AI Agent进工厂:真需求还是大模型自嗨

2025年叫"AI Agent元年"。

这句话在科技媒体里出现频率极高，以至于任何一家做工业软件的公司，不推出一套"Agent解决方案"，好像就要被时代淘汰了。各大厂商蜂拥而上：工业知识问答Agent、生产调度Agent、设备运维Agent、质检Agent……一口气，似乎工厂里的所有问题，都能被Agent接管。

热闹归热闹，但我在制造业泡了这么多年，有一个本能的反应：

这套说辞，怎么听着这么耳熟？

MES刚火的时候，说的是"上了MES，什么都能管"；工业互联网起来的时候，说的是"万物互联，一切皆可数据化"。每次浪潮来临，工具都被包装成"银弹"。

AI Agent，会是例外吗？

我不敢断言。但有几个问题，是值得认真想一想的。

一、工厂里，AI Agent到底在"管"什么

先把概念说清楚。

AI Agent，中文叫"智能体"。它与传统AI的最大区别在于：传统AI是你问它答，被动响应；Agent则是感知环境、自主决策、自动执行——你给它一个目标，它自己拆解任务、调用工具、持续迭代，直到目标达成。

这个能力放到工厂里，想象空间确实不小。

比如，设备出了问题。传统做法是：工人发现异常→打电话给维修→维修工到场判断→等待备件→检修。中间每一个环节，都在消耗时间。

如果有一套设备运维Agent，它能做什么？它能实时读取设备传感器的数据，主动发现异常信号；自动调取历史维修记录，判断当前故障属于哪种模式；然后直接生成维修工单，推荐最合适的备件库存——整个过程，人只需要确认和执行。

这听起来很美好。研华iFactory平台的设备运维Agent，已在某些工厂落地，据说将故障平均修复时间缩短了40%以上；实在Agent在供应链协同场景里，能自动处理采购单据校验，据说准确率达到95%以上。这些数据，是真实的。

但问题是——

这些数字背后，有多少工厂真正具备了用Agent的前提条件？

二、第一个门槛，大多数工厂还没迈过去

Agent要工作，首先得"看得见"工厂。

设备运行数据在哪？工单数据在哪？质量数据在哪？库存数据在哪？

现实是：中国大量工厂里，这些数据散落在七八套互不相通的老系统里——ERP是ERP的，MES是MES的，WMS是WMS的，设备连着设备自己的SCADA，但彼此之间说不上话。工厂里的数据，不是"贫瘠"，而是严重的孤岛。

信通院的报告里专门点出了这个问题：数据孤岛和算力分配，是制约制造业接入AI的两大基础瓶颈。

Agent再聪明，你让它"感知工厂"，它也得先有数据可感知。连数据都没有，拿什么去感知？

这像什么？像你让一个从未下过厨的人，去管一家餐厅的出品——他可能懂配方，但他闻不到锅气，看不见火候，更不知道师傅今天心情不好影响了下锅的时机。工厂里那些"隐性知识"，有多少是根本没被数字化的？老师傅的手感，质检员靠肉眼捕捉的异常，Agent看不到。

所以在很多工厂里，Agent的"感知能力"，其实是被打折扣的——它只能看到被数字化了的那部分现实，而工厂里最重要的那部分现实，往往恰恰没有被数字化。

三、工厂不能容忍"一本正经地胡说八道"

第二个问题，更致命：Agent会幻觉。

所谓幻觉，就是大模型在没有足够信息支撑的情况下，自信满满地生成一个听起来正确但实际错误的答案。放在聊天场景里，错了也就错了，至多是尴尬；放在工厂里，错了可能是安全事故。

Agent说"这个螺栓的扭力值是50Nm"，实际上是80Nm——装配完才发现，结构强度不够；

Agent说"这批原料的供应商审核已通过"，实际上资质过期了三个月——产品出口，被海关拦下；

Agent说"这个设备的故障模式属于B类，切换备件即可"，实际上是一次重大故障前兆——等到停机，损失已经发生了。

这些场景不是假设，是工业AI落地报告里真实记录过的风险。工厂里的决策，关乎质量、关乎安全、关乎交付——错了没有回头路。

所以，工业场景对Agent的要求，和消费场景完全不在一个量级：它不只是要"聪明"，更要"可靠"。

但可靠的前提是什么？是数据质量够好，是知识库足够准确，是边界足够清晰。而这三点，恰恰是大多数工厂最欠缺的三样东西。

四、精益的视角：Agent最好的用武之地，是先帮工厂"还债"

