新浪新闻客户端

AI如何从完成单个任务,走向服务制造企业的经营与组织

AI如何从完成单个任务,走向服务制造企业的经营与组织
2026年11月17日 18:36 新浪网 作者
avatar
热点聚焦

  (来源:非凡产研)

  制造业 AI · 深度对话

  灵核数智:从岗位级Agent到制造业智能组织

  对话灵核数智CPO唐斌斌:AI如何从完成单个任务,走向服务制造企业的经营与组织

  一个在标准样本上表现很好的Agent,进了真实工厂,可能连试用期都过不了。

  原因并不复杂。订单看着都差不多,到了不同客户那里,产品命名、规格表达、特殊约定却可能完全不同。测试集里答得漂亮,碰上这些变化,照样会卡壳。

  更重要的是,在制造企业,一项工作往往不是由一个岗位独立完成的。

  一张订单从销售接单到采购备料、生产排程和最终交付,需要多个部门、多个系统共同参与。某个环节效率提高,并不意味着整条业务链就能顺利运转。

  这给制造业AI提出了一个更复杂的问题:如果Agent只能完成一个个独立任务,它究竟能为企业经营带来多大价值?

  灵核数智的产品思路,是从真实岗位出发,让AI进入企业的业务流程和组织协作,最终服务于制造企业的经营结果。

  灵核数智CPO唐斌斌此前在大厂从事AI研究十多年。如今,他关注的不只是模型能完成多少任务,而是如何把AI的通用能力转化为制造企业需要的岗位能力,并让这些能力在组织中协同工作。

  在他看来,单个Agent解决的是岗位问题,多个Agent协作,面对的就是组织问题。

  这也是理解灵核产品理念的一条线索:以岗位为基本单元构建数智员工,以组织协作为运行方式,以经营结果作为最终目标。

  01 一个岗位变成AI员工,得先过五道关

  为什么灵核选择从岗位切入?

  制造企业的每个岗位都有相对明确的职责、流程和协作关系。销售下单员、采购员、计划员,看似各自负责一部分工作,实际上又通过订单、物料和生产计划紧密连接。

  要让AI真正参与企业经营,首先需要让它具备完成具体岗位工作的能力。

  唐斌斌拿销售下单员举例。

  第一步,理解岗位工作。销售从邮件、Excel等渠道收到订单,需要识别客户、产品、规格、数量和交期,与企业内部资料匹配,最后录入ERP。

  第二步,拆解岗位任务和原子技能,包括邮件读取、附件解析、产品匹配、字段提取、规则校验和ERP下单。

  第三步,将技能组合成SOP,结合岗位知识、业务规则、权限和异常处理要求,形成工作流程。

  第四步,通过测试验收。

  第五步,逐步开放真实业务权限,从辅助模式过渡到部分自动执行,并根据运行情况持续优化。

  这五个步骤背后,是灵核对岗位级Agent的产品定义。

  一个Agent不能仅仅因为会读取邮件、生成表格,就被称为销售下单员。它需要知道自己负责什么、按照什么规则执行、什么情况下需要人工确认,以及如何与企业现有系统衔接。

  这更像是让一名新员工进入企业组织,而不是给员工增加一个AI工具。

  但真实工厂比标准测试环境复杂得多。不同客户的订单可能采用不同的产品名称、规格表达和特殊约定。

  “一个Agent在标准样本上表现很好,不代表它可以直接进入生产环境。”

  因此,对灵核来说,岗位级Agent不是预先设定好的固定功能,而是能够结合企业实际工作方式进行配置,并在运行中持续优化的数智员工。

  02 按API拆技能,是技术团队容易掉的坑

  岗位被拆解之后,下一个问题是:Agent的能力应该如何组织?

