工厂AI选型:报表能力之外,还要看系统操作能力
很多工厂的管理者都有类似的体验:大屏上报表越来越漂亮,BI 看板从车间贴到了会议室,可一到月底,财务还在等生产部把报工数据补齐,计划员还在两个系统之间复制工单号,仓库还在拿着打印出来的库存表去核对系统里的数字。报表让我们"看见"了问题,但问题本身仍然由人在系统之间一趟一趟地搬运、录入、确认。
这就是工厂AI选型:报表能力之外,还要看系统操作能力这件事的现实起点。报表能力回答"发生了什么",系统操作能力才回答"接下来谁去做、在哪里做、做完对不对"。本文尝试把"系统操作能力"这个听起来抽象的词拆成可评估的维度,给出一份工厂可以直接拿去用的选型清单,并说明哪些任务适合先跑、哪些边界必须由人守住。
一、报表能力的边界:它回答"是什么",不回答"谁去做"
报表能力已经解决的问题
过去十年,工厂在数据可视化上的投入是有价值的:
- 口径统一:把产量、良率、库存周转从各车间口径拉到公司口径,管理层第一次能在同一张表上对话。
- 异常可见:设备停机、订单延期、库存超期,从"事后知道"变成"当天知道"。
- 决策有据:经营例会不再靠回忆,而是靠数据说话。
但报表能力有一个天然的天花板:它只处理已经进入数据库的数据,并且只输出给人看的结果。
报表能力碰不到的三个地带
- 数据没进系统:班组记在纸单上、微信里、现场 Excel 里,报表里就没有;报表越准,反而越容易让人误以为这就是全部。
- 数据进错了系统:工单号填错一位、批次选错一个、合格数按班次而不是按批次填,系统进度和现场就对不上,而报表只会忠实地把错的数据画成曲线。
- 动作没人执行:报表告诉你有 37 条采购在途异常,但从"看到"到"逐条去供应商后台查、去系统里改状态、去群里通知责任人",中间那段最耗时的路,报表不管。
所以对工厂来说,真正稀缺的不是"再做一个看板",而是让 AI 能够进到 ERP、MES、WMS、供应商网页后台、桌面客户端和共享表格里,把确定性的动作做完,并且做完能核对。这正是系统操作能力要解决的问题。
二、"系统操作能力"到底指什么
可以给它一个工作定义:AI 在企业已有的系统和授权范围内,完成查询、录入、下载、上传、比对、汇总和通知等确定性动作,并在动作完成后回读结果、说明异常的能力。
它不是"AI 会聊天",也不是"AI 会算数",而是"AI 能进到我的工作现场把事办了"。在 Soiawork 的能力框架里,这件事被拆成六层,选型时值得逐层对照:
- 组织业务上下文:管理文件、知识、规则、工作空间和历史任务,让智能体使用的是必要且可追溯的信息,而不是凭感觉发挥。
- 连接业务现场:通过连接器接入系统与网页,通过设备(Soia Worker)操作本机上的桌面软件,通过文件空间处理表格与附件,让 AI 真正进入现有工作环境。
- 组织解决方法:把通用能力、行业方法和具体系统操作沉淀为技能,一次跑通的方法,团队可以复用,而不是每个项目重来一遍。
- 完成业务任务:组合 AI 判断、确定性处理和人工协作,从目标推进到报告、记录、通知或待办。
- 持续运行:把任务配置成按时间、事件或系统请求触发的自动任务,让高频工作按明确规则持续发生。
- 经营运行结果:记录任务、过程、产物、异常、人工介入和成本,让企业能够核对、复盘并改进。
这六层里,最容易被选型时忽略的是第二层和第六层——进不去现场,AI 就只是个更聪明的报表工具;没有运行记录,出了问题就说不清楚。
三、工厂AI选型的六个硬指标
把上面的框架翻译成可以问出口的问题,大致是这六条。
指标一:连接覆盖面够不够宽
- 工厂的系统往往不是一套,而是十几套:ERP、MES、WMS、SRM、QMS、设备采集、供应商门户、物流跟踪页、老旧的单机软件。
- 选型时要问的不是"支持哪些系统",而是"没有标准接口的系统怎么办"。有接口的走连接器,没接口的网页后台能不能操作,只能装在本机的客户端能不能通过设备(Soia Worker)驱动。
- 只覆盖有 API 的系统,等于只覆盖了工厂一半的现实。
指标二:权限边界能不能收得住
- 账号用谁的、能读还是能写、能写到哪一步,必须在配置层就能划定,而不是靠"口头约定"。
- 合理的做法是从只读开始:先让 AI 汇总、比对、提示,确认稳定后再开放受控写入。
- 权限不是一次性设置,而是随任务范围变化持续维护的,选型时要看这套边界是否可配置、可审计。
指标三:操作完能不能回读核对
这是区分"演示"和"可用"的分水岭。
- 写完一条记录,能不能重新查一遍确认落库;发完一条通知,能不能确认送达;改完一个状态,能不能比对改动前后的差异。
- 在 Soiawork 中,任务的结果、来源明细和人工事项是同时交付的,而不是只给一个"已完成"。
指标四:出错时能不能停下来找人
- 工厂里最怕的不是 AI 干得慢,而是 AI 干错了还一路往下干。
