一、AI Agent从”展厅”走进”车间”
4月21日，”2026飞书AI先锋大赛·先进制造专场”决赛在杭州落幕。
这场由飞书主办、73家企业参与的大赛，评选出了TCL华星、海信集团、东风奕派、北汽福田、亿咖通科技、东风康明斯等十家”制造AI先锋”。
与以往AI行业大会不同，这次参赛者不是AI工程师，不是算法专家，而是一线工程师、产品经理、供应链负责人。他们带来的不是PPT上的概念演示，而是在产线上跑了数月的真实案例。
这标志着AI Agent在中国制造业的应用，已经从”示范展示”进入”规模化落地”阶段。
二、亿咖通：供应链协同的AI解法
1. 全球化的”甜蜜烦恼”
亿咖通成立于2017年，2022年在纳斯达克上市，是一家全球出行科技企业。其产品已搭载于超过1100万辆汽车，业务中心遍布杭州、中国香港、马来西亚、新加坡、越南等十余个城市。
快速扩张的全球化布局，也带来了制造业供应链的经典难题：需求预测不准、库存水位不清、跨部门协同低效、信息化建设成本高企。
亿咖通面临的挑战不是个例。全球化制造企业的供应链管理，本质上是在”敏捷响应”与”成本控制”之间寻找平衡。太追求敏捷会导致库存积压，太追求成本会导致缺货风险。如何让两者兼顾，是每个制造企业都在思考的问题。
2. “拿铁”系统：从数据孤岛到智能协同
面对这些痛点，亿咖通没有选择再买一套商业系统。计划物流部运营管理负责人孙迪和胡建带领团队，基于飞书aPaaS、多维表格和Aily智能体平台，在现有ERP系统之间搭建了一座”桥”——一套端到端的供应链协同平台。
他们给这套系统起了个有趣的名字：“拿铁”。
“拿铁”系统的核心逻辑只有两条：让信息”往前走”，让结果”往回走”。
“往前走”意味着客户的预测、需求、计划能够快速准确地传到后端，不再靠人反复确认；”往回走”意味着生产结果、库存变化、交付情况能够反向验证和修正前端的预测模型。
这是一个持续精进的学习系统。每个月的实际交付数据都会反向修正AI模型，下个月的预测就更准一点。
3. 实战数据：从75%到91.5%的预测准确率提升
经过7个月的数据回测，亿咖通的成果令人振奋：
- 整体预测准确率从75%提升至91.5%
- 超额备货的积压风险降低了22.61%
- 数据分析和计算成本降低了约90%
91.5%的预测准确率意味着什么？对于制造企业而言，预测准确率每提升1个百分点，都可能节省数百万甚至数千万元的库存成本。16.5个百分点的提升，背后是上亿元的资金释放。
更关键的是，这套系统不是靠”增加人手”实现的，而是靠AI对历史数据的学习和持续优化。
4. 库存周转：从65天到27天的飞跃
“拿铁”系统将前端预测结果与库存实时对齐，每一个物料的库存水位、周转状态、呆滞风险、缺料情况一目了然。
更重要的是，它会主动说话——每天早上告诉团队哪些料有缺口、哪些工单有风险、下一步应该做什么。
“不是人去找问题，是问题自己浮出来。”这是亿咖通团队对这套系统最核心的评价。
闭环跑通后，亿咖通实现了惊人的转变：
- 库存周转天数从65天降至27天
- 上亿资金从仓库中释放
- 端到端协同效率提升90%
- 信息化建设成本降低70%以上
目前，这套系统已覆盖亚太五个业务中心、320个日活用户，覆盖90%的目标用户。
三、东风康明斯：产线质检的AI升级
1. 发动机连杆质检的难题
东风康明斯是全球领先的发动机制造商，从重卡到工程车再到城市公交车，到处都有其产品身影。
即便这样一家成熟企业，也曾在一个关键环节上陷入困境——发动机连杆的质检。
发动机连杆是发动机核心部件之一，其质量直接关系到发动机性能和安全。质检过程需要判断连杆表面是否有裂纹、识别配对码确认规格、核对尺寸参数是否合格。传统模式下，这项工作依赖质检员肉眼观察和手工测量。