  从技术角度看,读取文件、调用接口、查询数据库,都可以封装成独立工具。但在制造业的实际工作中,技术动作完成了,并不意味着业务任务就完成了。

  例如采购下单。Agent可以识别采购需求、查询物料、核对供应商信息,也可以调用ERP接口。但如果没有按照企业的采购规则完成核验,即使接口调用成功,也不能认为采购单已经正确处理。

  因此,灵核并不单纯按照技术工具的边界定义Skill,而是关注它能否完成相对独立、可以验证、能够复用的业务动作。

  “一个Skill不应该只是调用一个API,而应该明确它的输入、输出、前置条件、执行权限以及失败处理。”

  Skill让Agent具备执行具体业务动作的能力,SOP将这些动作组织成工作流程,企业知识和规则则为业务判断提供依据。

  这些能力共同服务于一个目标:让Agent按照真实岗位的要求完成工作。

  同样是采购下单,不同企业可能有不同的供应商管理方式、审批要求和采购规则。通用AI能力可以帮助完成信息处理和执行,但最终如何工作,还需要符合企业自身的业务要求。

  因此,灵核通过平台沉淀通用能力,同时允许企业结合实际岗位进行配置,让AI进入不同制造企业的业务流程。

  从技术工具到岗位能力,背后是两种不同的价值判断:前者关注AI能做什么,后者关注AI能为企业完成什么工作。

  03 两个老师傅打架,别让AI急着选答案

  制造企业的组织能力,并不全部写在系统和流程里。

  大量经验存在于一线员工、技术骨干和管理人员的日常判断中。同样一笔订单,两位计划员可能给出不同的排产建议。一个更关注客户交期,另一个则考虑设备切换成本或物料准备情况。

  唐斌斌认为,未必有人错。很多时候,两个人考虑的业务条件不同。

  如果只是把某个人的判断直接交给Agent,AI学到的可能只是结论,而不是形成结论的依据。

  真正需要沉淀的,是经验背后的适用条件、业务规则和判断逻辑。

  明确的业务规则可以形成执行依据;依赖特定条件的经验,需要保留其适用范围;暂时无法规则化的重要判断,则继续由人参与决策。

  当经验发生冲突时,也不能简单地让模型选择答案,而应该结合实际业务条件、历史案例和最终结果进行验证。

  “我们希望最终沉淀的是适用条件和判断依据,而不只是某个人的一句话。”

  一个员工借助AI完成任务,提升的是个人工作效率。但如果企业能够将长期积累的经验转化为可复用的岗位能力,这些经验就有机会被更多岗位使用,并在实际业务中持续完善。

  设备可以买,系统可以部署,但一家工厂多年形成的业务经验和组织协作方式,很难直接复制。

  灵核希望通过岗位级数智员工,将企业已有的知识、规则和经验融入具体工作,让AI逐步适应这家企业的工作方式。

  04 从一个数智员工到一支团队,难的不只是让Agent互相调用

  前三个问题解决的是Agent如何具备岗位工作能力,接下来则是这些数智员工如何在制造企业中协同工作。

  制造企业的经营结果,往往由多个岗位共同决定。

  以订单履约为例,销售负责接收客户需求,采购保障物料供应,计划部门安排生产,生产和品质部门共同推动产品交付。每个岗位各司其职,又围绕同一笔订单展开工作。

  假设客户突然修改订单数量和交期。

  销售跟单员需要识别变更信息,采购岗位需要了解物料准备情况,计划岗位需要判断生产安排是否受到影响,相关人员还要决定哪些事项需要重新确认。

  如果每个Agent只掌握局部信息,即使各自都能完成任务,也可能出现信息不一致、重复执行,甚至相互覆盖结果的情况。

  “单个Agent解决的是一个岗位的问题,多Agent协作解决的是组织的问题。”

  唐斌斌认为,多Agent协作真正困难的地方,不是让Agent之间互相调用,而是让它们共享一致的业务上下文,并明确各自的责任边界。

  这意味着,数智员工不再只是接受个人指令的工具,而是需要在企业的业务组织中找到自己的位置:负责哪些工作、与哪些岗位协作、哪些信息需要传递,以及哪些决策必须由人完成。

