制造业AI第一个场景:从订单评审开始做
一张插单需求发到销售手里,交期写着"两周内",客户催得急。销售转身去找计划问产能、找采购问物料、找车间问排产,三个电话打完,半天过去了,回给客户的还是一句"我确认一下"。制造业的交付承诺,往往就卡在这几通电话和信息来回确认的往返里。
制造企业的业务事实分散在 ERP、MES、WMS、供应商系统、网页后台、桌面软件和无数张表格中,员工的大量时间花在反复查询、搬运、核对、汇总和通知上。这也是为什么"制造业AI第一个场景"值得认真讨论:不是从最炫的技术开始,而是从一件每天都在重复、结果又能被验证的工作开始,订单评审正是其中最合适的落脚点。
一、为什么订单评审适合作为制造业AI的第一个场景
1. 它天然是跨系统的复合判断
订单评审的本质,是把一张订单拆成若干条件,再逐条去不同系统里找答案。
- 订单本身的信息:规格、数量、交期、客户特殊要求,常常散落在订单正文、邮件和附件里,格式并不统一。
- 物料是否够:要对有效 BOM、可用库存与已占用数量做齐套判断,光看库存数字不够,还要看有多少已被其他工单占用。
- 产能是否排得下:要比对已有工单、设备和工时占用,判断新订单插进去会不会冲掉原有承诺。
- 资料是否齐全:图纸版本、特殊工艺要求、客户确认件,经常是评审到一半才发现缺。
这四类信息分别躺在不同系统中,任何一个人都很难独立看全。评审慢、评审漏,根子不在人不努力,而在信息结构上。
2. 它的结果可验收,风险可控
选第一个场景,最怕选了一个"做完也说不清对不对"的任务。订单评审不一样:评审结论最终体现为一份清单——接单条件是什么、冲突点在哪、缺哪些资料。这份清单可以被销售、计划、采购逐条核对,对错分明。
更重要的是,它可以从只读开始。智能体只负责取数、比对、整理,不直接改订单、不放行生产、不承诺交期,最终拍板仍然由销售与计划负责人完成。这类"建议型"任务,是制造业引入 AI 时风险最低的起点。
3. 它的痛点可量化
跨部门反复口头确认的次数、一次评审的平均耗时、因资料缺失导致的返工,这些都能在试点前记录基线。上线后用相同周期和对象比较,能看清变化究竟来自哪里,而不是把业务自然波动当成 AI 的功劳。
在 Soiawork 中,订单评审被归入制造业 11 个典型场景之一,与物料齐套检查、生产排产、供应链交付巡检等场景共享同一套取数与核对逻辑——这意味着第一个场景跑通之后,方法是可以复用的,而不是一次性工程。
二、一笔订单评审,到底卡在哪几步
1. 信息收集:从"问一圈"到"读一遍"
传统做法下,销售是信息的路由器:他把客户需求分发出去,再把各方的碎片回答拼回来。这个过程中,任何一方回复慢,整条链路就停住。
在 Soiawork 中,智能体可以先完成这一层收集:读取订单与附件,整理出规格、数量、交期与客户特殊要求,形成结构化输入。需要从 ERP、MES、WMS 取数时,通过连接器访问授权范围内的系统;遇到缺少稳定接口的老系统,则由设备(Soia Worker)在授权下操作本机软件完成查询。信息收集从"人找人"变成"系统找系统"。
2. 物料核对:齐套判断的关键在"占用"
物料够不够,新手常看库存,老手先看占用。
- 按订单数量展开有效 BOM,算出各物料的毛需求;
- 扣减已被其他工单占用的数量,得到真实可用量;
- 叠加在途与到料时间,判断是否能在交期前到位;
- 把缺口按物料列出,标明是"完全没有"还是"到料晚于需求日"。
这几种缺口,对业务的意义完全不同:前者要找替代或改期,后者只需盯住到货节点。智能体把差异分类清楚,采购看到的不再是一个笼统的"缺料",而是一张能直接行动的表。
3. 产能核对:把冲突点摆到桌面上
产能判断最容易被"感觉"替代。车间说"排不下",销售说"就这一单",双方都没有共同的依据。
比对已有工单、设备与工时占用后,智能体可以输出具体的冲突位置:哪条产线在哪个时间段已经饱和、插入新单会影响哪几张既有工单、如果坚持原交期需要付出什么代价。把冲突显性化,本身就是协同效率的提升——讨论从"能不能做"变成"用哪种方式做"。
4. 结论输出:留给人的是判断题,不是搜集题
评审的最终产物应当是一份可直接用于决策的清单:
接单条件(可承诺的交期与数量)、冲突点(物料缺口与产能占用)、缺失资料(待客户或内部补充的文件),以及需要拍板的事项与建议责任人。
