AI Agent＂入职＂车间:亿咖通把预测准确率从75%干到91.5%

工业AI | 供应链管理 | 数字化转型

去年2月，杭州富阳。

亿咖通的SMT车间刚接到一个紧急工单——客户催货，系统显示物料齐套。计划员刚要松口气，仓库的电话打过来了。

“这款料，账上有数，库位没货。”

接下来的30分钟，所有人都在打电话、翻群聊、查系统。最后拼出来的不是一张物料清单，而是一张触目惊心的“盲区地图”——

仓库说自己是按实物发的货，采购说自己是按计划买的，计划说自己是按预测排的。每个人都没有错，但整条产线卡住了。

这不是亿咖通一家的问题。这是中国制造业工厂里，每天都在上演的”信息孤岛”困局。

---

📍 一、产线上的隐形杀手：不是没料，是”看不见”料

在亿咖通的智能制造中心，月产能1.5万套车载智能终端，产品是智能座舱、驾驶计算平台这样的汽车电子硬件。

这类产品的供应链，复杂到让人头疼：

一个产品涉及数百种电子元器件，规格型号繁多，从贴片电阻到车规级芯片，每一种都来自不同供应商。全球多地上游协同，一个环节掉链子，整条产线都要停。

传统的管理模式，是典型的“救火模式”：

问题出现了 → 人发现了 → 上报 → 协调 → 解决

信息层层传递，损耗、延迟，等到领导层知晓时，最佳干预时机早已错过。一条产线停线一小时，损失可能高达数万元。

亿咖通供应链团队的负责人回忆说，那次30分钟的”缺料危机”暴露了一个根本问题：

“仓库、计划、采购、生产，每个人都在按自己的逻辑跑。但他们之间，没有一条’实时对齐’的链路。”

系统里数据是数据，库位里实物是实物，工位上真正需要的，和仓库里实际有的，往往对不上号。

这就是制造业最头疼的“信息孤岛”——不是没有系统，而是系统之间”鸡犬之声相闻，老死不相往来”。

---

📍 二、不买系统搭”桥梁”：让数据自己”跑”起来

传统的解法是什么？上ERP，上MES，上各种”一体化平台”。

但亿咖通没有走这条路。

他们的思路很朴素：不是在系统里再造系统，而是给现有系统搭一座”桥梁”。

具体怎么做？

他们用AI Agent作为中间层，把前端预测结果与库存实时对齐。每一个物料的库存水位、周转状态、呆滞风险、缺料情况，全部一目了然。

更重要的是，这个AI助手会主动说话——

每天早上，它自动推送当天的”作战地图”：

💡 哪些料有缺口，要立即补货

💡 哪些工单有风险，要优先处理

💡 下一步应该做什么，给出具体建议

不是人去找问题，是问题自己浮出来。

亿咖通的团队把这个AI助手叫“拿铁”。

这个名字背后有个小故事：最初做测试的时候，团队成员天天讨论这个项目，”咖啡续命”成了常态。于是有人开玩笑说，”就叫’拿铁’吧，让它给大家提提神。”

没想到，这个名字就这么定了下来。

---

📍 三、数据说话：把”玄学”变成”科学”

“拿铁”上岗之后，变化是肉眼可见的。

预测准确率：从75%到91.5%

在制造业，需求预测一直是个”玄学”。市场波动、客户变更、供应链扰动……各种变量交织在一起，预测准了是运气，预测错了是常态。

亿咖通以前的预测准确率，大概在75%左右。这意味着，每4次预测就有1次偏差较大，要么备多了积压，要么备少了缺货。

“拿铁”接入之后，通过实时对齐销售预测、生产计划、库存数据、物流状态，让预测模型能够不断自我修正。预测准确率从75%一路提升到91.5%。

库存周转：从65天到27天

库存周转天数是制造业的”生死线”。周转越快，现金流越健康；周转越慢，仓库里积压的可能都是钱。

亿咖通的库存周转天数，从原来的65天缩短到27天，降幅高达58.5%。

这是什么概念？

相当于仓库里的库存减半，释放出上亿元的现金流。

超额备货积压风险：降低22.61%

以前为了保交付，常常过度备货。结果料是有了，但用不完，变成”死库存”，资金大量沉淀。

现在有了”拿铁”的精准预警，备货更加科学，既不断料，也不积压。

端到端协同效率：提升90%

从销售预测到物料采购，从生产排程到成品交付，整个链条的协同效率提升了将近一倍。以前需要人工反复确认、反复协调的事情，现在系统自动搞定。

信息化建设成本：降低70%以上

没有推翻重建，没有漫长的定制开发周期。亿咖通通过AI Agent搭”桥梁”的方式，节省了8到12个月的开发周期，省下了200多万的商业定制费用。

---

📍 四、他们不是程序员：但他们用提示词搭出了企业级智能体

故事到这里，数据很漂亮。但真正让人动容的，是做这件事的人。

亿咖通供应链团队的两个核心成员——孙迪和胡建——都不是程序员。

孙迪是供应链计划出身，懂业务，懂流程，懂工厂里那些弯弯绕绕的人情世故。

胡建做数据分析出身，会跟数据打交道，但代码写得不多。

他们是怎么做出这个企业级AI Agent的？

答案出乎意料：提示词。

就像写 Prompt 让 AI 画图、写文章一样，他们用自然语言，把业务流程”翻译”给AI听。

“每天早上8点，扫描所有在途订单和库存水位，识别出未来7天内可能缺料的物料，按照优先级排序推送给相关责任人。”