  灵核也并不追求所有业务环节都由AI自动处理。

  例如订单变更中,信息更新、岗位通知和任务流转等确定性工作,可以由Agent参与完成;但撤销已经采购的物料、调整已确认的生产计划等可能产生经营损失的决策,则需要人工确认。

  “我们追求的不是所有事情都自动化,而是确定性的事情尽可能交给AI,不确定的事情保留人的判断。”

  任务是否真正完成,也需要有实际业务结果作为依据。Agent回复一句“已完成”,并不代表系统信息已经正确更新,也不代表上下游岗位完成了必要的处理。

  因此,灵核所理解的智能组织,不是简单部署更多Agent,而是让不同数智员工与企业原有的人员、系统和流程形成协作关系。

  单个岗位的效率提升只是起点。让岗位能力沿着真实业务链条协同运转,才能进一步服务于企业的交付效率、运营成本和经营质量。

  05 第一家能做,第二家还得重做多少

  让一个数智员工在某家工厂顺利运行,已经不容易。如果要让同类岗位能力进入更多制造企业,还需要解决复用问题。

  制造企业的岗位有共性,但业务规则并不完全相同。

  例如两家企业都有采购下单员,都需要处理采购需求、核对信息、执行采购流程,但具体的产品体系、业务规则和系统环境可能存在差异。

  因此,一个在某家工厂成功运行的Agent,并不能原封不动地复制到另一家企业。

  “真正应该复用的是岗位能力框架,而不是客户的全部业务规则。”

  灵核的思路,是将通用岗位能力沉淀在平台中,同时允许企业保留自身的业务知识、流程和规则,构建适合自己的数智员工。

  这对制造业尤其重要。不同细分行业、不同生产模式,甚至同一行业的不同企业,都可能形成各自的经营管理方式。

  完全依赖标准化模板,难以适应真实业务;每家企业都从头建设,又难以实现规模化应用。

  唐斌斌认为,标准化、可靠性和复用性,是制造业数智员工规模化应用需要持续解决的问题。

  他关注的结果也很具体:交付到稳定运行的周期能否缩短,企业重复建设的成本能否下降,以及Agent能否持续产生真实业务结果。

  06 智能组织,需要持续理解真实的业务环境

  在唐斌斌看来,制造业AI还有一个容易被忽视的问题:企业真实的业务信息,并不全部存在于系统里。

  大量有价值的信息分散在与客户、供应商的电话、会议、现场沟通和日常协作中。

  客户临时提出的需求变化、供应商对交期的承诺、现场发现的质量问题,都可能影响后续业务执行,却未必能及时进入企业系统,被其他岗位完整掌握。

  如果Agent要成为制造企业组织运行的一部分,就需要在授权范围内持续获得与岗位相关的业务上下文,理解业务变化,并据此调整工作。

  因此,灵核不仅关注模型的理解和执行能力,也关注企业知识、业务信息和实际工作过程之间的联系。

  “没有业务上下文,再聪明的Agent也很难创造持续的价值。”

  回到灵核的产品理念,岗位级数智员工是AI进入制造企业的基本单元,但不是最终目标。

  一个Agent能够完成岗位任务,多个Agent能够与人和系统协同工作,企业积累的知识和经验能够持续进入业务过程,这些能力逐步结合,才有可能形成真正服务经营的智能组织。

  对于制造企业来说,AI的价值也不应只停留在某个岗位节省了多少时间,而要进一步体现在订单履约、生产协同、质量管理和经营效率等实际结果中。

  灵核希望打造的,不是一批孤立的AI工具,而是一套能够融入制造企业业务流程、持续积累组织能力,并最终服务于企业经营结果的智能组织。

  访谈精选Q&A

  Q1:您之前在大厂做AI研究,为什么会选择加入一家2024年才成立的制造业AI创业公司?

