从两万份技术文档到组织重塑：实在Agent怎么啃下制造业这块硬骨头

"AI真正改变企业的，不是多一个工具，而是帮助企业融入AI，完成深度的组织重塑。"

一家大型制造业企业，第一步只干了一件不起眼的小事：把一个部门里2万多份历史技术文档拆解、结构化，让工程师几秒钟就能翻出某款产品十年前的设计资料。两年后，同一套逻辑已经覆盖了这家企业十余个核心部门，从人事考勤到费控报销都在跑，部门间落地转化率超过70%。

把这套打法一步步跑通的产品，是实在智能旗下的实在Agent。操盘这件事的是实在智能董事长兼CEO孙林君。我们找他聊了聊——从AI+RPA到通用智能体，从数字员工到企业组织重塑，也顺带把这个制造业案例的来龙去脉聊得更细。

如果不用官方介绍，怎么向一个企业客户解释实在Agent在做什么？孙林君的说法是："我们做数字员工的——从数字员工的'蓝领'，升级到数字员工的'白领'。就像一个人，不仅要有脑子，也要有手脚。以前我们的数字员工更多是'手脚'，按规则重复执行；现在它有了'大脑'，能理解任务、自主规划、完成更复杂的工作。"

这条脉络贯穿了孙林君近20年的职业路径——从阿里的智能决策、智能客服、运筹调度，到今天的实在Agent。他把这条主线归纳为"大数据与人工智能的不断成熟"，而他一直在做的事，是让AI从"能看懂"走向"能干活"。

这一轮大模型和Agent浪潮里，最大的变化是机器人变聪明了。"过去RPA是'你教它怎么做，它才会做'；现在Agent是'你告诉它做什么，它自己想怎么做'。"付费方式也跟着变了，从软件授权走向"坐席+Tokens"——像雇一个员工，按岗位和能力付费。

孙林君给数字员工下的定义很简练："聊天机器人只会说，传统RPA只会做，数字员工既会说也会做，还会思考。"

难点在企业现有的系统。他举制造业的例子——175万亿的GDP规模，很多企业是几十年一点点攒起来的，信息化系统投入巨大，但架构老旧、接口不全、数据孤岛一堆。推倒重建，成本和风险都扛不住。所以实在Agent得直接在这些老系统上干活，不改造、不重建——这也是产品坚持"无需依赖API即可实现跨系统协作"的原因：企业不用为接口开发买单，数据和业务流程照样能跑通。

要真正扛得住生产环境，孙林君列了一串硬指标：任务理解（听懂指令）、多模态能力（看懂屏幕和文档）、稳定操作系统的能力（动手干活）、异常处理（出问题知道怎么办）、自愈能力（能自己修复）、人机协同（知道什么时候该找人）。这些共同决定了实在Agent能扛多大的活。

孙林君在阿里做过智能决策维权客服和诚信模型体系——服务过数亿消费者的一款模型产品。"判断一个用户是否诚信，表面看是一个决策点，背后却是成千上万的数据指标、几亿几十亿的数据。当数据量远远超过人类业务专家能见到的规模时，机器的决策水平会超过人类。"

这个观察后来成了他创业的直接理由。当时他就发现，数据量越大、模型参数越大，效果越好，还没出现过拟合——"这和现在大模型的Scaling Law是一致的"。五六年后ChatGPT出现，大模型时代正式开场。

哪些决策该交给AI？孙林君的思路是把AI当人看：一类工作确定性强、规则化、重复琐碎，天生适合机器；另一类靠人凭经验积累的know-how，过去只能靠人，现在随着大模型智能化程度提升，也逐渐能交给智能体。但涉及授权、需要为结果负责的事，仍然得人来点头。

企业最担心什么风险？孙林君排了个序：安全排第一，这是企业生存的底线；其次是准确率，得达到生产要求；再往后是可控性和稳定性——出问题能不能及时兜住。"这些风险可以通过技术手段和制度设计管控，不能因噎废食。"