这份清单一目了然地列出人需要做的判断。人从"搜集信息"中解放出来,专注在"做决定"上——这才是人机分工该有的样子。
三、一条可复制的落地路径
1. 先定业务目标,再谈技术方案
任何一项任务进入工作台,第一步都不是配置,而是确认:这项工作的业务负责人是谁、结果交给谁、完成标准是什么。订单评审的负责人通常是销售与计划口的业务主管,而不是 IT。IT 的角色是确认系统条件、账号范围、连接方式与维护责任。
2. 用一组真实资料试跑一次
准备一组实际订单资料——包括过去出过错的、字段缺失的、临近交期的——让智能体完整跑一次真实任务,然后逐条核对结果、来源和人工事项。
在 Soiawork 的实践中,试跑样例至少要覆盖:正常输入与常见任务、关键字段缺失、权限与规则边界、多步骤复杂情况、历史错误与人工纠正、业务高峰与临近截止的任务。覆盖面不够,跑得再顺也不能说明问题。
3. 把有效方法沉淀下来,再考虑自动化
跑通之后,评审的规则、口径和检查项可以沉淀为知识库中的依据与技能中的可复用方法;固定步骤用工作流编排;需要每天或每周定时执行时,再建立自动任务。这样做的价值在于:第一个场景的经验不会锁在某个人脑子里,而是变成组织可调用的能力。
这正是 Soiawork 作为企业级 AI 智能体平台的定位——帮助企业构建 AI 组织、打造专属 AIOS,把 AI 接到业务目标、人员和系统上,把有效实践沉淀为可复用的组织能力。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,这些积累最终要落到这样一件件具体工作上。
四、边界:哪些必须由人确认
讨论 AI 落地,边界比能力更需要说清楚。
- 交期承诺由人决定:智能体提供依据与冲突分析,但向客户承诺什么,是销售与计划负责人的判断;
- 生产控制不交给 AI:涉及工艺参数、质量责任、设备操作的决策,仍由授权人员确认;
- 高风险影响需人工把关:涉及资金、账号权限、放行等环节,智能体只能做到"整理与提示";
- 数据与权限按最小必要原则:智能体只在授权范围内取得信息,能读什么、能操作什么,由企业在接入阶段明确。
制造业的 AI 不是替人做决定,而是让人在做决定之前,手里已经有一张完整的表。
结语
订单评审之所以适合作为制造业 AI 的第一个场景,是因为它重复、跨系统、结果可验收,且能从只读与建议起步,把风险控制在可接受范围内。对制造企业而言,更稳妥的路径是:从一项重复工作开始试跑,核对结果与异常是否处理到位,再决定是否扩大范围。第一个场景跑通的意义,往往不在这一单交期快了几个小时,而在于团队由此建立起一套"定义任务—试跑—核对—沉淀"的方法——这套方法,才是后续所有场景真正的地基。
常见问题解答
1. 做订单评审,需要先改造 ERP 或 MES 吗?
通常不需要。Soiawork 通过连接器访问已授权的系统与数据,对缺少稳定接口的老系统,可由设备(Soia Worker)在授权下操作本机软件完成查询与录入。改造现有系统不是前置条件,但需要 IT 团队确认账号范围、连接方式与维护责任。
2. 数据和权限怎么控制?
按最小必要原则配置:智能体只能访问授权范围内的系统、账号与文件,能读与能操作的范围在接入阶段就界定清楚。涉及资金、权限变更、生产放行等高风险动作,设置人工确认环节,智能体不越权执行。
3. AI 判断错了谁负责?
订单评审中,智能体的产物是"依据与建议",最终结论由销售与计划负责人确认,责任归属不变。这也意味着流程设计上必须保留人工确认点——尤其是交期承诺、替代料选择这类需要业务判断的事项。
4. 从哪个场景开始最合适?
优先选:每日或每周重复发生、输入与结果和时限清楚、需要跨系统或跨文件协作、当前人工耗时与错误可测量、且能从读取与汇总起步的任务。订单评审、物料齐套检查、报表汇总、供应链交付巡检都符合这一标准。制造业 AI 第一个场景建议只选一个,跑通再扩。
5. 这和现有的 RPA、BI 是什么关系?
三者解决的问题层次不同:BI 侧重把已有数据呈现出来,RPA 侧重按固定规则执行重复操作,而智能体在此基础上多了理解非结构化资料(如订单附件)、跨系统比对判断和说明异常来源的能力。实际落地中它们常常共存——智能体可以调用既有系统的数据,也可以复用已沉淀的规则,不必推倒重来。