这样的指令，孙迪写了不下100版。

每一版都在跟AI”对话”中迭代：这个表达AI理解偏了，那个条件没覆盖全，这个阈值设高了预警太多……

“调提示词比调代码还累。” 孙迪笑着说，“但好处是，你不需要懂编程，你只需要懂业务。”

胡建负责的是数据层面的”翻译”工作。他把老师傅的经验、行业的通行规则、亿咖通特有的业务逻辑，一点一点转化成AI能理解的”语言”。

“工厂里的知识，很多是老工人的隐性经验。比如这个料要提前多久备，那个供应商偶尔会延期，哪些产品换线特别麻烦……这些东西以前只有人知道，现在可以让AI也’记住’。”

他们没有买市面上现成的供应链系统，没有找外包团队开发，没有推翻现有的ERP重来。

他们用现成的AI工具，加上对业务的深刻理解，自己搭了一个智能体。

孙迪说，团队内部有个玩笑：“以前我们是被系统推着走，现在是我们推着系统走。”

---

📍 五、工厂里最值钱的，不再只是机器

亿咖通的故事，有意思的地方在于，它没有讲什么”AI替代人类”的大叙事。

相反，它讲的是：一个懂业务的人，加上一个好用的AI工具，能释放出多大的能量。

孙迪不是程序员，但他懂供应链。他知道什么时候该备料、该备多少、该催谁。

胡建不是架构师，但他懂数据。他知道哪些数据要打通、哪些规则要写进去、哪些异常要特别关注。

他们两个人，用几个月时间，做出了一个服务亚太5个业务中心、320个日活用户的企业级应用。

这不是AI的胜利，是”人+AI”的胜利。

东风康明斯的故事可以作为印证：一位工程师看到”养殖场用大模型数猪”的新闻，突发奇想——它能数猪，为什么不能看懂发动机零件？于是用提示词让AI去识别连杆配对码，第一轮测试准确率就达到95%。

后来他们发现，错装零件必有裂痕，于是又加入裂痕检测，形成”三道保险”。9个月跑了20万张图，准确率稳定在99.5%以上，零漏检，单张检测成本仅5厘钱。

“工业AI真正的核心，从来不是算力和模型，而是你能不能把老师傅的经验，翻译成机器能听懂的规则。” 东风康明斯的工程师巢正坤说。

---

📍 六、未来工厂最值钱的，是”懂AI怎么用”的人

回到亿咖通。

杭州富阳的吉咖汽车电子智能制造中心，按照工业4.0标准建设，配备国际领先的SMT生产线，月产能1.5万套。

在这样一座高度自动化的工厂里，最值钱的资产是什么？

不是贴片机，不是机械臂，不是那套价值不菲的ERP系统。

是孙迪、胡建这样的员工——他们懂业务，懂流程，懂AI能做什么、不能做什么。

他们不是程序员，但他们能用提示词搭智能体。

他们不是数据科学家，但他们能让数据”开口说话”。

他们不是项目经理，但他们能定义需求、推动落地、持续迭代。

当车间工人也能成为AI开发者，当业务人员也能驾驭AI工具，制造业的数字化转型，才真正从”技术驱动”变成”人驱动”。

这不是预测，这是正在发生的事情。

亿咖通用自己的实践证明了：AI Agent不是大企业的专利，中小型工厂的普通人，也能用AI改变自己的工作。

未来工厂里，最值钱的，不再只是操作精密仪器的技术工人。

是那些”懂AI怎么用”的人。

💡 核心结论

工业AI真正的核心，从来不是算力和模型，而是你能不能把业务经验翻译成机器能听懂的规则。懂业务的人 + 好用的AI工具 = 释放巨大能量。

📌 关注我，持续分享工业AI、供应链管理、数字化转型干货

💬 互动话题

在你的工作场景中，有哪些重复性的”信息传递”工作，占用了大量时间却价值不高？你想过用AI来自动化这些工作吗？

🤖 扫码体验智能问答

获取更多制造业管理干货

参考资料

[1] 新华网、环球网、央广网等权威媒体报道[2] 2026飞书AI先锋大赛·先进制造专场决赛案例[3] 亿咖通SMT车间智能制造实践案例