问题在于：质检员的判断标准存在主观差异，长时间工作后疲劳会导致漏检，而发动机连杆的缺陷往往细微到肉眼难以察觉。一旦有缺陷的零件装机，后果不堪设想。
2. 三道保险：把老师傅的经验翻译成机器语言
东风康明斯的团队没有AI背景，但他们有宝贵的经验——干了二十年的老师傅知道怎么判断裂纹，怎么识别配对码。
顺着这个思路，团队设计了三道检测保险：
第一道：裂纹检测。 先看裂痕，有裂痕直接判错。
第二道：配对码识别。 再读数字，判错的提取配对码二次校对。
第三道：模糊匹配。 四个数字对上三个就过，容许一定的识别误差。
三层嵌套，每一层都不是理论设计的，而是从产线上干了二十年的老师傅口中总结出来的。
东风康明斯项目经理巢正坤总结道：“工业AI真正的核心，从来不是算力和模型，而是你能不能把老师傅的经验，翻译成机器能听懂的规则。”
这个洞察击中了AI落地的本质。很多企业迷信”高大上”的AI技术，却忽视了最宝贵的资源——一线员工几十年积累的业务知识。AI的价值，往往在于将这些隐性知识显性化、规则化、规模化。
3. 8周上线：低代码开发的胜利
依托飞书和火山引擎的底座，团队用多维表格做数据中枢，用字段捷径调用大模型，用工作流做自动报警。
8周就把整套系统跑通了。
这个速度在传统IT开发模式下是不可想象的。一套企业级AI系统，从需求调研、方案设计、开发测试到上线部署，往往需要半年甚至更长时间。
东风康明斯的案例证明，当工具足够简单、业务人员参与度足够高时，AI落地的效率可以大幅提升。
4. 实战数据：20万张图99.5%准确率
系统上线9个月后的数据：
- 跑了20万张图
- 准确率稳定在99.5%以上
- 零漏检
99.5%的准确率意味着，在20万张图中，AI的错误判断不超过100张。而这100张错误，AI也会标记出来让人工复核，不会直接放行。
零漏检是最关键的成绩。对于发动机安全而言，任何一张有缺陷的零件装机，都可能造成严重后果。AI系统的引入，不是替代质检员，而是给质检流程加了一道永不疲劳的”双保险”。
四、AI Agent带来的两个根本性改变
从亿咖通与东风康明斯的案例，可以观察到AI Agent对制造业工作流程带来的两个根本性改变。
1. 从被动响应到主动预警
在传统模式下，无论是供应链风险还是产线质量问题，都需要”人”去发现、上报、协调、解决。信息在层层传递中损耗、延迟，等到决策者知晓时，往往已经错过了最佳干预时机。
而在AI Agent介入后，系统能够7×24小时实时监控数据，一旦发现异常或风险信号，立即主动推送提醒，甚至给出处理建议。
问题从”被人找到”变成了”自己浮出来”。
这个转变的意义远不止效率提升。它意味着企业能够真正实现”预防性管理”——在问题发生之前就发现苗头、采取措施，而不是等到问题爆发后再来救火。
2. 从经验驱动到数据智能
在东风康明斯的案例中，最关键的突破不是算法本身，而是将老师傅二十年积累的”裂痕判断”经验翻译成了机器可执行的规则。
在亿咖通的案例中，预测准确率的持续提升，依赖于每个月实际交付数据对模型的不断修正。
AI Agent不是替代老师傅，而是将老师傅的经验固化、放大、复制。
一个老师傅的经验只能服务一条产线、一个工厂。但将经验规则化后，一个”超级老师傅”可以同时服务多条产线、多个业务中心，甚至整个供应链。
这才是AI在制造业落地的真正价值——不是取代人，而是赋能人；不是消灭经验，而是放大经验。
五、从”业务平权”看AI普惠
从技术门槛到业务平权，AI应用的门槛正在从”算法+算力”转向”业务洞察力”。