  唐斌斌:我之前在大厂做AI研究员,算是科班出身,在这个领域大概有10多年了。

  在一次AI项目合作中,我接触到了灵核的创始团队。最吸引我的是团队的底层实力。他们不仅具备极强的商业化能力,还有深厚的制造业Know-how和场景积累。

  同时,我觉得产品的创新、定义和提升还有很大的空间。对我来说,这是一个非常有挑战性的机会。

  Q2:作为CPO,您怎么划分产品、研发和FDE交付团队的职责?

  唐斌斌:我觉得这三个团队的职责还是比较清晰的。

  产品团队主要负责把共性的业务需求抽象成产品能力,以及交付落地能力。包括Agent、Skill、SOP、知识管理、权限、评测等,要决定什么应该产品化。除了AgentOS等底层核心Harness能力,其他共性能力应该尽量在产品侧提前收口。

  研发团队主要负责平台架构、底层技术、模型接入、系统集成和稳定性,保证这些能力真正可用。

  FDE和交付团队则需要深入客户现场,理解业务流程、提炼Know-how,基于现有产品能力完成场景交付,并把真实业务反馈带回来,特别是平台能力存在短板的地方。

  Q3:一个真实的制造业岗位,怎么一步步变成可以上岗的数智员工?

  唐斌斌:以销售下单员为例。

  第一步不是先做Agent,而是先理解这个岗位到底在做什么。

  比如销售收到客户邮件、Excel或者其他渠道的订单,需要识别客户、产品、规格、数量、交期等信息,然后跟企业内部资料匹配,最后录入ERP。

  第二步,把岗位工作拆解成一系列具体任务和原子技能,比如邮件读取、附件解析、产品匹配、订单字段提取、规则校验、ERP下单等。

  第三步,把这些技能组合成一套完整的SOP,并配置岗位知识、业务规则、权限和异常处理机制。

  第四步,通过测试集进行验收。正式上岗之前,我们要做到心里有底。

  第五步,逐步开放真实业务权限,从辅助模式过渡到部分自动执行,再通过自迭代的方式持续优化。

  Q4:有没有数智员工在测试时表现很好,到了真实业务环境却无法上岗?

  唐斌斌:有这种情况。我认为最典型的失败,不是模型不会理解,而是我们最初把业务场景想得过于标准化了。

  比如订单信息看起来结构一致,但不同客户的产品命名、规格表达、特殊约定可能完全不同。

  一个Agent在标准样本上表现很好,不代表它可以直接进入生产环境。而且生产环境本身也可能发生变化,所以需要通过自迭代来做长期优化。

  这里很核心的一点,是我们要抽离业务中变和不变的东西。

  哪些东西具备泛化性,我们就把它打造为通用产品能力;哪些是个性化的,就交给用户或者FDE,以比较低的门槛去构建。

  Q5:你们把制造业流程拆成原子技能,Skill的颗粒度到底怎么定?

  唐斌斌:颗粒度主要看它是不是一个相对独立、能够被验证、能够被复用的业务动作。

  比如采购下单这个岗位,可能包含读取采购需求、识别物料、查询供应商、核对价格、生成订单、调用ERP等技能。

  我们也踩过一个坑。

  最初容易按照技术工具的边界拆技能,后来发现真正应该按照业务能力和结果来拆。

  因为这个定义本身更多是定性的,而不是定量的。

  一个Skill不应该只是调用一个API,而应该明确它的输入、输出、前置条件、执行权限以及失败处理。

  Q6:从一个数智员工发展到一支数智团队,产品上最难解决的问题是什么?

  唐斌斌:单个Agent解决的是一个岗位的问题,多Agent协作解决的是组织的问题。

  这里最难的其实不是让Agent之间互相调用,而是让它们能够共享一致的业务上下文,并且明确责任边界。

  举个例子,一个订单发生变化,可能同时涉及销售跟单员、采购员、计划员和生产管理人员。

  如果每个Agent只知道自己的局部信息,就容易出现信息不一致、重复执行,甚至互相覆盖结果的情况。

  所以当我们从一个数智员工走向一支数智团队时,就需要考虑整个组织层面的协作问题。

  Q7:假设客户临时修改订单数量、交期,甚至撤单,数智员工会怎么处理?

