康瑞通拥抱 AI 时代：AI 帮我们梳理了一条制造企业落地路径

把我们已经做的项目、正在规划的功能和遇到的问题交给 AI 重新梳理后，我们目前形成了一条比较清晰的路径：

先解决具体业务问题，再做软件化、标准化和自动化，最后才逐步走向 Agent。

这不是标准答案，只是我们现阶段的一次实践总结。

一、先从重复工作开始

我们现在优先找这类场景：

• 高频重复；
• 数据分散在多个系统；
• 人工查询和整理很多；
• 容易遗漏和出错；
• 规则相对明确。

目标不是先做一个“万能 AI”，而是先让员工少查几个系统、少搬几次数据、少做重复判断。

二、我们已经落地的几个功能

目前做得比较好的，主要有三个方向。

1. 齐套与缺料分析

系统自动把订单需求、库存和采购情况关联起来，帮助员工直接看到：

• 哪些订单已经齐套；
• 哪些还缺料；
• 缺什么、缺多少；
• 哪些问题可能影响交期。

过去是人找数据再判断，现在逐渐变成系统整理数据，人处理异常。

查看全部物料的采购单， 生产任务单， 库存占用， 采购到料日期

2. 仓库库存分析

不只是看“库存有多少”，而是进一步分析：

• 哪些库存偏高；
• 哪些物料可能短缺；
• 哪些长期没有使用；
• 哪些库存和当前订单真正相关；
• 哪些可能形成积压。

目标是从“看库存数字”变成“发现库存问题”。

分析每个物料的库存时间， 近6个月的消耗量， 多余的数量， 额外占用的金额

3. 采购助理分析

把订单、缺料、库存和采购状态汇集起来，帮助采购人员直接看到：

• 哪些物料最紧急；
• 哪些还没有下单；
• 哪些采购可能影响生产；
• 哪些订单存在交期风险。

采购人员不再先花大量时间找数据，而是直接处理重点问题。

及时发现可能多采购或是少采购的物料,以及占用的金额

供应商协同交期，直接传递给我们采购， 和销售人员的订单。让销售随时知道最新交期和卡点。

三、我们计划做的销售跟单系统

下一步，我们计划把销售跟单做成标准化、可配置的流程。

不同类型订单可以配置不同的跟单步骤。

系统会自动告诉销售：

• 哪些步骤已经完成；
• 哪些还没有完成；
• 当前进行到哪里；
• 下一步应该做什么。

同时，系统可以根据订单和当前进度自动准备相关邮件，例如订单确认、交期更新、发货通知等，销售人员核对后点击发送即可。

另外，我们希望把订单从确认、生产、检验到发货等关键时间点自动汇集起来，形成完整时间线。

对客户，也可以展示适合公开的跟单进度，让客户清楚知道：

哪些已经完成，哪些还没有完成，现在进行到哪里。

四、不是所有事情都要做成 Agent 和 Skill

这是我们现在越来越明确的一点。

如果一个业务规则已经比较稳定，比如：

• 库存怎么计算；
• 缺料怎么判断；
• 哪些节点需要提醒；
• 哪些订单需要进入某个流程；
• 哪些数据应该怎么汇总；

这些事情完全可以固化成软件、规则或算法来执行。

没有必要每次都调用大模型，也没有必要每一步都消耗 Token。

所以我们更倾向于：

AI 先帮助我们把业务逻辑梳理出来，再把成熟逻辑固化成软件和算法。

以后系统自己按照规则运行，只有遇到需要理解、判断、总结、解释的事情时，再调用 AI。

例如：

适合固化成软件的：

• 库存计算；
• 缺料计算；
• 订单状态判断；
• 流程节点；
• 数据汇总；
• 自动提醒。

更适合 AI 的：

• 邮件理解；
• 异常原因分析；
• 风险判断；
• 客户沟通内容生成；
• 跨多个业务信息进行综合分析。

这样做有两个好处：

一是系统更加稳定、可控；

二是不需要为了“AI 化”而让所有事情不断调用 Token。

AI 的价值，不是让所有流程都变成 AI，而是帮助我们把真正需要智能的地方做好，把可以固化的地方固化下来。

五、为什么我们现在不急着做一个大 Agent

Agent 真正有价值的前提，是下面已经有稳定的数据和业务能力。

比如以后问：

“哪些订单最可能延期？”

Agent 才能真正调用齐套、缺料、库存、采购和生产等已有能力，形成有依据的分析。

所以我们目前更倾向于：

先把“手和脚”做好，再做“大脑”。

六、AI 对我们还有一个重要价值：帮助企业自己做软件

过去很多内部小需求，因为开发成本高、周期长，往往只能继续用 Excel、人工和多个系统配合。

现在借助 Codex 等 AI 编程工具，很多小需求可以更快做成真正的软件。

这对制造企业很重要。

因为很多真正影响效率的问题都很具体，标准软件不一定刚好适合，而 AI 正在降低企业定制软件的门槛。

七、我们现在遇到的几个现实问题

我们本身不是专业的软件开发团队，很多人懂业务，但不会看代码。

所以现在也面临几个明显问题：

第一，系统需要不断打磨。很多架构问题只有真正使用以后才会发现，因此需要持续调整。

第二，大数据量和多人同时使用还需要验证。一个人能正常使用，不代表大量数据和多人并发时一定没有问题。

第三，权限和信息安全非常重要。如果权限设计不好，可能造成客户资料、财务信息、研发资料等公司机密泄露。

同时，金蝶、纷享销客、阿里云等系统都涉及 Token、Secret、AccessKey 等重要访问凭据，这些信息不能随意进入代码仓库、聊天记录或调试日志。

因此我们现在越来越重视：

谁需要什么权限，就只给什么权限；开发权限、生产权限和系统密钥必须分开管理。

八、AI 帮我们梳理出的落地路径

我们现在大致按这条路线推进：

业务问题 → 软件化 → 标准化 → 算法/规则固化 → 自动化 → AI 化 → Agent 化 → 企业智能平台

简单说，就是：

1. 找到重复、高频的问题；
2. 把分散的数据连接起来；
3. 做成简单软件；
4. 把流程标准化；
5. 能固化的逻辑尽量固化成程序和算法；
6. 把成熟功能沉淀成公共能力；
7. 把固定流程自动化；
8. 在真正需要理解和判断的地方加入 AI；
9. 最后再让 Agent 调度这些成熟能力。

结语

这不是一套“制造企业 AI 教程”，只是康瑞通目前的一次阶段性总结。

我们现在越来越确定的一点是：

真正有价值的 AI，不是让所有事情都去调用 Agent、消耗 Token，而是帮助企业把能固化的工作固化下来，把真正需要智能的部分交给 AI。

最终目的也不是让员工多一个聊天窗口，而是：

少查几个系统、少做一些重复工作、少犯一些错误，并且更早发现问题。

这可能才是制造企业更实际的一条 AI 落地路径。

了解康瑞通公司资料及OEM合作服务，欢迎联系我们交流制造与协同需求。

原文来源：康瑞通微信公众号