制造业 AI 真正见效:不是换系统,而是激活旧系统

很多制造企业，不是没有系统。

ERP、MES、WMS、OA、进销存、设备管理、质检管理系统，很多工厂早就上过。除了这些系统，企业里还有大量 Excel 表格、微信群、纸质单据、设备说明书、工艺文件、维修记录和老师傅经验。

看起来，系统很多；但真正到了业务现场，问题依然不少。

老板想看经营数据，还是要让人临时汇总；

车间主管做排产，还是习惯打开 Excel；

售后工程师找资料，还是要在微信群里问人；

质检记录积累了一堆，却很难形成有效分析；

老系统跑了很多年，没人敢轻易改，也没人完全说得清里面的流程逻辑。

这才是制造企业数字化的真实现状：

不是没有系统，而是系统没有被真正用好。

也正因为如此，制造业上 AI，不一定要从推倒重来开始。

更现实的路径，可能是——不推倒旧系统，先加一层 AI。

制造业 AI 的第一步，不一定是重做大系统

过去很多制造企业做信息化改造，常常走的是重实施路线：

买系统、写需求、做定制、搞培训、长期上线、反复磨合。

这条路当然有价值。对于大型企业、复杂工厂、标准化程度高的业务来说，核心系统建设仍然非常重要。

但对大量中小制造企业来说，现实问题是：

成本高、周期长、阻力大；

系统上了不少，但员工不一定爱用；

旧系统已经跑了多年，推倒重来风险很高；

企业真正痛的，往往不是“没有系统”，而是“已有系统不好查、不好用、不好连”。

这时候，AI Retrofit 就提供了另一条路径。

所谓 AI Retrofit，可以理解为：

不重新造一套系统，而是在原有系统、数据、文档和流程上，加一层 AI 能力。

它不是简单加一个聊天框，也不是把原来的 ERP、MES、WMS 全部替换掉，而是把 AI 作为理解层、连接层和辅助决策层，放在旧系统与真实业务之间。

它更像一次“旧系统再激活”。

先不换系统，让旧系统能被问；

先不重做流程，让数据能被查；

先不接管生产，让异常能被解释；

先不替代人工，让重复工作能被自动整理。

这才是很多制造企业更容易接受、也更容易落地的 AI 路径。

AI Retrofit 不是概念，而是从具体痛点开始

制造业 AI 最怕一上来就讲“大模型重构工厂”“智能制造大脑”“全流程自动化”。

这些词听起来很宏大，但企业真正关心的是：

今天这个问题，能不能少花点人力？

这个流程，能不能少一点重复劳动？

这个数据，老板能不能更快看到？

这个岗位，新人能不能更快上手？

这个系统，员工能不能少点抱怨？

所以，AI Retrofit 的起点，不是宏大蓝图，而是一个个真实场景。

比如，ERP 里明明有订单、客户、物料和库存数据，但老板不会查，主管也不想点复杂菜单。这个时候，可以先做一个自然语言经营看板，让管理者直接问：

这个月哪些订单延期了？

哪些客户的毛利下降了？

哪些物料存在库存风险？

哪些订单可能影响交付？

再比如，MES 已经上线，但排产仍然主要依赖主管经验。AI 不一定要直接替代排产决策，但可以先把订单交期、产能负荷、缺料情况、插单影响整理出来，给出冲突提醒和延期预警。最终排不排，仍然由人决定。

再比如，售后资料分散在说明书、维修记录、微信群、员工电脑和历史工单里。AI 可以先做一个售后知识库，把故障现象、处理方法、配件型号、历史案例沉淀下来，让新人也能快速找到答案。

再比如，老系统没人敢改，很多表结构、接口、字段和流程没人说得清。AI 可以帮助企业梳理旧代码、旧表结构、旧流程说明，恢复系统文档，降低后续改造的不确定性。

这些场景看起来不够“性感”，但足够真实；而制造业真正需要的，往往正是这种真实。

OPC 的机会，不在替代大厂，而在补位真实场景

这也正是 OPC，也就是一人公司和小团队，尤其是 vibe coding 型 OPC 可以切入的空间。过去，一个人或小团队很难进入制造业软件市场，因为工业软件不仅要开发，还要调研、实施、培训、维护、迭代。传统模式下，这通常需要一个完整团队来支撑，但现在，AI 编程工具、低代码平台、开源组件、云数据库和工作流工具，正在改变软件生产方式。大模型 API 也在降低开发门槛，让小团队更容易做出可用原型。懂业务、懂流程、懂 AI 工具的小团队，可以用更短周期做出一个可用原型，并在真实场景中快速调整。这并不意味着 OPC 要去冒充大型软件公司。

