智能体进厂：制造业AI落地卡在数据，不在算法

过去一年，制造业老板的会议桌上出现频率最高的词，从「数字化」换成了「智能体」。供应商演示得很漂亮：排产自动调整、质检自动判定、设备自动报修。但把镜头拉到车间，真正稳定跑起来的产线并不多。多数项目停在一条样板线上做演示，真要复制到第二条线，就推不动了。问题很少出在算法，绝大多数出在数据和流程。

卡点一：工艺知识不在系统里，在老师傅的脑子里。制造业最值钱的经验，是「这批料要降三度、这道工序要多走二十秒」这类判断，它们从没被写进任何表单。智能体要接管决策，前提是这些隐性知识变成可读的参数。现实是，很多企业上了系统，却仍靠班组长口头指令调机，系统里只有结果数据，没有过程逻辑。数据不全，模型再强也只能猜。一家汽车零部件企业的做法值得参考：花了半年时间，把老师傅的调机经验逐条录成参数表，笨功夫做在前面，后面所有智能化动作才站得住。这也是不少制造企业主在研修班课堂上交换出的第一个共识——数据不在系统里，就得先花力气搬进去。

卡点二：算法团队盯准确率，产线盯良率和换线时间。这是最容易被忽略的一层摩擦。技术团队的考核是模型精度，车间主任的考核是当班产出和废品率。模型准确率从九成二提到九成五，在技术侧是巨大进步，在产线侧可能只意味着「又要停线调试两小时」。两套指标不同频，项目就会在验收环节反复拉扯。跑通的做法是把模型指标翻译成经营指标：这套系统上线后，换线时间缩短多少分钟、单班良率提升几个点、几个人从重复检验岗位转出来。指标对齐了，预算才批得下来。

卡点三：先买设备再理流程，顺序反了。不少企业的动作是先采购一套带AI功能的产线设备，再回头想怎么用。结果设备能力用不到三成，流程还是老流程，数据依旧孤岛。更有效的顺序是反过来的：先选一条痛点最清楚的产线，把目标写成可量化的经营指标，再看需要什么数据、什么系统、什么设备。选样板线的标准也不复杂——问题足够痛、边界足够清楚、负责人足够有话语权，三条都满足再动手。

给企业主一份推进清单：第一，把一条产线的工艺知识显性化，别贪多；第二，把AI项目的验收指标写成经营语言，而不是技术参数；第三，样板线跑通后再谈复制，复制的是流程不是软件。这三步听着不性感，却是把演示变成利润的唯一路径。要把这套逻辑系统补起来，生产管理与智能制造高级研修班从产线管理讲到智能制造落地，需要连组织与数据治理一起动的，清大厚德AI与企业数智化工商管理卓越总裁班更对症，想看AI在产业层面完整链条的，可参考中国AI产业应用鲲鹏千人计划的课程设计。

说到底，智能体不是买来的能力，是整理出来的能力。清华总裁班课堂上有个反复出现的判断：制造业这一轮AI竞争，赢家不是算法最强的，是把车间讲清楚了的那家。当各类研修班和EMBA课程都在加制造模块，说明高管培训的重心已经从「要不要上AI」转到「怎么让AI真的进车间」——这个转向本身，就是行业的分水岭。