MES系统以及接了AI智能,为什么车间日常还是靠老师傅?

很多制造企业做智能化转型，路径看起来都很完整。

MES已经上线，设备数据也开始采集，质量、排产、仓储、维修都有系统记录。再往前一步，企业开始接入AI：设备异常预警、视觉质检、智能排产、工单分析、能耗优化，听起来每一个场景都很有价值。

但真正跑到车间里，管理层很快会遇到一个很现实的问题：

系统里有数据，现场还是靠人盯。

AI能给建议，班组长还是要重新判断。

MES记录了流程，但真正影响交期、质量和成本的那些临场取舍，还是在老师傅、调度员、质检员和一线主管的经验里。

这时候，问题往往不是“AI不够先进”，也不是“MES不够强”。

真正卡住的地方，是企业没有把AI、MES和现场人员之间的协作关系设计清楚。

换句话说，AI+MES不是再多接一个模块，而是要重新回答一个问题：

系统记录事实，AI提出建议，现场人员如何接住、判断、执行并反馈？

MES的价值很明确。

它把生产过程记录下来：工单到了哪一步，设备有没有开机，产量是多少，良率是多少，异常有没有登记，责任能不能追溯。

所以MES更像车间里的“事实账本”。

过去很多生产问题靠口头同步、纸面记录、微信群补充，现在至少可以沉淀到系统里，成为可查询、可追溯、可统计的生产数据。

但AI想介入的不是简单记录。

AI更想回答的是：

• 哪台设备可能要出问题？

• 哪个订单可能延期？

• 哪道工序可能成为瓶颈？

• 哪批物料可能影响质量？

• 哪个排产方案更适合当前产能？

也就是说，MES偏向记录“已经发生的过程”，AI偏向判断“下一步该怎么做”。

从记录到判断，中间隔着的不是一个接口，而是一整套现场经验。

很多企业以为，只要把MES里的数据接给AI，AI就能自动变聪明。但到了真实现场，事情没有这么简单。

因为MES里的字段，未必能表达现场的真实语境。

例如同样是设备报警，可能是传感器波动，也可能是工况变化，还可能是设备确实开始劣化。系统里都叫“异常”，但老师傅会结合声音、温度、振动、近期维修记录、订单紧急程度一起判断。

