非标制造企业 AI 落地观察：从读懂一张图纸开始

✍ HuangMing🕐 2026-05-05📦 14.8 KB 🟢 已读 𝕏 文章列表

作者通过对 13 家制造企业的调研，记录了一家年产值 25 亿的非标装备企业的 AI 转型痛点。文章指出，企业并非缺乏系统，而是面临 ERP/MES 数据与生产现场脱节的问题。真正的需求并非宏大的全流程自动化，而是解决具体业务“源头”——图纸合规性审核与工艺拆解。作者提出，制造业 AI 应避免单纯的“聊天机器人”或“大屏展示”，需克制冲动，将隐性经验转化为元数据，优先辅助专家而非直接替代，并从培训等低风险场景切入，实现业务数据的闭环与持续迭代。

制造业数字化 AI落地非标制造工艺拆解企业转型智能体业务复盘 AIGC应用

# 我在一家非标制造企业现场，终于看清了企业 AI 化的第一张门票 **作者**: HuangMing **日期**: 2026-05-04T10:54:31.000Z **来源**: [https://x.com/Zhm20220917/status/2051254135518024039](https://x.com/Zhm20220917/status/2051254135518024039) --- ![Image](/doc/1606/image/img_143ea858051c.jpg) > 事情是这样的。 > 4月下旬，我带着研发团队去制造业企业做AI 应用调研座谈， > 一共13家，横跨11个产业，他们当中有千人企业，也有数十人的流水线。 > 如果你正在做企业AI化转型的业务，或者是在企业里担任相关的职务， > 不妨来看看这13家企业的真实访谈记录， > 或许能提供一点启发，哪怕少踩一个坑。 # 今天分享第1家：非标装备，年产值25亿 ## 1、一进会议室，我先听到的不是 AI，而是 ERP 和 MES 会议室不大，桌上放着图纸、茶杯和几份临时打印的材料。外面就是车间，能听到断断续续的金属声。那种声音很容易让人冷静下来，因为你会突然意识到，AI 在网上看起来很轻，到了制造业现场，其实一点也不轻。它得落到钢板、焊缝、工时、吊装、外购件、设备故障、客户改图这些非常具体的东西上。一上来，企业负责人就讲了一个特别真实的状态。他说，系统我们不是没有。「企业现有 ERP 和 MES 系统，但未涉及人工智能。」这句话我当时听完，脑子里咯噔一下。因为这几乎就是很多制造企业的现状。不是没有系统，不是没有数据，也不是老板不想升级。恰恰相反，他们已经投入了很多年，把 ERP、MES、报表、流程都搭起来了。但这些东西大多停在管理层，能收数据，能出报表，能让领导看趋势。可一到生产现场，问题就开始变得很硬。负责人说，现在很多数据到头来还是给内部领导分析用。真正到了排产、报价、工艺、装配、培训这些环节，还是人盯人，人问人，老师傅带新人。 ![Image](/doc/1606/image/img_b0441c91a5b0.jpg) ## 2、他们真正想要的，不是一个会聊天的机器人我问，那你们最想让 AI 帮什么？他没有说让 AI 写周报，也没有说搞一个展厅机器人先撑门面。他说得很朴素，大概意思是，能不能帮我们把报价和工艺先做起来。说真的，这个回答比很多宏大叙事都扎实。很多人聊企业 AI 化，喜欢一上来讲智能工厂、全流程自动化、工业大模型。我不是说这些不重要，而是站在一家真实工厂的会议室里，你会发现真正把企业卡住的，往往不是一个很科幻的问题。而是一张图纸。真的，就是一张图纸。 ## 3、非标制造最麻烦的地方，是标准总在移动这家企业做非标件，标准化程度不高。客户来的图纸不一样，内部设计人员的习惯不一样，技术要求不一样，甚至同一个零部件，在不同项目里也可能出现完全不同的约束。现场有一句原话我记得很清楚。「我们这个行业难度在于标准化程度比较低，没有办法形成一个标准。如果智能体的应用场景能开发好，会非常有帮助。」这话听着有点刺耳，但它说的是事实。 AI 最喜欢什么？喜欢标准化，喜欢结构化，喜欢清楚的输入和清楚的输出。但非标制造偏偏不是这样。外购件晚一天到，计划要改。设备故障半天，计划要改。客户突然调整技术要求，计划还要改。更麻烦的是，很多判断不是写在系统里的，是在技术员脑子里，在老师傅手上，在报价人员长年累月的经验里。会议里有人提到一个很具体的问题。「拿到图纸却不知如何计算焊接工作量，不清楚完成一定重量焊接所需天数。」你想想看，这个问题如果放在办公室里，可能就是一行字，焊接工作量计算。但放在车间里，它背后就是交期、成本、排产、人手、设备、外协，再往后甚至会变成客户满意不满意。 ## 4、这次讨论收束到两个字，源头负责人把话说得更白一点。图纸来了，先要看能不能做。能做，再拆工艺。拆完工艺，再算工时。