  唐斌斌:以订单变更为例,理想的处理过程是这样的。

  首先,Agent从邮件、聊天记录或者业务系统中识别订单变更信息,判断是数量变化、交期变化,还是撤单。

  其次,找到对应的原始订单,核对客户、订单编号、产品以及变更前后的信息,避免把一笔新订单误认为原订单变更。

  然后,需要分析这次变更的影响。比如采购物料是否已经下单,生产是否已经排程,库存是否已经锁定。

  对于确定性的动作,Agent可以自动完成信息更新、相关岗位通知和任务流转。

  最后还要通过业务系统回读、任务状态和执行日志确认结果,而不是仅凭Agent返回一句“已完成”就算结束。

  Q8:你们怎么判断哪些事情可以交给Agent自动执行,哪些必须让人介入?

  唐斌斌:我们追求的不是所有事情都自动化,而是确定性的事情尽可能交给AI,不确定的事情保留人的判断。

  比如订单变更中,更新信息、通知相关岗位、流转任务,这些确定性的动作可以交给Agent。

  但是如果涉及可能产生实际经营损失的动作,比如撤销已经采购的物料,或者调整已经确认的生产计划,就需要人来确认。

  这也是我们在产品设计中非常重视的一个问题。Agent能够执行,并不意味着所有业务决策都应该直接让它执行。

  Q9:同一笔业务在邮件、Excel和ERP里出现了不一致的信息,Agent应该相信谁?

  唐斌斌:对于信息不一致的情况,我们会通过AI2UI进行比较强的提醒,让用户确认后再执行。

  比如出现信息冲突、重要信息缺失等情况,都需要明确呈现出来。

  包括人工确认的过程,我们也会进行留痕,并建立相应的责任机制。

  因为在真实业务环境里,有些信息不能简单地由模型自己选择一个结果。特别是涉及重要业务数据的时候,需要让用户能够看到问题,并且参与确认。

  Q10:制造业里有很多老师傅的经验,如果两位老师傅对同一件事判断不同,AI到底该听谁的?

  唐斌斌:我觉得这是制造业AI最有意思、也最有挑战的地方之一。

  很多时候,我们会误以为业务规则是确定的,但真正走到现场才发现,老师傅的经验里面有大量隐含条件。

  比如两位计划员面对同一个订单,可能一个认为应该优先安排,另一个认为应该延后。

  这不一定意味着有人判断错了,可能是两个人考虑的条件不同。一个关注客户交期,另一个关注设备切换成本或者当前物料情况。

  所以我们不能简单地把某一个人的判断直接变成Agent的规则。

  更合理的方式是把经验进一步细化成三类:

  第一类是明确的业务规则,什么情况下必须执行。

  第二类是条件化经验,什么条件下采用哪一种判断。

  第三类是人工决策,目前还无法明确规则化,需要保留人的判断。

  当出现冲突时,应该记录不同判断及其依据,通过历史案例和业务结果来验证,而不是简单地让模型选择一个答案。

  我们希望最终沉淀的是适用条件和判断依据,而不只是某个人的一句话。

  Q11:同样是采购下单员,第一家工厂已经做成功了,能直接复制到第二家工厂吗?

  唐斌斌:我们现在越来越明确一个方向:制造业的岗位有共性,但企业的业务规则不可能完全相同。

  例如两家企业都有采购下单员这个岗位。

  可以复用的部分包括订单识别与字段提取能力,邮件、Excel、PDF等资料解析能力,订单信息校验能力,基础采购流程和任务编排,以及一些通用的异常处理能力。

  但是需要重新适配的部分也很多。

  比如企业自己的物料编码和产品体系、供应商管理规则、采购审批机制、ERP接口和字段映射,还有企业特殊的采购策略和例外规则。

  所以即使岗位名称一样,也不能认为一个Agent就可以原封不动地复制到另外一家企业。

  Q12:既然每家工厂都有自己的规则,灵核怎么解决Agent产品的跨客户复用问题?

