在很多工厂的早会上，大家看的仍然是昨天的报表：哪条线没完成计划，哪批货出了不良，哪台设备停了几个小时。信息系统把这些事情记录得越来越完整，但从“看到问题”到“解决问题”，中间那段路依然靠人：计划员翻排程表，质量工程师一条条查记录，设备主管凭经验判断哪台机器该保养了。
AI 智能体想接手的，正是这段路。
智能体和“系统里加个 AI 问答”有什么不同
很多软件都加了聊天框，可以用自然语言查数据，这当然有用。但智能体更进一步：它不只是回答问题，而是主动盯住业务数据，发现异常后自己去关联原因，再给出可以直接执行的方案。
以设备异常为例，一个完整的处理过程是这样的：
- 感知：数采层发现 CNC-07 主轴振动比基线高出 18%。
- 推理：设备智能体对比这台设备的历史劣化曲线、温升和上次保养记录，判断 36 小时内轴承失效的风险较高。
- 建议：排产智能体模拟了三套改派方案，把受影响的工单挪到 CNC-04，交期不受影响；同时生成一张点检工单。
- 人确认：方案推送给班组长，确认后才下发到车间。
整个过程中，智能体没有替人做决定，但把“发现—分析—出方案”这部分最费时间的工作做完了。
为什么智能体必须“长在业务系统上”
智能体的能力，取决于它能看到什么数据、能调用什么动作。如果工单在 MES，库存在 WMS，质检记录在 Excel，设备数据在另一套 SCADA 里，智能体要么看不全，要么需要先做一轮又一轮的接口项目。
这也是我们在设计 Aiiiss ONE 时坚持“一个平台、一套主数据”的原因：物料、BOM、客户、供应商、设备、库存只有一份，研发、生产、质量、仓储、设备、财务等 15 个产品共用这套数据。智能体看到的是整个工厂的同一张图，给出的建议才能直接落到系统里执行，比如改派一张工单、建一张检验单、触发一次补货。
智能体能做的，和不该做的
目前在制造现场比较成熟的智能体场景，大致集中在这几类：
- 计划调整：插单、缺料、停机时快速重排，并说明每套方案对交期的影响；
- 质量追溯：异常出现时，沿人、机、料、法、环自动关联，列出可能受影响的批次；
- 设备预警：基于振动、温度等实时数据识别劣化趋势，在停机前安排保养；
- 物料齐套：提前检查未来几天工单的物料是否齐套，生成补货建议；
- 数据问答：用一句话查产量、良率、OEE，不必再等 IT 排期做报表。
同样重要的是边界。我们的原则是：智能体只能看到当前用户有权限看到的数据，只能发起这个角色本来就能做的操作，关键动作必须经过人确认，所有建议和依据都留痕可追溯。在生产这件事上，“可控”比“聪明”更重要。
上线智能体之前，最该准备什么
很多企业问我们：要上 AI，先买大模型还是先买算力？我们的回答通常是：先把数据理顺。
智能体好不好用，七成取决于底下的数据是否完整、及时、口径统一。
具体来说，有三件事值得先做：
- 主数据统一：物料编码、BOM、工艺路线在研发、生产、仓储之间是一份，而不是三份；
- 现场数据实时化：报工、检验、领料尽量扫码完成，关键设备接入数采；
- 流程在线化：异常处理、审批、变更都在系统里流转，智能体才有“动作”可以调用。
这些基础打好了，智能体可以从一个场景开始，比如先上排产智能体解决插单问题，跑顺了再扩展到质量、设备、仓储。
写在最后
AI 不会让工厂“无人化”，但会让人的时间花在更值得的地方：少一点翻记录、打电话、做报表，多一点判断和改进。如果你想看看智能体在类似你们的场景里如何工作，欢迎预约演示，我们会按你的行业和痛点准备。