- 要看有没有明确的异常出口:数据缺失、格式不符、权限不足、系统报错时,是继续猜,还是停下来生成一条待人工处理的事项。
- 人工确认点应该是可配置的,比如"写入前必须由班组或主管确认",而不是产品说没有就没有。
指标五:有效方法能不能被复用
- 一个工厂里,"从供应商门户下载对账单并核对差异"这种事,往往有五个采购员在做,做法各不相同。
- 如果每次都要重新搭一遍,成本永远降不下来。方法需要沉淀为技能,让跑通一次的流程成为团队资产。
指标六:运行过程能不能被复盘
- 任务什么时候跑的、跑了多久、用了什么数据、产出了什么、哪一步人工介入了、失败在哪,这些记录决定了 AI 能不能被管理。
- 没有运行记录,AI 就是一个黑箱;有记录,它才是一个可以被考核、被优化的工作单元。
四、从哪类任务开始试:四类优先场景
制造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、文件和表格中,很多工作仍依赖员工反复查询、搬运、核对、汇总和通知。适合先拿来做验证的,通常是这四类:
- 供应链巡检:核对供应商、采购、库存、在途和交付信息,交付差异清单、风险摘要和待处理事项。这类任务输入清楚、结果可核对,适合以只读方式起步。
- 报表汇总:从多个系统和文件收集数据,按统一口径整理,产出日报、周报、经营摘要和来源明细。这是最接近传统报表的一类,但差别在于数据是 AI 自己去取的,而不是等人喂。
- 老系统数据搬运:在缺少稳定接口的系统之间查询、录入和同步,交付更新后的记录、处理结果和失败清单。这类任务最能体现系统操作能力的价值,也最需要权限边界和回读机制。
- 异常通知:持续检查业务状态、数据变化和任务失败,交付异常说明、影响范围、责任人和处理入口。
判断一项任务适不适合先做,有五个朴素的标准:每日或每周重复发生;输入、结果、时限和验收人清楚;需要跨系统、网页、桌面软件、文件或表格协作;当前人工耗时、错误和等待可测量;可以从读取、汇总和提醒开始控制风险。五条都满足,就是好的试点;只满足一两条,往往会在第三周卡住。
五、一个具体场景:生产报工核对
以制造现场最常见的生产报工为例,可以看清"报表能力"和"系统操作能力"的差别在哪里。
现场的实际流程通常是:班组先记纸单或现场表格,再由文员录入 MES、ERP。工单号、批次或数量一旦填错,系统进度就可能和现场对不上。到了月底,财务要凭证、计划要排产,都得先回来处理这批"对不上"的数据。
在 Soiawork 的场景设计中,这类任务的路径是四步:
- 汇总现场报工:归集纸单、表格与系统中的报工记录,形成同一口径的底表。
- 按维度核对:按工单、工序、设备和批次比对数量,而不是只比总数。
- 标出异常:漏报、重复报工、合格数不匹配单独列出,定位到具体工单。
- 确认后写入:经班组或主管确认,在授权范围内写入系统并回读结果。
这里有三点值得选型时特别注意:核对是按多维度的,不是简单加总;异常是分类列出的,不是一句"有差异";写入前保留确认记录,写入后回读。这三件事,靠一个报表工具是做不出来的,靠一个只会聊天的助手也做不出来。
六、把操作范围画清楚:四个决策层级
系统操作能力越强,越需要提前说清楚"AI 可以做到哪一步"。比较实用的做法是把任务分成四层,不同层级配不同的授权方式。
- 信息提供:AI 汇集事实和来源,判断由负责人作出。例如经营数据摘要、供应商状态汇总。风险最低,适合所有任务的起点。
- 建议判断:AI 给出原因、影响和行动选项,由人决定。例如补货优先级、异常处理顺序。
- 受控执行:人确认范围后,系统执行明确动作。例如批量更新状态、发送已确认的通知、写入核对后的报工数据。
- 规则内自动执行:在稳定规则和明确上限内持续运行。例如定时报表、只读巡检、低风险提醒。
企业可以从信息提供和建议判断开始,根据真实结果逐步扩大执行范围。需要强调的是:AI 可以缩短信息准备的时间,但决策权仍需靠近问题,并由人承担最终责任。涉及质量责任、生产控制、资金和账号权限等高风险影响时,必须由授权人员确认。这条边界不是能力的妥协,而是工厂愿意把 AI 用下去的前提。
顺带说一句,系统操作能力在技术上是否成熟,是有公开基准可以参照的。OSWorld 是评估智能体在真实计算机环境中完成桌面任务成功率的基准,据实在智能 2026 年 7 月公布的数据,其产品在该基准上的任务成功率为 90.2%。这类指标不能直接换算成你工厂的落地效果,但可以作为判断"这类能力是否已经过了演示阶段"的一个参考。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,这些是可以核对的背景信息。
七、一份可以直接拿去问的选型清单
如果要把上面的内容压缩成一份会议材料,可以用下面这十个问题去问供应商,也可以用来自查现有方案。
- 我们工厂里没有 API 的老系统和桌面客户端,你们怎么进去操作?