至于人机协同接下来会怎么走，他的判断很明确：人类会从流程执行者，变成目标定义者、策略制定者和异常处理者。"人类给目标，智能体负责分解目标、完成任务。人类会成为智能体的管理者和协作者。"

实在Agent已经服务过制造、运营商、电商、跨境、金融、能源、交通等多个行业客户，孙林君发现一个反直觉的现象：企业落地AI，最先卡住的往往是最初那一步，而且卡的不是技术。

从PoC走到生产环境，另一道坎是准确率和稳定性。"大模型是有幻觉的，有准确率上限的，这个不可否认。"但企业对稳定性的要求极高，需要对AI有很深的理解，做出来的数字员工才靠得住——这是实在Agent八年工程化积累的壁垒："不是做一个Demo，而是做一个能上生产的数字员工。"

怎么衡量数字员工是否真创造了价值？省成本、提效率都是表层的。"深层价值是提升了企业在市场中的竞争力。以前只有规模大的公司才能做到的事，现在小公司借助AI同样可以做到。"

企业部署了大量数字员工之后，组织会长成什么样？

孙林君给了个概括——三高一低：数字员工密度高、知识沉淀程度高、企业数字化程度高，人工成本低。员工的职能会从执行者变成数字员工的创造者和管理者。

变化有个先后顺序：先是一线执行岗位被改变，这跟当前AI的发展程度是匹配的；管理者的决策更依赖经验和多维视角，改变会慢一些。"但当一线的数字化积累到一定程度，必然会影响到管理者的决策方式——从'管人干活'变成'管人+数字员工协同'。"

人效提升有上限吗？"肯定有。"大模型不是免费的，Tokens的成本极限是电费，但对很多企业来说这已经是不小的开支，所以一定存在ROI上限。他判断，未来企业规模会缩小，但能做的事情更复杂——人少了，每个人能指挥的数字员工却更多了，组织的整体能力反而更强。

开头那个案例，值得展开讲讲。它是实在Agent目前跑得最深的场景之一，走了三步。

第一步，从单点场景切入。实在Agent先帮客户做了一个部门的知识库建设，把2万多份历史技术文档结构化沉淀下来，让工程师能快速检索到特定产品的设计资料。这一步解决的是最基础的痛点——知识找不到、经验留不住。

第二步，从单部门扩展到多部门。实在Agent覆盖到这家企业十余个核心业务与职能部门，承担的场景也多了起来：人事考勤、工艺经验资产、费控报销、会议纪要……部门间的落地转化率达到70%以上。数字员工不再是某个部门试着用一用，而是真正"转正"进了编制。

第三步，从工具到组织重塑。这时候实在Agent已经不只是干活的工具，而是融入了企业的运营流程——外部关键信息能自动关联查询，辅助业务决策。企业的工作方式也被重塑：人不再花时间做重复的检索和填表，而是把精力放在决策和异常处理上。

孙林君强调，这个案例的意义不是省了多少人力，而是验证了一件事：数字员工能深入制造业最复杂的场景，走完从单点提效到组织重塑的全过程。

未来三年，孙林君判断企业级AI Agent会重塑全世界的企业——Agent会成为企业运转的主力军，工作流被彻底重塑，一批围绕AI有竞争力的企业会冒出来。

面对大模型厂商、传统软件厂商、RPA厂商和垂直Agent公司同场竞争，他认为长期壁垒不在解决用户的单点问题，而在能否给客户提供更贴合其发展阶段的深度解决方案——帮客户在全域低成本打造数字员工体系，赋予客户AI思维和驾驭智能体的能力。

给正在引入AI Agent的企业，他的提醒是别走极端：每次现象级产品出来，总有人喊"颠覆了"，也有人喊"没用"。技术边界确实在拓展，但局限也一直都在。企业该看的是，AI能不能多快好省地解决自己的问题。