说这些，不是要给AI Agent判死刑。恰恰相反——

正是因为它有价值，我们才更应该把它放在对的地方。

从精益的视角看，工厂里的问题分两种：

第一种，是"没有标准"的问题。工序靠经验，参数靠感觉，问题靠人治。这类问题，是精益最擅长对付的——先标准化，再持续改善。Agent在这种情况下，其实帮不上太多忙，因为连"对的标准是什么"都没有，Agent去学谁？

第二种，是"有标准，但执行不稳定"的问题。SOP存在，但执行走样；质量标准清晰，但每次判断不一致。这类问题，恰恰是Agent最能发挥作用的地方——它的"稳定性"，是机器最天然的优势。执行SOP不走样，判断标准不走偏，这是Agent比人可靠的地方。

换句话说：Agent最适合的工厂，是精益基础已经扎实的工厂。

而现实中呢？大量工厂连标准作业都没有建立，上了Agent——它学的是混乱，执行出来的自然也是混乱的自动化。这不是升级，这是把低效用机器固化了一遍。

所以我有一个观点，可能是反直觉的：

与其问"工厂要不要上Agent"，不如先问"工厂的精益基础打好了没有"。

没有标准作业，上Agent是找死；有了标准作业，Agent是如虎添翼。

MES失败率高，根源往往不是MES本身，而是工厂没有先做好流程标准化；同理，Agent在工厂里效果不好，最常见的原因，也是工厂还没搞清楚"我要Agent做什么事，这件事的标准是什么"。

五、真正值得投入的，是这三种场景

说了这么多问题，来说点建设性的。

AI Agent在工厂里，有三类场景，是真正值得认真投入的：

第一类：知识密集型决策。比如设备故障诊断。工厂设备种类繁多，维修手册、工艺参数、历史故障记录……知识分散在不同系统和不同人脑子里。Agent如果能把这些知识整合起来，在故障发生时快速检索、匹配、给出建议——这是真正有价值的。前提是知识库本身要准确、及时更新，并且关键决策必须由人确认，Agent不能自动执行。

第二类：规则明确的高频重复。比如工单处理、报工单据校验、入库出库逻辑。这类任务有清晰的规则，但人工处理量大且容易出错。Agent能把这类工作自动化，而且执行稳定——这是ROI最清晰的投入。

第三类：跨系统的数据整合。工厂里最大的效率损失之一，是各部门之间"信息不对称"——采购不知道库存，销售不知道在产，仓库不知道来料节奏。Agent如果能充当一个跨系统的"信息枢纽"，把各系统的数据实时打通并主动推送相关方——这是真正解决数据孤岛痛点的做法。

但无论哪种场景，有一个共同前提：人先要把标准定义清楚。Agent是执行者，不是决策者；是人把方向盘打好，Agent负责踩油门，而不是让Agent自己去判断该往哪开。

六、别让Agent替你承担本该你做的功课

回到开头那个问题：AI Agent进工厂，是真需求还是大模型自嗨？

我的答案是：都有。

真需求是真的——工厂里那些高频、重复、规则明确的工作，确实值得自动化；跨系统的知识整合，确实能创造价值；设备故障的快速响应，确实能减少损失。这些需求是真实的，Agent在正确的场景下，确实能解决问题。

自嗨也是真的——那些把Agent当成"银弹"，以为上了系统就能解决工厂所有管理问题的想法，确实是自嗨。

MES时代犯过的错，Agent时代正在重演：先买系统，再想怎么用；先看功能，再想适不适合；先追热点，再看ROI。

技术从来没有承诺替代管理。工具只是工具，用工具的人先要清楚自己要做什么。

所以，想清楚这三个问题，再决定要不要上Agent：

这件事，标准是什么？Agent执行，能比人更稳定吗？出了错，谁来兜底？

问完这三个问题，你就知道，这个工厂、这个场景，到底是真的需要Agent，还是——你只是被热点带着跑了一圈。

Agent能帮你执行，但不能替你思考。把思考做完，把标准定好，再请Agent来——它才会真正成为生产力，而不是新的"面子工程"。

（原创内容，转发请注明出处 @数字化精益 Digital Kaizen）