大模型进工厂，第一批上岗的不是全能助手，而是报价测算、质量报告、供应商比价、设备排障这些边界清晰的活。制造业 AI 的门槛不在模型大小，在流程数据和 Know-how 有没有沉淀成系统里可追溯的能力。
这两年 AI 进厂，最常见的结局是停在演示阶段。屏幕上的智能很聪明，产线上的智能还在排队。
更具体的场景是这样的：客户催一个非标件报价，老师傅翻着去年的 Excel 估个数；质检台上人眼看外观，判据在几个老检验员的脑子里；采购比价开着七八份报价单手工对参数和交期；设备报警了，等懂那台机器的工程师从另一个车间赶过来。这些活不难，但都卡在"人"身上——人一走，经验跟着走。
一、大模型进工厂，第一批上岗的为什么是报价和质检？
近期能看到两个方向。一个是 Anthropic 推出的 Claude for Manufacturing，据其介绍包含 17 项技能，对接工厂记录做报价测算、质量报告、供应商比价、设备排查这类具体任务；另一个是精工智能AI数字人智能体，思路是把专家经验变成可调用的知识资产。
两者指向同一件事：工厂里最先被 AI 接手的，不是"什么都能干的助手"，而是边界清晰、判据明确、重复发生的活。报价有 BOM 和历史成交价可依，质检有缺陷样本和判定标准可依，比价有参数和交期可依，排障有报警码和历史工单可依。这些活的共同点——判断依据本来就在工厂里，只是散在人的脑子、聊天记录和一堆表格中。
反过来看也成立。如果一个厂的报价靠拍脑袋、质检判据只存在老师傅经验里、维修记录写完就进抽屉，再强的模型进来也无从下手。AI 能不能上岗，不看模型多大，看这些活有没有被记录成数据。
二、"专家经验变知识资产"，通常卡在哪三处？
这句话说起来顺，落地常卡在三个地方。
记录。 经验要变成资产，前提是每次判断都被记下来：这张报价单为什么报这个价、这批货为什么判不合格、这台设备为什么换这个件。很多工厂的记录只停在结果，没留下依据。
结构。 记录下来了，但散在纸质单、微信群、个人电脑里，彼此对不上号。同一个物料在采购系统一个编码、在仓库一个叫法，AI 拿到手也没法关联。
复用。 就算记下来、也结构化了，如果每次调用都要重新组织一遍，那它还是资料，不是能力。可复用的形态是：系统里存着一条可追溯的判断链，下次遇到同类情况，人和系统都能顺着走一遍。
这三处，本质都不是 AI 的问题，是数据和流程的问题。
三、WMS/MES 里跑的，为什么正好是 AI 要的那批数据？
工厂里最完整的流程记录，往往不在文档里，在 WMS 和 MES 里。
一张工单从下达、领料、报工到入库，每次状态变化都有时间戳和操作人；一批物料从收货、检验到上线，批次和供应商是绑定的；一台设备的报警、停机、维修、复机，工单里留着全过程。这些数据的共同点是：有结构、有关联、可追溯——正是前面说的"依据"。
所以制造业做 AI，顺序常常是反的：不是先上大模型再补数据，而是先把 WMS/MES 里的流程跑规范，让每一环留下可追溯的记录，AI 才有地方接。精工智能数字化工厂在做的，就是把这条数据链先铺到工位上——报工、检验、出入库这些动作在系统里留痕，后面接智能体也好、接大模型也好，都有得用。
四、哪些活现在能干，哪些还得等？
边界要说清楚。
现在相对能干成的，是"有据可查、判据清晰、错了能兜底"的活：报价测算给出参考区间由人确认、质量报告按模板自动汇总、供应商比价按参数和交期拉平、设备排障给出历史相似工单与处置建议。共同点是——AI 出建议，人做决定，错了追得回来。
现在还不好干的，是判据本身说不清的活：新工艺第一次报价、没有先例的缺陷判定、跨工序的复杂异常。这类活依赖现场判断和多方协商，硬上 AI 只会增加返工。
还有一类要特别小心：把 AI 输出直接写进业务系统、不留人工确认环节。工厂的容错空间比办公室小得多，一次错误的质检判定，可能意味着一批货返工或流出。人机边界画在哪，比模型选哪个更影响结果。
精工智能数字化工厂的 AI 赋能，做的不是让 AI 出现在大屏上，而是让数字员工真正站到岗位上——巡检、报工、辅助判断，该干活的地方有它干活。制造业不必等一个"全能 AI"，先把现场沉淀的流程数据和 Know-how 变成系统里可复用、可追溯的能力；这一步走扎实了，模型换哪一代都接得上。