工时出来，报价才有依据。报价不准，订单接亏了，后面谁都难受。我当时就在飞书文档里敲了一句话，制造业 AI 化，不要从最炫的地方开始，要从最堵的源头开始。回到图纸这块。这次讨论里，大家比较一致的判断是，先别急着做一个什么都管的超级智能体。先做两个环节。一个是图纸合规性审核。一个是工艺和工时拆解。为什么？因为这两个环节一旦清楚了，后面很多事情才有地基。会议里有一句特别关键的话。「最源头的问题是图纸审核问题，图纸审核关联到装配等一整条线，这个源头不弄好，下面后面都会来反哺这个问题。」我觉得这句话几乎可以当成制造业 AI 项目的第一条原则。源头不清楚，后面越智能，错得越快。 ![Image](/doc/1606/image/img_6aa406237fcd.jpg) ## 5、不要把混乱包装成更漂亮的大屏现在很多企业上 AI，有一个很常见的误区，就是先做看得见的东西。做一个问答机器人，看起来很快。做一个大屏，看起来很智能。做一个领导驾驶舱，看起来很完整。但如果图纸读不准，工艺拆不清，标准工时没有沉淀，供应商和材料库也没有更新机制，那些漂亮界面其实只是把混乱包装得更好看一点。比较尴尬，但就是这样。所以我们把整个业务拆成了四段。图纸合规性，工艺拆解，可实现性判断，报价决策。前两段相对可控，适合先用 AI 和自动化切进去。后两段就复杂很多，因为会牵扯设备能力、人员班组、供应商价格、外协周期、材料替代、库存状态、客户交期。这里不是不能做，而是不能装作第一天就能做完。我有时候觉得，企业 AI 化最难的不是技术，而是克制。你要忍住那种什么都想做的冲动。 ## 6、所谓读懂图纸，其实是把经验变成元数据先把一个真实的业务对象读懂。比如图纸。不是把图纸 OCR 一遍就完事，而是把它变成系统能理解的元数据。材料是什么，尺寸是什么，焊缝在哪里，技术要求有哪些，哪些字段缺失，哪些要求和企业内部规范冲突，哪些位置需要人工复核。这些字段出来之后，工艺智能体才有东西可以接。然后再往下，才是工序、工时、设备、人员、报价。现场有一段对话很有意思。一位技术负责人说，报价这块其实有规则，也有经验，但现在就是靠人看图纸，看技术文件，再汇总信息。年轻人不一定看得出来，老人又越来越少。另一位参与讨论的工程师接了一句，那就不能一上来让 AI 直接报价。先让它把图纸读成字段，把不合规的地方标出来，把工艺拆解的依据列出来。企业这边马上点头。因为他们要的不是 AI 替谁拍脑袋，而是把过去只能靠脑袋记住的东西，慢慢放进系统里。这一下我就更确定了。制造业 AI 的第一步，不是替代专家。是把专家的判断路径显影。 ## 7、模型选型重要，但它不应该排在业务拆解前面显影这个词可能有点文艺，但我觉得特别准确。以前很多经验像暗房里的底片，只有老师傅自己看得见。AI 真正有价值的地方，是把这些判断路径变成可追踪、可复核、可训练的流程。顺着这个再聊模型。很多企业一听 AI，就会问用哪个模型。Gemini 行不行，千问行不行，DeepSeek 行不行，国产开源行不行。这个问题当然重要。但我自己的感受是，模型选型要排在业务拆解后面。如果场景是图像识别和图纸理解，可能要用视觉模型。如果涉及企业内部规范问答，可能要用知识库和小模型。如果对数据安全要求高，就要考虑本地化和国产开源。如果只是做培训内容生成和考试题生成，模型要求反而没有那么夸张。会议里也提到，产品规划有两个难点，一个是模型选型，一个是训练方式。这块特别真实。模型不是越大越好，训练也不是越多越好。对企业来说，真正要算的是精度、成本、周期、安全、后续维护。更关键的是，你有没有数据。没有足够的图纸样例，没有内部审核规范，没有历史工艺文件，没有报价和结果之间的对应关系，模型再厉害也只能陪你演示。演示的时候很爽，上线的时候很慌。 ## 8、制造业 AI 项目开始前，先问几个很土的问题这也是为什么我建议很多制造企业，别第一天就问我要不要训练大模型。先问自己几个更土的问题。你们过去三年的图纸在哪里？审核意见有没有留下？哪些错误后来造成了返工？报价亏过的订单能不能复盘？老师傅判断一个工艺路线时，到底看了哪些字段？这些问题不高级，但它们值钱。 ## 9、另一个被低估的场景，是一线培训说到这里，还有一个很容易被低估的场景，培训。这家企业提到，一线工人培训效果不好。传统方式就是老师讲，工人听，听完签字，考试一下。问题是工人接受度不高，培训老师也不好找，学校里的培训内容和企业现场还经常脱节。这不只是这家企业的问题。屏幕前的你如果去过制造企业，大概率也见过类似场景。安全培训的 PPT 一页一页翻，大家坐在那里，表情很认真，心早就飞了。但培训又不能不做。质量问题、安全问题、设备操作问题，一旦出事，成本极高。所以现场有人提了一个想法，把培训做成动漫化、互动化的智能体。