AI能看到数据，但它未必知道现场为什么这么处理。

这就是AI+MES落地的第一道断层：系统记录了事实的一部分，但没有把现场判断的依据一起记录下来。

很多企业接入AI后，会出现一种微妙的情况。

AI提示某台设备存在风险，机修人员看完之后没有处理。

AI建议调整排产，调度员仍然手工改了一版。

AI标记出疑似缺陷，质检员还是全部重新复核。

管理层看到后容易着急：是不是员工不配合？是不是一线不愿意用新工具？

其实不能简单这么判断。

在工业现场，一线人员不采纳AI建议，可能有三种原因。

第一，AI没有解释清楚依据。

它只告诉你“风险较高”，但没有说明风险来自哪组参数、与过去哪类故障相似、继续生产可能影响什么。现场人员自然不敢直接执行。

第二，AI没有看到完整约束。

系统算出的最优排产，也许从产能角度是合理的，但调度员知道某个客户临时催单、某批物料还没到、某个班组今天少了两个人。AI没有这些语境，方案就只能被人工重排。

第三，AI建议没有进入责任流程。

如果预警发出来之后，没人规定谁接收、谁复核、谁拍板、谁回填，AI就只是多了一条系统消息。它不是流程的一部分，自然不会改变现场动作。

所以，AI建议没被执行，不一定说明AI没有价值。

更可能说明企业还没有建立一套“建议如何被接住”的机制。

工业AI真正要解决的，不只是模型输出，而是输出之后如何进入生产管理。

制造业里，很多关键判断并不在系统里。

老师傅听设备声音，就知道这台机床最近状态不太对。

班组长看当天人员状态，就会调整工序节奏。

质检员看到某类细微缺陷，会联想到上一批原料或某个工艺参数。

调度员知道哪些订单绝不能晚，哪些订单可以沟通缓冲。

这些经验看起来很“人”，但它们不是落后的东西。

恰恰相反，这是制造企业最珍贵、也最容易流失的隐性资产。

问题在于，很多企业过去只把这些经验当作个人能力，没有把它变成组织能力。

于是老员工在的时候，现场还能转；老员工一离开，很多判断就断了。

AI+MES真正有价值的方向，不是把这些人排除掉，而是把他们的经验逐渐变成可复用的规则、案例和判断依据。

比如设备预警场景里，可以记录：

• AI提示了什么风险；

• 现场人员是否采纳；

• 如果没有采纳，原因是什么；

• 后续设备是否真的发生异常；

• 人工判断在哪些条件下比AI更准确；

• 哪些经验可以转成新的规则。

这类反馈如果持续沉淀，AI才会越来越贴近企业自己的现场。

否则，AI永远只是在系统里做“外部判断”，一线永远在现场做“经验判断”，两套逻辑互不学习。

制造企业做AI+MES，不建议一上来就追求“全厂智能化”。

更现实的做法，是先围绕一个具体场景，把人机协作关系设计清楚。

这里可以从三张表开始。

第一张：数据来源表

先说清楚这个AI场景到底依赖哪些数据。

不是笼统说“接MES数据”，而是明确：

• 关键字段来自哪个系统；

• 数据由谁录入或采集；

• 更新频率是多少；

• 哪些字段容易错；

• 哪些字段缺失会影响判断；

• 数据质量由谁负责修正。

如果这张表说不清，AI后面的判断就很难被信任。

第二张：人机分工表

把AI和人的职责边界写清楚。

哪些任务由AI自动提醒，哪些任务由AI给建议，哪些任务必须人工确认，哪些动作可以受控执行，哪些动作绝不能自动执行。

比如：

• 低风险异常：AI提醒，班组自行处理；

• 中风险异常：AI建议处理方案，机修复核后执行；

• 高风险异常：AI预警后进入主管审批，必要时停机；

• 涉及安全、质量放行、交期承诺的动作：必须保留人工确认。

这样一线人员才知道，AI不是来替他们背锅，也不是让他们盲目服从，而是帮助他们更快发现问题、更清楚地做判断。

第三张：结果反馈表

AI建议执行之后，结果必须回到系统里。

有没有处理？谁处理的？处理用了多久？问题是否复发？AI判断是否准确？人工为什么修改建议？

这些反馈不是为了追责，而是为了让企业知道：

哪些AI建议真的有用，哪些场景还不成熟，哪些经验应该沉淀成规则，哪些流程需要重新设计。

没有反馈表，AI就无法学习现场；没有反馈机制，MES也只是记录流水账。

很多AI+MES项目失败，不是因为目标太小，而是因为一开始铺得太大。

设备、质量、排产、能耗、仓储、交付全都想做，最后每个场景都卡在数据、流程、责任和使用习惯上。

对多数制造企业来说，更稳的路径是：

先选一个高频、痛感强、边界清晰的场景。

比如：

• 某类关键设备的异常预警；

• 某类高频质量缺陷的识别与追溯；

• 某条产线的插单排产；

• 某类返工问题的原因分析；

• 某个班组的工单执行复盘。

然后把一条完整链路跑通：

业务问题是什么；

MES里有哪些数据；

AI基于什么做判断；

现场人员如何复核；

系统如何派工或提醒；

处理结果如何回填；

管理层如何看效果。

当这条链跑通以后，企业会非常清楚地知道自己缺什么。

是数据口径不统一，还是现场不回填？

是AI解释不够清楚，还是责任人没有定义？

是系统接口没打通，还是员工不知道什么时候该相信AI？

这些问题被看见以后，第二个场景才有复制的可能。

MES上了，不代表车间就会自动数字化。

AI接了，也不代表现场就会自动智能化。

真正的智能制造，不是让系统替代人，也不是让人继续绕开系统。

它应该是一套新的协作关系：

MES负责记录生产事实；

AI负责发现异常、整理信息、提出建议；

现场人员负责判断语境、处理例外、确认动作；

管理机制负责把结果回填、复盘和优化。

所以，企业做AI+MES，不要只问：

系统能不能接？

模型准不准？

大屏漂不漂亮？

更要问：

一线看得懂吗？

建议有人接吗？

责任说清楚了吗？

经验能回流吗？

结果能验证吗？

如果这些问题没有解决，AI和MES之间就算技术接通了，现场也很难真正跑起来。

AI+MES的最后一段路，不是把系统再做复杂，而是让人、流程和智能工具重新配合起来。

智能制造真正落地的标志，不是大屏上多了一个AI模块。

而是现场的人开始愿意用它、敢于用它，并且能把每一次判断和反馈，变成企业下一次更好的生产能力。

---

• • NIST，《Artificial Intelligence Risk Management Framework (AI RMF 1.0)》

https://www.nist.gov/itl/ai-risk-management-framework

• • NIST AI RMF Playbook，围绕Govern、Map、Measure、Manage提供AI风险管理行动建议

https://airc.nist.gov/airmf-resources/playbook/

• • GB/T 39116—2020《智能制造能力成熟度模型》，可通过全国标准信息公共服务平台检索

https://openstd.samr.gov.cn/bzgk/gb/index

• • IEC 62264 / ISA-95 相关企业控制系统集成模型，可作为理解MES与企业系统边界的参考框架。

说明：本文为基于制造企业AI+MES落地问题的原创分析，文中案例为常见业务场景的综合化表达，不对应特定企业。