2026 年 8 月 29 日，制造业 AI 场景应用生态大会(温州站)在温州国际云软件谷圆满落幕。近 200 位制造企业家、行业专家齐聚。全场讨论指向同一个务实的问题：AI 已经成为共识，但制造企业真正能落下的第一批项目，到底从哪里开始？慧工智能创始人金敏恒在现场给出的答案是：不要先做大平台，先跑一个真实业务每天愿意使用的"小而硬"闭环。
这不是一场只谈模型能力的大会。它把制造企业真正头疼的事摆到了台前：AI 已经从"要不要用"的概念期，进入了"第一批场景怎么选、谁来负责、人机边界怎么定、结果怎么验收"的经营期。
一个人人会用 DeepSeek、豆包的老板，不代表他的企业会用 AI。因为个人效率不等于组织效率。一位采购员会用 AI，不代表供应链风险会更早暴露；一位质量工程师会让 AI 写 8D，不代表质量复盘能沉淀成系统能力；一位老板会用 AI 看报表，也不代表车间现场的真实问题被看见。
那么，制造业的下一批项目，到底从哪里开始？
慧工智能创始人金敏恒，在近两百位同行面前，给出了一个务实的答案：不要先做大平台、讲宏大叙事，而是先跑一个真实业务每天愿意使用的"小而硬"闭环。
贯穿全场的四个追问，是他抛给每一位制造企业家的：
数据怎么放？流程怎么接？责任怎么分？两周之后，用什么结果判断值不值得继续投？
01AI 到底能给企业带来什么:先看慧工智能自己
讲方法，更要讲证据。很多企业犹豫，是因为觉得 AI 是别人的故事，离自己的工厂太远。金敏恒没有绕开这个疑问，而是先拿慧工智能自己身上的变化说话，给出三个最能说明问题的数字。
第一个，发版周期从过去的两周一次，做到了最快的时候——一天可以发两次。研发产出没有因为事务性工作而变慢，反而越来越快。这是 AI 世界里最先发生、也最直观的一件事：把编码与研发里大量重复性、事务性的工作交给 AI，让人把精力放到真正创造性的产出上。
第二个，一个财务经理、一个人事经理，就支撑起一家约 300 人规模、年盘子两个亿左右公司的全部运营。为什么能这样？因为这两位管理者日常所用的办公与生产工具，都是他们自己主导、亲手开发的——他们拥有了最适配自己流程和工作方法的"生产系统"。AI 不是替掉了人，而是让每个人都能用更少的精力，做好更多、更重要的事。
第三个，所有现场交付、留档资料，比大半年前增长了 4 倍，每天约有 20G 在产生。业务在持续做大，能够沉淀下来的经验、方法与成果，也在一路变厚——这就是一家 AI 原生企业最真实的生长。
这三个数字拼在一起，指向同一个事实：当一家公司真正拥抱 AI、用 AI 去改造组织之后，每一个岗位所需要的能力，都变了。
金敏恒的感受很直接：过去我们做落地实施，一个人很难被定义成项目经理、需求分析师还是实施工程师，现在大家叫它 FDE 工程师。岗位定义变了、工作流程变了、组织层级变了，数据和企业资产积累的方式也变了——AI 原生，从来不是一句口号，而是一连串真实的变化。
02 给 AI 一张工牌：先想清楚它在哪个岗位、干什么、谁确认
很多 AI 项目停住，不是因为模型不够强，而是因为企业没想清楚一个前提：AI 到底以什么身份进入我这家公司？
金敏恒给了一个很形象的抓手——把 AI 当作真正的"数字员工"，给它发一张工牌。这张工牌上，至少要写清楚四件事：
它在哪个岗位工作：是供应链风险助手、质量复盘助手、图纸/合同/标书审核助手，还是现场巡检助手？
它能看哪些资料：订单、PO、会议纪要、客户投诉、检验记录、图纸、SOP、整改照片，边界必须明确。
它能做到哪一步：是提出疑点、生成待办、归类风险，还是可以推动动作？哪些地方必须人审？
它如何被复盘：使用过程、修正过程、误报漏报、越权风险，都要留下证据。
Demo 证明可能性，流程决定生命力。
