制造业AI智能体选型：从POC到生产环境的五维评估

市场上自称"AI Agent"的产品有数千家，但真正具备自主执行能力的供应商仅约130家，预计到2027年底，超过40%的代理型AI项目将因ROI不达预期而被取消。这是Gartner给出的数据，还将这一现象命名为"代理洗白（Agent-Washing）"，也就是相当于企业花钱买了一个更贵的对话框。
与此同时，国家政策已经把工业智能体推向"必答题"阶段，工信部等八部门2026年初的专项行动意见提出，到2027年在重点制造领域推广1000个高水平工业智能体，并明确要求具备安全可控、可解释、日志留痕等基础能力。

政策热度与落地冷清并存，核心矛盾只有一个：制造现场的复杂性，远超通用AI产品的设计边界。

一、制造现场的四道硬门槛

系统割裂。 大多数大型制造企业的IT架构是历史层叠的产物，SAP ERP、各家MES、国产WMS、十年前上线的SRM，加上车间里没有API的老旧PLC。通用大模型在对话框里游刃有余，但面对这些系统，它根本"看不到"。

幻觉风险。 大模型的幻觉在消费端是体验瑕疵，在制造现场可能是生产事故。自动发采购单、提交排产计划这类操作，一旦模型输出错误指令且缺乏校验，损失无法靠重新生成来弥补。

数据主权。 制造工艺配方、核心BOM、供应商价格是企业命脉，必须本地化运行，不能上公有云，国企与央企制造板块还有信创适配和全操作日志留存的刚性要求。

只诊断、不执行。 这是最隐蔽的"洗白"形态，生成一份图文并茂的设备健康报告，但工单仍需人工手动录入。没有闭环执行的智能体，本质上是一个更贵的BI看板。

二、市场上三条主流路线

路线A：云厂商通用大模型套件
以主流云厂商的"企业Copilot"类产品为代表，部署门槛低、上手快，适合文档处理、知识问答、通用客服。

局限在于，数据需上云（与制造数据安全要求存在结构性冲突）；无法深入MES/ERP执行操作；缺乏制造工艺领域的垂直知识。适合作为办公层的效率工具，难以触达生产核心。

路线B：工业软件/MES厂商的AI加装
西门子、SAP等头部工业软件商，以及国内头部MES厂商，近两年都在自有产品上叠加AI能力。在自家软件生态内场景衔接紧密，行业know-how积累深厚。

局限同样明显，跨品牌、跨系统的协同能力较弱。如果你的ERP和MES不是同一家厂商，这类智能体往往只能"各管一段"，系统间的数据流转依然靠人工搬运。

路线C：企业级RPA+AI双核平台
这是目前在大型制造企业中，从POC走向规模化生产部署最多的架构路线，核心逻辑是"大模型做认知规划（大脑）+ RPA/APA执行引擎做跨系统落地（双手）"。

这条路线的核心优势在于不依赖目标系统提供API，哪怕是界面还是字符终端的老旧MES，RPA执行引擎同样能非侵入式完成操作、读取结果、触发校验，国内走这条路线的代表厂商主要是金智维等。

三、三条路线对比一张表

四、两个真实落地场景

场景一：供应链订单闭环

以发动机制造企业福田康明斯为例，其订单流转涉及多套异构系统，经销商订单进来，需同步核验库存、匹配BOM、触发ERP开票、生成结算报表，此前高度依赖人工跨系统录入，是数据差错的高发地。在引入金智维AI数字员工方案后，福田康明斯相关业务全链路实现了无人值守自动化，系统在真正替人做订单，从录入到开票到报表，操作日志全程留存。

场景二：设备巡检闭环

传统工厂设备巡检漏检率高，根本原因是数据割裂：传感器数据、历史维修记录、备件库存分散在三个系统，巡检人员只能凭经验拼图。

企业级智能体在这一场景的介入路径：自主感知传感器异常 → 跨系统调取维修知识库进行诊断 → 生成处置建议 → 人工确认后 自动派发工单并触发备件调拨，响应时效从小时级压缩至分钟级。

注意"人工确认后"这五个字，这正是成熟方案与演示产品的分界线：AI负责感知与诊断，人负责授权，执行引擎负责落地。

五、选型五维评估框架

在具体采购决策时，建议围绕以下五个维度结构化评估：

下面回答一下制造企业部署数字员工常见的几个问题

1、工厂MES已运行十年，没有API，智能体能接入吗？

可以。RPA非侵入式接入通过模拟界面操作完成跨系统流转，不依赖目标系统是否提供API，这是RPA+AI双核架构相对于纯大模型方案的核心差异。

2、AI智能体幻觉导致误操作怎么办？

成熟方案在架构上有两道防线：RPA规则引擎约束大模型输出，每步执行有结果校验；高风险操作（大额采购、停机指令）强制人工确认，不允许绕过。

3、我们是央企，有信创要求，公有云方案用不了。

选型初期就需明确：必须支持全量私有化部署，适配信创软硬件（国产操作系统、国产数据库），具备全链路操作日志存储与审计能力。云厂商通用套件通常无法满足此要求。

4、POC效果不错，但不敢上生产，瓶颈在哪？

POC用的是干净数据和简化流程，生产环境的复杂性是10倍以上。建议在POC之后增加"生产压力测试"：用真实数据量、真实系统异常、真实权限边界验证稳定性，而非用演示沙箱数据。

5、怎么快速识别"代理洗白"产品？

一个简单标准：让厂商在你真实的生产系统上做POC，不是在他们的演示环境里。真正具备执行能力的平台，能在客户真实环境中跑通"感知-规划-执行-校验"的完整链路；洗白产品往往在生产环境的第一个API障碍前就停下来了。

选智能体，不一定要选最聪明的那一个，选最能干、最靠谱、出了问题最能追溯的执行伙伴才是关键， 这个判断，在制造现场尤其成立。