OPC 不是一上来就承接整厂 MES、ERP、设备控制系统，也不是去碰安全联锁、核心财务结算和关键质量判定。

OPC 更适合承接的是：旧系统外层、流程边缘、数据使用层的 AI 改造。

比如：

报价资料整理和 AI 报价助手；

BOM 表查询和历史报价检索；

ERP/MES 数据自然语言查询；

质检记录自动整理和报告生成；

设备说明书问答和维修知识库；

售后工单摘要和配件查询；

排产冲突提醒和交期预警；

库存异常提醒和采购建议；

经营数据看板和日报自动生成；

旧系统流程梳理和文档恢复。

这些项目不一定宏大，但足够刚需。

它们贴近企业每天真实发生的问题，也通常不直接控制设备、不直接决定重大质量结果、不直接触碰核心财务结算，风险边界相对清楚，适合小步试错、快速验证。

对 OPC 来说，这不是“接不到大项目才做小工具”。

恰恰相反，这是制造业 AI 落地中最现实、最容易起步、最容易产生效果的一层。

企业接纳 OPC，也不能再用传统软件采购思维

制造企业如果想引入 OPC 做 AI Retrofit，也不能一上来就问：

你能不能做一整套 MES？

你有没有成熟 ERP？

你有没有完整工业大模型？

你能不能一次性把我们工厂全部智能化？

这些问题，本质上还是传统软件采购思维。

AI Retrofit 更有效的问法应该是：

哪个流程最耗人？

哪一类资料最难找？

哪一张表每天都要重复填？

哪个岗位最依赖老师傅经验？

哪个系统员工最不爱用？

哪个数据老板最想看但总是看不到？

然后，把真实材料拿出来：

过去三个月的报价单；

典型 BOM 表；

排产 Excel；

质检异常记录；

售后维修记录；

设备说明书；

工艺文件；

员工每天填写的表格；

主管每天反复追问的问题。

这些才是 AI Retrofit 的起点。

对 vibe coding 型 OPC 来说，真实业务样本比抽象需求文档更重要。

因为 AI 原生开发的优势，不是先写一套很厚的方案，而是围绕具体材料，快速建出一个能跑的版本，再让现场人员试用、反馈、修改。

能跑，才有讨论价值；

能用，才有迭代空间；

能解决具体问题，才有继续扩展的可能。

AI 可以提高效率，但不能模糊责任边界

当然，制造业不是互联网应用，不能只讲效率，不讲边界。

AI Retrofit 必须清楚区分什么可以先做，什么不能轻易交给 AI 或小团队独立接管。

适合优先做的，是辅助型、查询型、整理型、提醒型、人工确认型场景。

比如资料查询、报告生成、数据整理、异常提示、知识库问答、经营看板、流程梳理。

这些场景可以显著提高效率，但最终判断权仍然在人手里。

暂时不适合轻易交给 AI 或 OPC 独立接管的，是设备自动控制、安全联锁、关键质量最终判定、核心财务结算、无人审核的自动采购和自动排产执行。

越靠近生产安全、质量责任和资金结算，越需要审慎治理、权限控制、日志记录和人工确认。

AI 可以成为助手，但不能成为无人负责的黑箱。

这也是制造业 AI 落地必须坚持的底线。

制造业 AI Retrofit，是一条补位路径

所以，AI Retrofit 在制造业的正确语境，不是“AI 取代一切”，也不是“OPC 颠覆传统软件厂商”。

更准确地说，它是一条补位路径。

大型软件公司，继续做底层平台、核心系统、复杂集成和长期运维；

企业内部信息化部门，继续负责数据安全、系统架构和权限治理；

OPC 和小团队，则可以承接那些低风险、快验证、强场景的局部 AI 改造。

这三者不是完全对立关系，而是可以形成新的协作结构。

未来的制造企业，可能不会只有两种选择：

要么买一套昂贵的大系统；

要么继续依赖 Excel、微信群和人工汇总。

中间会出现一条更现实的路径：

旧系统继续保留，AI 先加一层；

核心流程不急着推倒，先把最痛的节点变聪明；

企业提供场景和样本，OPC 提供快速开发和迭代；

一个模块跑通，再逐步扩展到更多流程。

这就是制造业 AI Retrofit 的价值。

它不是旧系统的终结者，而是旧系统的再激活工具。

它也不是 OPC 的万能入口，而是制造企业低成本智能化改造中的一块真实机会。

对很多中小制造企业来说，问题不是要不要上 AI，而是先从哪里开始。

答案也许不是再买一套大系统，而是先问一句：

我们现有的系统、表格和文档里，哪一块最值得先加一层 AI？