- 账号权限是只读还是可写?能不能按任务、按系统分别设置?
- 写入之后怎么证明写对了?有没有回读和前后比对?
- 遇到数据缺失、格式不符、系统报错,是继续执行还是停下来生成待办?
- 人工确认点能不能配置?确认记录保留多久?
- 跑通一次的流程,能不能存成技能给别的班组复用?
- 能不能按时间或事件自动触发?失败会怎么通知?
- 一次任务用了哪些数据、哪一步人工介入,能不能查到?
- 如果下个月业务规则变了,改配置还是要重新开发?
- 第一个试点任务,多久能看到可核对的结果?
在 Soiawork 中,这些问题的答案大体对应到连接器、设备(Soia Worker)、文件空间、知识库、技能、工作流和自动任务这几类能力上:连接器负责取数,知识库负责查依据,设备负责操作本机软件,技能负责复用方法,工作流把步骤固定下来,自动任务负责按时运行,运行记录则让整个过程可以被复盘。
结语
回到选型本身:工厂AI选型:报表能力之外,还要看系统操作能力,本质上是在问一个问题——你希望 AI 只是一个更漂亮的仪表盘,还是一个能进到系统里把重复工作接过去的同事。建议不要一上来就铺开,而是从一项每天或每周都在重复、输入输出清楚、有人验收的工作开始试跑;跑完先核对结果和异常清单,确认它对得上现场、错了能停住,再决定要不要扩大到第二条产线、第二个部门。智能是一点点长出来的。
常见问题解答
1. 引入系统操作能力,是不是要改造现有 ERP、MES?
通常不需要。方向上优先做"外挂式"接入:有接口的通过连接器对接,没有接口的通过网页操作或设备(Soia Worker)驱动本机客户端,数据交换走文件空间和表格。这样做的代价是对界面变化比较敏感,需要有人维护;好处是不动核心系统、上线周期短、出问题容易回退。如果某个动作长期高频且规则极其稳定,再评估是否值得让原厂开接口。
2. 数据和权限怎么控制?
三个层面:账号层用独立的最小权限账号,能只读就不给写;任务层按任务类型划定可访问的系统和数据范围,敏感字段可脱敏;运行层保留任务记录、操作日志和人工确认痕迹,管理员可查、可停、可回收。建议第一期只开只读权限,用两三周确认 AI 取数口径和现场一致,再讨论受控写入。
3. AI 操作错了谁负责?
责任链条要提前写清楚,而不是出事再讨论。通常的分工是:业务负责人确认目标、范围、规则和完成标准;一线人员提供样例、做现场判断、验收结果和异常;IT 确认系统条件、账号范围和连接方式;AI 在授权范围内取信息、执行确定步骤、整理结果并说明异常。涉及质量责任、生产控制、资金和入账的动作,最终由授权人员确认。AI 承担的是执行和记录,不是责任主体。
4. 它和现有的 RPA、BI 是什么关系?
三者定位不同:BI 解决"看见",把已有数据变成洞察;RPA 解决"重复动作的固定执行",适合规则极其稳定的流程;具备系统操作能力的 AI 智能体解决的是"在变化的环境里把一件事从头做到尾",包括读不懂的页面、对不齐的口径、需要判断的异常。实践中三者常常并存:AI 取来的数据喂给 BI,稳定的确定性步骤交给自动化执行,判断和异常处理留给人。选型时不必二选一,但要想清楚哪一层是你的瓶颈。
5. 从哪个场景开始最稳妥?
优先选同时满足这几条的任务:高频重复、跨系统、结果可核对、错了能停下来、不直接触达资金和质量放行。供应链巡检、报表汇总、老系统数据搬运、异常通知这四类通常符合条件,其中"只读巡检 + 异常清单"风险最低,最容易在两周内跑出可核对的结果。等到团队对 AI 的产出有了稳定的信任,再往写入和自动执行推进。



