一、车间里最贵的一段时间，没人管

先说一个几乎所有制造企业都熟悉的画面。

早上八点，班组站会。白板上写着昨天的异常、今天的计划、几条待办。二十分钟后散会，人各回岗位，白板留在原地。那些在会上说清楚的判断、临时定的措施、谁答应去跟进的那件事——大部分留在了空气里。

再换个场景。A 产线的老师傅琢磨出一套更快的换型方法，确实好用。半年后，三百公里外的另一个厂，同一台设备、同一个型号、同一个毛病，另一批人从零开始，又琢磨了一遍。

问题不在于方法不好。每日站会、现场走线、问题解决、标准作业——这些持续改善的仪式本身是有效的，它们已经在创造价值。真正漏掉的，是仪式与仪式之间那段时间。

决定说出口了，但没有被记录；行动达成了，但没有被跟进；一个产线找到了答案，但这个答案没有走到下一个需要它的地方。

制造业过去几十年在机器、自动化、企业系统上投了重金。可真正推动改善的那批人，手里用的仍然是白板、表格、共享盘和自己的记性。

这篇文章的观点来自 Fabriq 联合创始人 Octave Lapeyronie 在 IndustryWeek 播客《Great Question》中的一次对谈，由 Fabriq 内容负责人 Priscilla Brégeon-Minos 整理成文。它的核心主张只有一句：

AI 不替代持续改善。它只是终于给了持续改善一副它早该有的基础设施。

二、这一次不一样的地方，不在诊断，在杠杆

过去二十年，制造业的诊断书几乎没变过：交付压力、成本压力、质量波动、人才断层。变的只是这一次手里多了一件工具。

关键在于：AI 现在能读懂一线本来就会自然产生的东西。

一段站会上的口述，一张随手拍的缺陷照片，一张写得潦草的工单，一条用第二语言录的语音备忘——这些东西过去只存在于现场，进入不了系统，因为录入成本太高。现在它们可以被结构化、被接上相关知识、被推动到下一步。

而这件事发生的时间点很微妙。经验丰富的员工正在退休，他们脑子里的东西从来没被正式记录过。与此同时，能源成本在涨，供应链在波动，制造业回流被反复提起，质量与安全的压力只增不减。

所以机会不是"换掉持续改善系统"，而是让这套系统更灵敏、更连通、更会学习。

三、聊天机器人和智能体，差的不是智商

一个很实用的区分：

聊天机器人等人来问，智能体在工作流里有一份活儿。

想象车间里普通的一天。

早上站会之前，一线主管收到一份他自己不用动手准备的简报：夜班发生了什么，哪些行动逾期了，某个偏差最近几个班次是不是反复出现。

站会上，人一边说，行动一边被记录、被指派。仪式一点没变，仪式周围的行政负担消失了。

下午，一个操作工遇到没见过的设备故障。他录一小段视频，描述现象。他不需要翻文件夹，也不需要在时间压力下凭感觉硬上——系统把另一个厂区同事记录过的处理办法，用他自己的语言递到他面前。

这里有个关键区别：智能体不止于给建议。 它会把后续准备好，把行动创建出来，把相关知识连上，把结果写回工作流——同时把决定权留给人。

检验一套 AI 到底有没有用，有一个很朴素的标准：

它跑完之后，工作里有什么变了？

如果答案是"什么都没变"，那它还只是一个聊天机器人。

四、闭环的四段：看见、行动、沉淀、守效

对谈里把改善闭环拆成四段：Detect、Act、Learn、Ensure。

01 看见｜Detect。 一个制造现场的问题，永远多过任何一个团队能查完的量。AI 能做的是跨班次、跨产线、跨厂区地找规律——比如某个被忽视的角落里，同一个偏差正在安静地反复发生。

02 行动｜Act。 答案可能早就在组织里了，只是不在当事人手上。AI 把已经被验证过的知识，在需要的那一刻递到面对问题的人面前，而不是让他从一张白纸开始。

03 沉淀｜Learn。 一次修复有效，这个结果就该变成公司知识的一部分。下一个人拿到的应该是"验证过确实有效的方案"，而不是又一条没试过的建议。时间长了，一个班组的发现会变成一个共享的标准。