给AI创业者的建议也是同一个逻辑：找客户的刚需痛点，提炼共性，多客户共创，多做数据验证，别在一个垂直场景里扎得太深——"现在是一个水平能力快速吃掉垂直的阶段"，扎得再深也可能被通用能力一波覆盖。

孙林君：我们是做数字员工的，正在让数字员工从"蓝领"升级到"白领"。

就像一个人，不仅要有脑子，也要有手脚。过去的数字员工更多是"手脚"，按照规则重复执行；现在它有了"大脑"，可以理解任务、自主规划，完成更复杂的工作。

孙林君：主线就是大数据和人工智能的不断成熟。

大数据是人工智能的基础原料，人工智能的成熟让场景落地成为可能。从阿里的智能决策、智能客服、诚信模型，到实在智能的AI+RPA和智能体，我一直在做的事情，就是让AI从"能看懂"走向"能干活"，从辅助决策走向自主执行。

孙林君：最大的变化是机器人变聪明了。

过去的RPA是"你教它怎么做，它才会做"；现在的Agent是"你告诉它做什么，它自己想怎么做"。但是Agent把RPA做底座的话成本更低，运行更加稳定。

它可以自我纠错，也可以承担过去需要人依靠经验才能完成的高价值工作。商业模式也会发生变化，从传统的软件授权，逐渐走向"坐席+Tokens"的模式，就像雇一个员工，按照岗位和能力付费。

孙林君：这是机器人真正成为数字员工的标志，也是智能体爆火的基础。

只会回答问题的AI还是工具，能够操作系统、完成流程、交付结果的AI，才开始成为员工。

这个跨越，就是企业AI从"辅助"走向"主力"的拐点。

孙林君：真正的数字员工不只是能和人聊天，也不只是按照人类提前设计好的规则重复动作。

它可以像人一样掌握行业know-how，根据具体情况进行思考，同时驱动工具和接口，操作各种软件，端到端地完成工作。

简单来说，聊天机器人只会说，传统RPA只会做，升级到以RPA为底座的智能体之后，数字员工既会说、会做，还会思考。

孙林君：以制造业为例，很多企业都是几十年一点一点经营起来的，在信息化和数字化建设上投入了大量成本。

但这些系统可能架构老旧、没有接口，数据孤岛也很多。人就是利用这些系统来工作的，推倒重来既不现实，风险也很高。

所以我们的解决方案不能是空中楼阁，必须让客户以最小的代价，在现有系统之上实现智能化。数字员工能够直接操作这些老系统，不需要改造，不需要重建，这是企业AI落地的关键。

孙林君：首先是任务理解能力，要能听懂指令；其次是多模态能力，要能看懂屏幕和文档；还要具备稳定操作系统的能力，能够真正动手干活。

除此之外，还需要异常处理能力、自愈能力和人机协同能力。遇到问题要知道怎么办，出了错要能够自我修复，也要知道什么时候应该停下来找人类确认。

这些能力共同决定了数字员工能够承担多大的组织角色。

孙林君：我们是大数据和人工智能应用崛起的见证者和参与者。

诚信体系模型服务了数亿消费者。判断一个用户是否诚信，表面上只是一个决策点，背后却是成千上万的数据指标，以及几亿、几十亿级的数据。

维权智能决策也是类似的。当数据量远远超过人类业务专家能够接触的规模时，机器的决策水平就有可能超过人类。

那时候我们已经发现，数据量越大、模型参数越大，效果越好，而且没有出现过拟合。这和今天大模型的Scaling Law是一致的，但是当时主要关注的还是业务目标，并没有进一步深入探究。五六年以后，ChatGPT的出现标志着AI正式进入了大模型时代。