比如焊接、装配、质量、安全这些内容，不再只是老师讲，而是做成场景。工人看一个短动画，回答几个问题，答对拿金币，金币可以换小礼品。系统自动考试，还能记录谁在哪个知识点反复出错。这玩意听起来有点像游戏化培训，但我觉得它很有价值。会议纪要里有一句判断是这样说的。「AI 加教育这个大课题下面一个最有价值、最能直接创造价值的场景。」我挺认同。因为制造业的 AI 化，不一定只发生在机器上，也会发生在人身上。 ![Image](/doc/1606/image/img_028ce1bdb6e4.jpg) ## 10、培训智能体的价值，是把听过变成练过一个新工人能不能更快理解安全红线，一个装配工能不能少犯一次顺序错误，一个质检员能不能更快记住企业内部标准，这些东西看起来不性感，但它们每天都在消耗企业的钱。而且这类智能体还有一个好处，边界清楚。它不需要第一天就接管生产，不需要直接决定报价，也不需要替老板做战略判断。它只需要把企业已有的培训材料、事故案例、质量问题、岗位标准重新组织，让人更愿意学，更容易记，更方便考。这就够了。企业 AI 化不是每一步都要惊天动地。有些时候，一个工人少返工一次，一个技术员少审半小时图，一个报价员少漏一个技术要求，都是价值。 ## 11、我带走的五个落地判断写到这里，我想把这次走访整理成几个很土，但我觉得能落地的判断。第一，先找源头，不要先找热闹。如果一个环节后面会影响报价、工艺、排产、装配、交付，那它就是源头。源头错了，后面所有智能化都在放大错误。第二，先做元数据，不要先做大闭环。图纸、工艺、材料、供应商、标准工时，这些东西要先变成可读、可问、可复核的字段。字段不清，闭环就是空的。第三，先辅助专家，不要急着替代专家。 AI 第一阶段最好做提醒、校验、结构化、初稿、比对。让技术员确认，让报价员复核，让老师傅把经验补进去。别上来就让系统直接拍板，企业也不敢用。第四，先做一个小闭环，不要做一张大蓝图。比如只做某一类图纸审核，只做某一个工种培训，只做某一种工艺拆解。小闭环跑通了，数据会回来，人也会有信心。大蓝图一开始太完整，反而容易变成没人负责。第五，先设计更新机制，不要只设计演示页面。谁来维护供应商库？谁来更新材料价格？谁来标注审核规则？谁来确认模型输出？这些问题不解决，系统上线三个月后就会变成旧系统。这话听起来不酷，但非常关键。很多 AI 项目死掉，不是死在模型不够强，而是死在没人持续喂它真实业务。 ## 12、数字化是记录自己，AI 化是改变自己聊到这里，我想说一个有点大的判断。过去很多年，企业数字化解决的是记录问题。把订单记录下来，把库存记录下来，把生产进度记录下来，把报表跑出来。但 AI 化要解决的是判断问题。图纸哪里不合规，工艺怎么拆，工时怎么估，培训怎么做，事故苗头怎么提前发现。记录和判断，是两件事。前者让企业看见自己。后者让企业开始改变自己。这也是为什么我从那家工厂出来后，脑子里一直反复响起会议里那句话。源头的问题，是图纸审核问题。一张图纸，看起来只是纸。但在非标制造里，它可能是一条生产线的起点，是一个报价的依据，是一个技术员半天的工作，是一个老师傅二十年的经验，也是一个企业 AI 化真正的第一张门票。我自己也还在摸索，说实话我们还差得远。但这次走访让我很确定一件事。企业 AI 化不会从一句口号开始。它会从一个特别具体、特别麻烦、每天都有人不得不做的动作开始。比如，读懂一张图纸。以上，既然看到这里了，如果觉得不错，随手点个赞、转发一下吧。 5月6日更新下一期💪 ![Image](/doc/1606/image/img_4f5ac5a16a8b.jpg) ## 相关链接 - [HuangMing](https://x.com/Zhm20220917) - [@Zhm20220917](https://x.com/Zhm20220917) - [7.4K](https://x.com/Zhm20220917/status/2051254135518024039/analytics) - [Upgrade to Premium](https://x.com/i/premium_sign_up) - [6:54 PM · May 4, 2026](https://x.com/Zhm20220917/status/2051254135518024039) - [7,440 Views](https://x.com/Zhm20220917/status/2051254135518024039/analytics) - [View quotes](https://x.com/Zhm20220917/status/2051254135518024039/quotes) --- *导出时间: 2026/5/5 17:10:44*

🔗 相关文档