真正有价值的，从来不只是 AI 的输入和输出，而是员工使用 AI、纠正 AI、否定 AI、补充业务约束的过程。这些过程，会慢慢变成企业自己的 skill、评估集、知识库和管理资产。
这也解释了为什么传统意义上的 IT 部门、信息化部门，会在 AI 时代被赋予全新的使命——不是维护系统，而是管理一个由数百个智能体、上百个应用和成 TB 级知识构成的"新企业"。
03 首批项目要"小而硬"：先跑两周，看业务会不会想要它回来
那到底选什么项目？金敏恒的建议和老板们心里的期待对上了：第一批项目，不要追求全场景颠覆，而要选"小而硬"的工程。
"小"，是场景足够聚焦，最好两周内能用真实材料试跑；"硬"，是结果必须能被业务验证，不是写一份漂亮方案就算完成。他用几个已经落地的真实案例，把"小而硬"讲透了。
图纸审查，先看漏项。有一家企业的设计部门，做了一个看似简单的"机械图纸审查智能体"。两周时间里，它扫描了 340 张结构图纸做评审，产出 180 条评审意见，经人工筛选后，采纳了 139 条——其中大量是标注错误、结构刚性等问题。这等于把这家企业设计评审的"下限"整体抬上去了。它的价值不是"比专家更懂"，而是在试产前，把那些容易被遗漏的风险，推到专家面前。
SOP 作业指导书，从"老师傅说不出来"到"AI 自动复原"。以前做标准化，最痛苦的是掐表准不准、师傅动作标不标准。老师傅的经验往往"只可意会、不可言传"。现在，只需请老师傅用最标准、最熟练的方式做一遍，通过视频 AI，就能把整套作业指导书自动复原出来，再加上动作监控，一线很多手工操作会变得越来越规范。
采购看异常，把管理者从"被流程绑架"里解放。以前采购最麻烦的是批单子——一批几百条，管理者其实也不知道该批不该批。到最后，不是人在管流程，而是人被流程绑架了。管理者真正关心的，是这个月哪 10 个采购订单最可能造成断料、导致延期。AI 能把这些真正值得投管理精力的地方，从数据的海洋里捞出来。
合同审查，靠"语义识别 + 判例积累"。条款到底对我有利还是不利，过去全靠人去判断，又没人敢担责，最后只能层层上报、原地打转。而 AI 的好处在于：它有语义识别，能看出条款对谁有利；当它接受一次判断后，会把经验积累下来，下一次不再重复上报，而是作为"判例"来参考——效率，就是在这般一次次积累中提升的。
两周，不是要你做完一个项目，而是要判断它值不值得继续投入。
两周后，业务明天还会不会主动打开它？
它有没有帮人更早看见风险或漏项？
人审边界是否清楚、错误能否被复盘？
输入、规则、反馈和评估集，能不能复用到下一个场景？
如果答案都是肯定的，这个小闭环，就有机会长成体系。
04 真正的资产：把经验和知识，"留"下来
这些场景跑通之后，金敏恒把话题引向更深的一层——企业知识的沉淀。
他讲了一个非常朴素的渴望：我们做一件事，不是希望每次做完之后所有事情都重新来一遍，而是希望它能真正成为我们下一次的起点。
这个起点，会积累下两样东西：一是一套规则和原则的优化；二是数据——尤其是传统上最难被用起来的工艺工时数据、质量数据。过去这些数据除了追溯，几乎很难被用到，它们躺在档案室里、数据库里。而在 AI 的知识体系下，每个数据一旦产生、被向量化，就能在下一次调用中被轻松用到。
当规则和数据结合起来，它就变成了能真正推动企业前进、进化的资产。
金敏恒由此画出制造业 AI 时代的三层结构：
最上层：大量工作方法、标准积累后形成的智能体应用、专家与技能体系。这一定是服务商与企业业务骨干、管理层共同共创出来的——因为只有自己最了解自己的需求，每位管理者都值得拥有一个为他量身定制的智能体。
中间层：整个企业的知识体系、组织资产与知识图谱——企业过去发展的经验与能力，都被沉淀在这一层。
