制造企业做 AI：从问答入口到排产、质检、仓储的智能闭环
很多已完成信息化建设的制造企业，往往拥有 ERP、MES、QMS、WMS、SRM、PDM 等多个系统。但到生产现场，仍然会反复遇到三类典型问题：排产依赖经验，质量问题追溯慢，仓储与生产协同滞
这也是制造业 AI 落地的一个常见矛盾：企业并不缺系统，缺的是跨系统理解、跨流程协同和跨岗位执行。
如果 AI 不能读取生产计划、理解质量异常、关联库存状态、生成处置建议，并推动责任人确认，它很难从“资料查询工具”真正变成经营辅助能力。
因此，对制造企业而言，AI 智能体的价值不在于“会不会聊天”，而在于能否围绕排产、质检、仓储和供应链形成可闭环的协同能力。
一、为什么排产、质检、仓储适合先做智能体试点
1. 天然跨部门
排产：需要订单、产能、设备、工艺、物料、交期
质检：需要检测结果 + 批次、工序、供应商、历史异常
仓储：需要库存 + 采购、生产、发货、盘点联动
2. 数据相对明确
订单、BOM、工艺路线、检验标准、异常记录、库存流水等，通常已存在于 ERP/MES/QMS/WMS/SRM 或表格中。完成数据清洗、权限分层和知识抽取后，可以形成较清晰的企业知识底座。
3. 容易衡量效果
排产：计划调整效率、交期风险识别速度
质检：问题定位效率、重复异常下降率
仓储：库存准确率、缺料预警、呆滞料识别
图 1：排产、生产、质检、仓储与供应链的 AI 智能体闭环
二、AI 智能体如何接入数字工厂
一个可落地的制造业 AI 智能体，不建议绕开现有系统另建孤岛，而应作为数字工厂的智能执行层。
典型结构是：底层是企业数据与可信数据底座 → 中间是大模型服务、检索增强与企业知识图谱 → 上层是面向岗位和流程的智能体，并与 ERP、MES、QMS、WMS 等系统集成。
排产场景
智能体读取订单优先级、物料齐套、设备状态、工艺约束和历史交付数据，识别延期风险并生成计划调整建议，推送给计划员确认。质检场景
关联检验标准、工艺文件、历史异常、供应商批次，辅助定位异常原因，生成处置清单（复检 / 隔离 / 返工 / 供应商协同）。仓储场景
结合库存、生产需求、采购在途、呆滞料规则，做缺料预警、库位建议、补货优先级排序。
图 2：制造业大模型本地化部署与业务系统集成架构
三、本地化部署的价值：进内网、读数据、接系统
制造企业对数据安全、内网环境、系统稳定性要求较高。工艺资料、订单、供应链价格、质量异常、生产计划等都有敏感性。
如果 AI 仅依赖外部通用工具，可能在数据出域、权限审计、系统接入、长期成本上遇到限制。
本地化部署（或私有化部署）的意义不只是“把模型放本地”，更在于把模型服务 + 知识库 + 权限体系 + 日志审计 + 系统集成纳入一套可控架构中，使 AI 能在合规、安全的前提下参与真实业务。
一个常见折中路径：
轻量知识问答、公开资料分析 → 先用云端模型验证
涉及生产计划、质量追溯、供应链协同、系统写回 → 逐步评估本地/混合/私有化部署
图 3：数字工厂场景中的 AI 辅助决策与协同
四、一个可参考的落地路线
选一个边界清晰的制造场景
例如：排产异常预警、质量异常归因、缺料预警、库存盘点解释、工艺文件问答。明确输入、输出、责任人、验收标准。梳理数据和系统接口
明确数据来源、可信度、权限边界、哪些只能读、哪些可写回、哪些必须人工确认。建设可信数据底座与知识库
不仅是制度文档，还包括：工艺路线、检验规范、异常经验、设备台账、供应商记录、历史订单。结构化 + 标签化 + 权限化。部署智能体并接入系统
智能体需要能：理解任务 → 检索知识 → 调用工具 → 生成建议 → 触发流程 → 记录结果。通常会涉及 ERP/MES/QMS/WMS/SRM 集成。持续运营与扩展
上线后持续补充知识、优化提示词、调整工具规则、扩展数据字段、完善权限策略。
图 4：制造企业 AI 智能体从评估到运营的五步路线
五、几个具体的决策参考
数字化基础尚不扎实：先评估主数据、生产数据、质量数据、仓储数据的可用性。AI 会放大数据混乱的问题，数据底座比模型参数更重要。
已有 ERP/MES/QMS/WMS 等系统：重点评估 AI 与系统的连接方式——是否能在权限范围内读系统、查知识、给建议、触发流程、留下审计记录。
对安全、内网、稳定性有高要求：尽早把本地化部署、私有化模型、知识库与系统集成纳入设计，后期补安全与接口成本更高。
评估服务商/团队：不仅看模型演示，更看是否理解制造流程、具备系统集成能力、能做数据底座与企业智能体，以及是否具备长期响应能力。
图 5：成都制造企业选择 AI 落地服务商的评估维度
结语
制造企业做 AI，一个值得考虑的方向是：把 AI 放进数字工厂的流程中，让它围绕排产、质检、仓储和供应链形成可执行、可追溯、可迭代的智能闭环——而不仅仅是一个会聊天的问答入口。