
- 缺口预计什么时候能补齐,采购需要跟进哪几单。
- 哪些属于需要人工确认的差异项:替代料是否放行、BOM版本冲突、库存账实不符。
最后一条尤其重要。数据差异不是AI能自行裁决的,它必须被显式列出,交给采购、计划和仓库的责任人。
3.5 第五步:核对,这才是验证的核心动作
跑出结论只是开始,真正的验证是把AI的结论和计划员的手工结论逐项对比,并分成四类记录:
- 一致且正确:说明规则与取数链路成立。
- AI判齐套、人工判缺料:通常是某个占用或在途没被纳入,是规则漏洞。
- AI判缺料、人工判齐套:可能是替代料规则或安全库存口径不一致。
- 双方都不确定:这类任务本身就是异常,需要业务侧先定规则。
把每一处不一致记下来、改掉、再跑一遍,这个过程重复三轮,比任何一份PPT都有说服力。
在这条链路上,Soiawork 的分工是这样的:连接器负责从ERP、采购系统取数;设备(Soia Worker)在计划员本机完成需要界面操作的部分;技能把齐套计算固化下来;工作流把“收需求—算缺口—核对在途—输出结论—标注待确认”串成固定步骤;自动任务可以按工单清单每天定时跑一遍,让计划员上班就看到当天的齐套风险,而不是等邮件催。
四、验证的判据:什么叫“跑通”,什么叫“没跑通”
“跑通”不是一次成功,而是在一组有代表性的用例上都稳定地给出可解释的结果。
4.1 用例集至少要覆盖六类情况
- 正常输入与常见任务,作为基线。
- 关键字段缺失:BOM未发布、库存为负、在途无到货日期。
- 权限与规则边界:无权查看的仓库、特殊客户指定料。
- 多步骤复杂情况:插单叠加替代料、分批到货。
- 过去真实发生过的错误与人工纠正记录,这是最有价值的一类用例。
- 业务高峰与临近截止的任务,检验它在压力下的表现。
4.2 比较方法:同周期、同对象、同口径
上线后用相同周期和相同对象做对比,避免把业务自然波动(订单结构变化、淡旺季、人员轮换)当成AI的贡献。如果无法剥离这些因素,就诚实地把它标注为“无法归因”,而不是写成节省了多少人天。
4.3 三种结论,对应三种动作
- 跑通:在约定用例集上结论稳定,异常项能被识别并落到人。可以扩大范围。
- 部分跑通:结论可用但异常处理仍依赖某个人。先补规则、补资料,再决定。
- 没跑通:多数差异来自数据本身不可得或规则不可写。此时正确动作是停止,而不是继续加预算。
五、跑通之后:别让这次验证只留下一个结论
一个工单的验证价值,远不止“这个场景能不能用”。它真正的产出,是一套能被复用的组织能力。
- 技能:齐套计算规则被封装成技能,换个产品、换个工厂直接调用,不用重新写一遍Excel。
- 工作流:五步处理流程被固定下来,新人接手时不必重新摸索顺序。
- 自动任务:按班次、按时点运行,让检查从“人想起来才做”变成“到点就做”。
- 知识库:口径、例外处理、历史争议的裁决理由沉淀进去,成为可查的依据。
- 工作空间:计划、采购、车间在同一个地方看同一份结论,减少“我这显示是够的”这类对话。
- 连接器:下一个工厂用的是另一套ERP,换连接器配置即可,处理逻辑不动。
从“一个工单跑通”到“一类工单都能跑”,这家企业才真正开始拥有自己的 AI 组织。Soiawork 的定位正在于此:企业级 AI 智能体平台,把 AI 接到具体的业务目标、人员和系统上,并把这次验证中有效的做法,沉淀为其他岗位也能直接使用的能力。实在智能自2018年起投入AI与自动化,累计服务6,000+企业客户,拥有100+发明专利,这些积累的意义,最终要落到某一张工单是否被算清楚上。
结尾
制造业AI落地怎么验证?答案并不复杂:从一项重复发生、规则清楚、有人对结果负责的工作开始试跑,用一个真实工单把取数、计算、结论、确认四段走完;然后坐下来核对结果与异常,把每一处不一致改掉再跑一遍;最后再决定是否扩大范围。这个顺序看起来慢,但它让每一步都可回退、可解释、可交接。AI在一个工单上被证明靠得住,才有可能在一类工单上被信任。
常见问题解答
验证AI要不要先改造现有ERP或MES?
通常不需要。第一轮验证一般从只读开始:通过连接器读取现有系统的数据,或由设备(Soia Worker)在原有界面完成导出与录入,源系统的表结构、流程都不动。只有当结论被核对稳定、口径确认无误后,才讨论是否增加写回。改造系统是重决策,不该作为验证的前置条件。
数据和权限怎么控制?
三件事先说清楚:账号能访问哪些系统、能看到哪些数据范围、哪些操作必须人工确认。在 Soiawork 中,权限按工作空间和角色划分,取数范围由连接器的授权决定,AI不会越过配置去读取未授权的内容。建议第一轮只开放单个车间或单条产线的数据,验证通过后再扩展。
AI算错了,责任怎么界定?
这是必须提前说清的问题。制造场景中的AI定位是“整理依据、给建议”,不是“替人裁决”。齐套结论、替代料放行、订单是否接,最终仍由计划、采购、销售负责人确认;财务入账同样由财务责任人决定。系统要做的是把数据来源、计算规则和差异项留痕,让出错时能追溯到是取数错、规则错还是判断错,而不是笼统地说“AI算的”。
它和现有的RPA、BI是什么关系?
三者解决的不是同一个问题。RPA擅长按固定路径操作界面、搬运数据;BI擅长把历史数据可视化;AI智能体擅长处理有判断成分的任务——从多份资料中提取信息、按规则计算、识别异常并把待确认项挑出来。在 Soiawork 中,这三类能力可以组合在一条工作流里:连接器取数、技能做计算、设备完成界面操作,最后把结论呈现给人。
一个工单跑通大概要多久,怎么判断值不值得继续?
周期取决于资料与规则的清晰度,而不是技术难度。如果BOM、库存口径、替代料规则能在两三天内确认清楚,用例集也准备好了,验证通常可以在数周内看到明确结论。判断标准建议在开始前就定好:哪些用例必须通过、异常项识别率到什么程度算合格、谁来签字确认。事先约定标准,事后才不会被“感觉还行”含糊过去。



