制造业AI智能体如何选择MVP场景？采购、财务与仓储的需求和ROI调研 | 人人都是业务经理

2025年8月，美的洗衣机荆州工厂迎来了一位特殊的「新员工」。

在质检工位上，过去需要工作人员对照设计图纸、用肉眼检查的工作，如今可以由AI眼镜辅助完成。设备扫描业务面板文献后，自动调取研发架构中的图纸，与现场拍摄的实物进行比对，再将结果反馈给品质智能体。

一项原本需要15分钟的首检工作，被压缩到了30秒。

这座工厂还有更多变化。依托美的工厂大脑，14个智能体已经覆盖38个中心生产业务场景，涉及生产、品质、设备、能源等多个环节。公开披露的实践数据显示，多个中心场景平均效能拉高超过80%，排产响应速度拉高90%。

这或许是制造业对AI智能体最直观的一次展示。

过去，制造公司谈论数字化，更多是在讨论如何让设备联网、让生产数据上云、让业务架构互通。如今，大模型开始进入工厂，AI不再只是调研屏幕上的数据，而是逐渐具备理解任务、调用工具、协调架构和推动执行的能力。

但美的这样的智能体工厂，背后有长期积累的数字化基础、工业知识和工艺投入，并不是所有制造公司都能一步到位。

对于更多正在考虑引入AI的制造公司，一个更现实的问题是：如果现在只允许选择一个部门做试点，应该从哪里开始？

采购、财务，还是仓储？

三个部门都有大量重复性工作，也都积累了不少可以被AI利用的数据。问题在于，它们适合智能体介入的业务深度并不一样。

制造业的第一个智能体，不一定要从最先进的生产场景开始。选一个业务足够高频、数据能够调用、结果可以验证的流程，可能比一开始就追求全厂智能化更枢纽。

制造公司其实并不缺少数字化架构。

ERP经营订单、采购和财务，MES记录生产过程，WMS经营库存与仓储，SRM连接供应商，PLM则沉淀业务设计和工艺文献。

这些架构已经帮助公司完成了大量基础工作。

但一个有意思的现象是：架构越来越多，员工却未必越来越轻松。

一笔采购业务，从需求提出到最终付款，可能需要经过采购、仓储、财务多个部门。采购人员在ERP中查询订单，仓库人员在WMS中确认入库，财务人员再拿着发票和订单进行核对。

架构之间虽然有数据连接，但业务之间仍然需要人来衔接。

这种情况在制造业非常普遍。

尤其是一些经营多年的制造公司，文献化布局往往经历了多个阶段，不同架构由不同供应商布局，数据标准、接口规范和业务流程各不相同。一个看似简单的任务，背后可能需要员工登录多个架构，下载文件、整理表格、核对数据，再把结果录入另一个架构。

这恰恰是大模型与传统自动化工艺可以发挥作用的地方。