  唐斌斌:我们最初也容易认为,只要两个企业的岗位名称相同,Agent就能直接复制过去。

  后来发现,真正应该复用的是岗位能力框架,而不是客户的全部业务规则。

  这也是为什么我们要把Agent、Skill、SOP、知识和业务数据分层管理。

  因为有些能力是通用的,比如文档解析、信息提取、流程编排,这些应该被沉淀下来。

  但每家企业也有自己的个性化Know-how,不能因为要做标准化,就把这些东西全部抹掉。

  我们要做的是让通用能力可以复用,同时允许企业保留自己的个性化Know-how。

  Q13:如果未来半年只能做一项重要的产品改进,您会优先解决什么?

  唐斌斌:我会选择把标准化数智员工的交付质量和跨客户复用能力做扎实。

  原因很简单,当前AI Agent最大的问题已经不是能不能做一个Demo,而是能不能在真实业务环境中持续、稳定、可靠地完成工作。

  我们现在需要解决三个问题。

  第一是标准化。把岗位任务、Skill、SOP、知识和验收标准沉淀成可复制的产品。

  第二是可靠性。让Agent不仅能够完成正常任务,还能够识别异常、处理失败、接受人工接管。

  第三是复用性。让一个客户验证成功的岗位能力,能够以比较低的成本复制到第二家、第三家客户。

  最终,我会用三个结果来判断这件事是否值得继续投入:标准数智员工从交付到稳定运行的周期有没有缩短,新客户的重复开发和交付成本有没有下降,以及Agent能不能连续产生真实业务结果,并获得客户持续使用。

  我认为这是灵核从项目型AI交付走向产品化商业增长必须跨过的一道坎。

  Q14:灵核是一家做制造业AI软件的公司,为什么还要尝试AI眼镜、录音卡这些硬件?

  唐斌斌:我们做硬件,并不是想成为一家硬件公司,而是希望把AI的触角从企业内部延伸到整个产业链上下游。

  制造业大量有价值的信息,其实并不在ERP或者企业内部系统里,而是分散在与客户、供应商的电话、会议、现场沟通和日常协作中。

  比如客户需求的变化、供应商交期的承诺、现场发现的问题,这些信息往往没有被完整记录,更谈不上沉淀和复用。

  AI眼镜、录音卡等硬件,本质上是我们采集这些业务信息的新入口。

  我们希望在获得授权的前提下,把企业上下游的碎片化信息转化成结构化的业务数据、知识和经验,再由数智员工去理解、跟进并推动执行。

  长期来看,我们想构建的不只是企业内部的AI员工,而是能够理解和协同企业上下游业务关系的AI组织。

  Q15:对于正在做产业AI产品的同行,您最想分享的一条经验是什么?

  唐斌斌:我觉得不要只盯着模型有多聪明,更要思考如何持续获得真实的业务上下文。

  因为在制造业场景里,有很多知识和经验并没有直接存在于系统中。它们可能在老师傅的脑子里,在日常沟通里,也可能藏在企业具体的业务流程和规则里。

  如果不能理解这些业务上下文,即使模型能力很强,也很难真正融入业务。

  没有业务上下文,再聪明的Agent也很难创造持续的价值。

特别声明:以上文章内容仅代表作者本人观点,不代表新浪网观点或立场。如有关于作品内容、版权或其它问题请于作品发表后的30日内与新浪网联系。
权利保护声明页/Notice to Right Holders

举报邮箱:jubao@vip.sina.com

Copyright © 1996-2026 SINA Corporation

All Rights Reserved 新浪公司 版权所有