孙林君：人的工作可以分成两类。

一类是确定性的、规则化的、重复琐碎的工作，这类"蓝领性质"的工作天然适合机器人来做。否则人长期像机器一样工作，本身就是对人力的浪费。

另一类是依靠行业know-how和经验完成的工作。随着大模型越来越智能，这部分工作也开始可以通过智能体来实现。

未来，人可以把更多精力放在智能体的打造和管理上，去做更有创造性的工作。但涉及授权、责任承担以及重大结果确认的工作，仍然必须由人类负责。

孙林君：最担心的首先是安全风险，这是企业生存的基础。

其次是准确率，必须达到生产要求；还有可控性和稳定性，数字员工出了问题，企业能不能及时兜住。

这些都是数字员工能否真正落地的关键因素。但我想强调的是，这些风险可以通过技术手段和制度设计进行管控，不能因噎废食。

孙林君：很多企业在落地最开始就会遇到困难，因为很多人并不具备AI思维，也很难真正拥抱AI。

结果就是AI只能在单点发挥作用，无法给企业带来深度改变。

企业真正需要思考的是，怎样借助AI对自己进行彻底改造。这意味着要改变人员思维、岗位职能和组织协同方式，让员工拥有驾驭和打造智能体的能力，把数字员工嵌入企业的运营流程。

技术不是最难的，最难的是组织的认知和决心。

孙林君：最难跨过的是准确率和稳定性的关口。

大模型存在幻觉，也存在准确率上限，这一点不能否认。但企业AI落地对稳定性和准确率的要求非常高，必须对AI有足够深的理解，才能打造出稳定、可靠的数字员工。

否则就只能做演示，很难真正进入生产环境、创造价值。

这也是实在智能八年积累形成的工程化能力壁垒：我们不是做一个Demo，而是做一个能上生产的数字员工。

孙林君：应该从高价值工作开始。

智能体可以帮助企业打通原有工作中的瓶颈，真正提升生产效率。

我了解的一家制造企业，过去在产品打样环节存在瓶颈，无法消化大量打样需求。通过智能体把打样流程中80%的工作标准化之后，这个卡点被打通，产能也得到大幅提升。

这个案例极大提升了企业落地人工智能的信心。先在高价值环节跑通，再逐步向其他场景扩展。

孙林君：我们自己就是最好的案例。

实在智能市场部用实在Agent搭建了一套AI营销智能体，说白了，就是让数字员工直接干市场部的活。

它可以自动采集全网热点、提炼爆款策略、生成营销内容，再分发到小红书、视频号等20多个平台，全链路自动运行。

过去一个市场人员一天最多写三到五篇内容，现在智能体一天可以产出上百篇。而且不是充满机器味的水文，而是基于我们的产品知识库、客户案例库和全网热点库，通过RAG检索增强生成的，有事实支撑、有爆款结构，也有情绪调性。

我们内部把这套方法叫作"爆款公式"：

营销定位×实时热点×结构化知识×爆款策略。

它背后有四个知识库支撑：产品与企业知识库保证不出现幻觉，客户与场景库让它像金牌销售一样理解客户痛点，热点库让它跟上外部变化，策略库教它如何写出高转化内容。

这个案例最大的意义，不是省了几个人，而是证明数字员工不只能做重复劳动的"蓝领"，也能做需要创意和判断的"白领"工作。我们自己跑通了，才敢跟客户说这件事。

孙林君：未来企业会进入人机协同的时代，并呈现"三高一低"的特征：

数字员工密度高、知识沉淀程度高、企业数字化程度高，但人工成本低。

员工的职能也会发生变化，从执行者变成数字员工的创造者和管理者。人类负责提出目标，智能体负责拆解任务和完成工作，人类再去处理授权、异常和创造性问题。

企业规模可能会缩小，但能够处理的事情会更加复杂。人少了，但每个人能够指挥的数字员工更多了，组织整体能力反而更强。

这不是裁员，而是人的角色升级——从"自己干"，变成"指挥数字员工干"。

孙林君认为，企业引入AI既不能迷信，也不能盲从。

每一个现象级智能体产品的出现，都意味着AI能力边界向外拓展了一步，但企业也必须看到它的局限。

最终还是要回到第一性原理：一个AI产品能否发挥实际作用，能力边界在哪里，是否能够更快、更好、更省地解决企业的真实问题。