04 守效｜Ensure。 这是改善系统最常漏掉的一段。

行动被标记"完成"，不等于问题被解决。真正该问的是：偏差停了没有？

智能体可以在行动标记完成后继续跟——查这个问题有没有回来，如果回来了，再把它拎回团队的视野里。这一步把重心从"记录活动"挪到"验证改善"。

这句话值得抄在白板上：

关闭一个行动是活动，让问题不再发生才是改善。

五、什么必须留给人，什么该交给智能体

目标从来不是无人工厂，而是真人用更好的支撑去干真活。

判断要留给人。白板前的对话要留给人。改变一个标准的决定、带一个新员工、啃一个真正难的问题——这些都要留给人。

智能体适合干的，恰恰是那些最容易从缝里漏掉的活：把说过的话记下来，把它接上组织已经知道的东西，把下一步准备好，然后过几天回来查一次。

还有一条容易被忽略：信任必须被设计进系统。 智能体的动作应当可见、可归因、可撤回；重要变更仍然要经人复核；标准的控制权必须留在组织手里。

以及一句冷水：AI 能放大一个健康的持续改善文化，但它装不出一套文化。 如果日常的仪式、管理者的习惯、解决问题的纪律本来就不存在，技术不会替你把它们变出来。

六、让知识流动：从"部署了吗"到"还活着吗"

最大的机会之一，是让知识流动起来。

今天，专长往往被困在一个人、一个班次、一条产线、一个工厂里。同一个问题被一批又一批互不知情的人反复解决。

连通的改善系统会改变这件事。新员工拿到的不是一张白纸，而是一个起点。老师傅琢磨出的换型新方法，可以被提报到其他产线——而且署名权仍然归发现它的人。

对管理者来说，变化在于视角的实时性。过去要靠周期性审核才知道某项实践到底落没落地；现在能看到哪些日常在真正运转，哪些正在消退，哪个团队用另一种打法拿到了更好的结果。

问题因此从"部署了吗？"变成了"还活着吗？"

一线有授权，中层有对齐，高层能看清它与经营结果的关系。

七、为什么这件事不止于工厂

生产力从来不只是一个工厂的 KPI。它决定一个工厂还有没有竞争力，决定岗位能不能留在本地社区，也决定制造业回流能不能真的成立。

更好的持续改善，也意味着更好的工作。当员工能快速找到相关知识、提出的想法能走得出去、改进能被记在自己名下，专长就变得更可见、更值钱。

安全和质量同理。一个被早早识别出来的重复偏差，可能就是一个永远不会发生的事故。一个跨厂区共享的验证过的修复方案，能让别的团队不必再踩一次同样的坑。

几十年里，这个行业在机器上投了重金。下一章，或许该同样认真地把钱和注意力投在开机器的人身上。

八、如果换成设备维保车间

把上面这套逻辑搬到设备维保，落点其实很具体：

• 看见：同一台设备三个月内三次同类故障，是不是同一个根因？跨班次、跨厂区的维修记录，人工比对几乎做不完，机器可以做。
• 行动：某台进口设备的报警处理，老师傅有绝招但只在他脑子里。下一次夜班遇到，能不能直接把他的处置步骤递到新手面前？
• 沉淀：一次大修的有效做法，有没有变成下一次的作业标准，而不是留在某个人的笔记本上？
• 守效：维修工单关闭了，设备真的稳了吗？一周后、一个月后，同一个故障有没有回来？

对设备保障来说，"关闭工单"和"设备不再坏"之间的距离，就是这四段闭环要填的距离。

结语

Agentic CI 不是一套新的改善方法论，也不是要把人从闭环里拿掉。它做的是给已有的改善系统补上支撑：把团队知道的东西接住，把问题和验证过的答案连上，再回头确认行动到底有没有带来真正的改变。

人继续解决问题。智能体负责让解决过的东西不丢，让该被看见的东西不被漏掉。

延伸阅读：Fabriq《Agentic CI: The Guide to Agentic Continuous Improvement》 https://fabriq.tech/en/resource/agentic-ci-the-guide-to-agentic-continuous-improvement/

精益的路，我们一起走。让每一分浪费，都有处可去；让每一分投入，都有回报。

|（注：部分内容可能由 AI 生成）