过去的一周，制造业 AI 应用几件事：汉诺威工博会是一个集中窗口。SAP 在展会上讲制造与供应链里的 AI Agent，ServiceNow 发布面向制造业价值链的 AI 原生方案，IFS 推出 Agent Studio，国内也有软件谷与中国信通院共建数字员工供给体系的消息。放在一起看，有一个小变化挺值得注意：AI 不只是停在“会不会回答问题”，而是在慢慢给自己找具体的“工作位”。AI工位上可能是计划、派工、备件、质检、工单、知识、运维、服务进度提醒，也可能只是某个岗位里一段很小但每天重复发生的工作。目前看 AI 能不能真正进入企业已经是大家开始挤的赛道了。1.汉诺威工博会：AI 开始往工业现场里走这一周，汉诺威工博会上的工业 AI 味道很浓。SAP 在展会上介绍了制造和供应链方向的 AI Agent，重点放在计划、服务、运营等流程里，目标是帮助企业提升韧性、效率和服务水平。SAP 的说法里有一个关键词很值得看：不是单纯“分析”，而是把 AI Agent 嵌进制造和供应链工作流里。(SAP News Center)ServiceNow 也在同一周发布了面向制造业价值链的 AI 原生方案，覆盖质量、保修欺诈、订单运营、复杂报价等环节。它的表述是帮助缩小“工厂现场”和“前端业务”之间的断层。(ServiceNow Newsroom)这类动作的意思，不是 AI 又多了几个新功能。是企业软件公司正在把 AI 往更具体的业务位置里放。过去我们常见的 AI，是一个聊天框。人在外面问，它在里面答。现在越来越多的动作，是把 AI 放到流程中间：
计划出了问题，它能不能提醒？
服务水平下降，它能不能发现？
工单缺信息，它能不能补齐？
质量异常出现，它能不能串起上下游？
前端客户问题和后端生产、库存、服务能不能连起来？
AI 如果进入流程节点，它才开始像一段新的工作能力。2.“数字员工”这个词，开始变得具体了一点这周 IFS 发布 Loops Agent Studio，也推出面向工业运营的 Digital Workers。它有个值得注意的表达：企业可以设置上下文、定义流程、设计动作，先安全测试，再把定制数字员工部署到生产环境；平台还支持结果监控、异常监控、绩效指标、治理护栏和审计。(PR Newswire)这件事有意思的地方，不在于“又一个 Agent Studio”。而是它把数字员工讲得更像一个可管理的工作角色，而不只是一个会聊天的助手。国内也有相似信号。中国南京软件谷与中国信通院拟共建标准化数字员工供给体系，合作方向提到产业研究、跨境电商、制造运维等高频场景。(Xinhua News Agency)“制造运维”这个词放在这里，挺值得注意。它不是一个很光鲜的词，但很真实。制造业里大量 AI 机会，可能不是从最炫的场景开始，而是从这些有点“粗粝”的地方开始：
设备出了问题，先看一眼；
客户报了故障，先接一下；
工单缺了信息，先补一下；
工程师处理完，先整理一下；
同类问题再来，先复用一次；
服务进度卡住，先提醒一下。
这些工作听起来不大，但它们每天发生。而且今天很多企业正是卡在这些地方。所以数字员工真正变得有意义，可能不是因为它被叫作“员工”，而是它终于开始有了具体分工。3.这周最值得看的，不是“AI 更聪明”，而是“AI 被放在哪里”深入来看我觉得这一周最值得思考的问题，还不是：这个 AI 到底有多强？而是：这个 AI 被放在工作的哪个位置？位置不同，价值完全不同。比如：放在客户咨询入口，它解决的是“谁先接住”。放在工单前面，它解决的是“信息是否完整”。放在派工环节，它解决的是“谁更适合处理”。放在知识环节，它解决的是“经验能不能复用”。放在主管视图，它解决的是“哪些问题正在失控”。这比笼统说“AI 提效”更具体。企业里很多事情不是没有系统，也不是没有数据，而是这些系统和数据没有自然变成下一步动作。客户的问题进来了，但背景不完整。工程师处理了，但经验没沉淀。专家判断过了，但下次还要重新问。工单关闭了，但客户有没有满意，不一定知道。所以 AI 的价值，不一定是一上来改变整个组织。它可能先是在一个个很小的位置上，把原来容易断掉的工作接一下。这件事不够宏大，但足够现实。4.现场服务，是一个很值得继续看的位置这一周的线索里，现场服务值得单独记一下。IFS 的 Digital Workers 面向工业运营，强调可以定制并部署到生产环境，还能监控运营结果、异常和绩效指标。(PR Newswire) ServiceNow 的制造业方案里，也把质量、保修、订单、报价这些环节放在一个制造价值链里看，强调连接工厂现场和前端业务。现场服务为什么重要？因为它既靠人，又靠知识；既有流程，又有大量例外；既影响客户体验，也影响成本和收入。一个普通的现场服务问题，背后可能同时涉及：
客户是谁；
设备是什么型号；
之前有没有报过同类问题；
当前有没有备件；
哪个工程师有经验；
……
这些信息分散在不同地方。如果靠人硬接，效率会很受限。如果 AI 能先接住一段，哪怕只是收集信息、初步分类、查找知识、提醒进度，也可能有价值。这也是为什么现场服务、制造运维、知识复用、派工调度这类场景，可能比很多宏大的 AI 叙事更值得看。它们离真实业务更近。5.AI 开始能做事以后，治理就不再是附属问题还有一个信号也值得放进本周观察里。中国信通院近期发布可信 AI 智能体评估体系 2.0，覆盖智能体基础设施、数据资源、核心组件、平台支撑、关键能力、典型应用、运营管理和价值评价等八个维度。这个框架里不只是看智能体“能不能做”，也看它能不能被开发、测试、运营、优化和评价。(Anfang News)这说明一个很朴素的事情：AI 一旦开始做事，就不能只看能力，也要看边界。当 AI 只是回答问题，最主要的风险是答错。当 AI 能调用系统、推进流程、触发动作，风险就变成了越权、误操作、遗漏、误判，以及责任不清。所以，越是接近真实业务，越不能只看演示效果。这也是企业级 AI 和个人 AI 很大的不同。个人用 AI，可以先试起来。企业用 AI，尤其是放进客户服务、制造运维、供应链、质量、订单这些流程里，就必须回答几个问题：
它能看什么数据？
它能做什么动作？
哪些动作必须人确认？
出错后谁负责？
……
这些问题不热闹，但决定 AI 能不能真正留下来。如果用一句话记下这一周，我会写：AI 正在从“能力展示”走向“工作安放”。它不只是要证明自己会回答、会生成、会推理。它还要证明自己能被放进企业某一段真实工作里，并且稳定地帮这段工作变好。这段工作不一定大。可能只是工单补齐，可能只是知识查询，可能只是服务进度同步，可能只是备件核对。但这些小工作，本来就是企业运行的毛细血管。过去我们看 AI，容易看大模型、大平台、大参数。现在也许要多看一眼这些小位置：
夜雨聆风