亿咖通的孙迪和胡建不是程序员，东风康明斯的巢正坤也不是算法工程师出身。但他们懂业务痛点，会写提示词，能拆解流程，就能借助飞书这样的低门槛平台”手搓”出企业级智能体。
这意味着：一线员工正在成为AI开发者。
他们比任何人都懂问题在哪，当工具足够简单时，解决问题的效率将指数级提升。
AI普及的下一波红利，不属于拥有顶尖AI科学家的大公司，而属于那些能将业务洞察与AI工具结合的中小企业和一线团队。
六、未来路线图：从单点突破到端到端智能
两家企业都给出了清晰的AI应用路线图。
亿咖通：打通供应链上下游
目前，AI协同平台主要覆盖公司内部的端到端闭环。下一步，团队希望将AI工具和信息向上游供应商、下游客户延伸。
如果供应商能够实时看到亿咖通的缺料情况，如果客户能够更精准地传递需求信号，整个产业链的效率将再上一个台阶。
这代表着AI应用从”企业级”向”产业级”演进的趋势。当上下游企业都接入同一个AI协同网络时，供应链的可视性、响应速度、资源配置效率都将实现质的飞跃。
东风康明斯：三步走计划
东风康明斯制定了更具体的三步走计划：
短期（1年内）：追求极致精准，把失误率压到万分之一。目标是让AI质检的准确率无限接近100%。
中期（1-3年）：覆盖更多场景，让AI不只”看”，更能像老师傅一样”懂”工艺、懂标准。从单点质检扩展到全流程质量控制。
远期（3-5年）：打造真正的多模态智能质检，让AI成为产线上永不退休的品质大师。融合视觉、听觉、触觉等多种感知能力，实现全方位的智能质量管理。
七、启示与建议
从这两个案例中，制造业企业可以提炼出几个关键启示：
1. 从痛点切入，而非从技术切入
很多企业做AI转型，思路是”先看看AI能做什么”。这种思路容易导致技术找不到合适的应用场景，最终不了了之。
亿咖通和东风康明斯的做法恰恰相反：从业务痛点出发，看看这个问题能不能用AI解决。
供应链预测不准是痛点，质检效率低是痛点，这些问题有明确的业务价值衡量标准。用AI解决这些问题的ROI清晰可见，项目推进自然顺利。
2. 让一线员工参与，而非依赖IT部门
传统企业做数字化转型，往往是IT部门主导，业务部门被动配合。结果往往是：技术方案很先进，但业务人员用不起来。
亿咖通和东风康明斯的案例中，一线业务人员是主角。他们最懂问题在哪、最清楚解决思路、最需要什么样的工具。
当业务人员能够直接参与AI系统的设计和优化时，系统的实用性会大幅提升。
3. 小步快跑，快速迭代
8周上线、9个月跑通20万张图——这些案例都证明，AI落地不需要”大而全”的规划。
从小处着手，先解决一个具体问题，看到效果后再扩展。这种方式风险低、见效快，更容易获得组织认可。
4. 数据是基础，经验是财富
两个案例都有一个共同点：都依赖于丰富的历史数据和一线经验积累。
AI的能力边界，往往取决于数据的丰富程度和经验的可规则化程度。在推进AI应用之前，先审视一下自己有多少可用数据、有多少可以结构化的经验知识。
八、结语：AI不是银弹，但是杠杆
AI Agent在制造业的落地，正在打破”AI无用论”和”AI万能论”两个极端。
它不是银弹，不能解决所有问题。但在正确的场景下，它确实是强力杠杆——能够将人的经验放大、将数据的力量释放、将流程的效率提升。
对于制造业企业而言，现在最重要的事情不是争论”AI有没有用”，而是找到”AI在哪里有用”，然后小步尝试、持续迭代。
亿咖通和东风康明斯的案例已经证明：当AI找到对的场景、当业务人员成为主角、当数据积累形成正循环，AI的价值就会像滚雪球一样越滚越大。
AI Agent”入职”中国制造，不是遥远的未来，而是正在发生的现在。
数据来源：2026飞书AI先锋大赛官方资料、企业公开信息
最后更新：2026-04-24
发表回复