最底层：承载这些应用、智能体和数据的 AI 底座，也就是被赋予全新使命的 IT 与信息化部门。
但他同时清醒地提醒——当企业把"魂"都放进了 AI，数据安全就比任何时候都严峻。
如果你的知识体系、能力体系全部沉淀进系统，一旦泄露，"你企业的魂就被人拿走了"。如何保证数据不出场、如何保护好每一段和 AI 对话的记录，都将成为制造业面对的新课题。
当这几步都走完，AI 真正进入企业经营的标志会浮现：核心班子的工作，已经从传统系统界面切到了 AI 的界面；智能体开始大量代理我们的工作——Agent 的中文直译就是"代理"，它不再是助手，而是以数字员工的方式进入流程，真正替我们去干活。
而最难得的是金敏恒最后的提醒：AI 的绩效，也应该进入企业月度、季度的经营盘点。回顾 AI 的表现、复盘 AI 的误报漏报、决定未来的资源分配——真正把它当成一个数字员工去管理。这才是走到全面驱动、全自动运营那一天，真正会发生的景象。
05 全场形成共识：不迷信模型、不轻视工具、不跳过现场
本次大会的其他分享，也从不同角度验证了同一件事。
雅戈尔集团 CEO 王歆那句"AI 不是工具，是方法，是组织变革"，把观点拉到了组织层面——如果只把 AI 当工具，变革就仅限于个体，一定不是组织的。他还用雅戈尔门店海报"把七个变量变成一个变量"的案例，说明 AI 的价值往往藏在那些信息、环节、流程里。
江南大学商学院产业教授、中关村领智副理事长 郑金军那句"读懂了工厂，才会用好 AI"，则把问题拉回现场——你只要重新审视你的工厂，再来看 AI 怎么做，会非常不一样。制造业 AI 是工程科学、系统科学，不是学会一个工具就能落地。未来企业需要懂业务、懂 IT、懂 AI、能把现场问题翻译成系统的人。
来自亚马逊云科技的解决方案架构师陈春辉的分享，则把视野拉向国际制造业的前沿实践，印证生成式 AI 正沿着制造业价值链，一步步走进真实流程。
温州市人工智能协会秘书长冯向荣在大会上发布了"AI 原生企业模型"。他用五层模型刻画一家企业如何被 AI 重新组织，并以一组真实的诊断数据说明差距：某企业的价值流中存在 9 个关键节点、48 张工单曾造成 6.5 小时延误、6 套系统里散落着 186 张数据表——这些正是 AI 原生改造的发力点。他引用自己的一句话作结："因为有 AI，才有这样的工厂。"这套模型，为制造企业评估自身 AI 成熟度、规划演进路径，提供了一套可直接参照的框架。
这些观点汇在一起，说明制造业 AI 正在进入一个更务实的阶段：不迷信模型，不轻视工具，不跳过现场，不绕开人审。
06一张"看得见、用得上"的制造业AI地图
大会还举行了一场特别的仪式——《中国制造业 AI 场景图谱》共创启动仪式。来自服务商、行业协会与制造企业的嘉宾集体登台，以点赞的方式，共同按下启动键。
这份图谱的特殊之处在于，它不是一份躺在纸面上的宏大规划，而是以"行业主要流程领域已上线、已验证的实际智能体案例"为底图——每一个点位，都是一家制造企业真正跑通、验证过的场景。它不追求一步到位，而是持续生长、每季度更新。
现场展示了以电气行业为例的图谱示例，勾勒出这样一张地图：哪一域的流程已经有人用 AI 跑通、跑通到什么程度、有哪些可借鉴的做法，一目了然。它把散落在各家企业里的"小而硬"实践，织成了一张看得见、用得上的制造业 AI 地图。
对很多还在观望的企业来说，这或许正是那个"从哪里开始"的答案——不必从零摸索，先看看同行业里已经有人跑通了什么。
结语：AI 先改变那些看不见、追不动、复盘不了的管理过程
金敏恒在最后说：AI 这个时代已经来临了，任何时候开始都不嫌晚；但我们决定从哪里开始，一定程度上，也决定了我们能走到哪、下一步是什么。
对制造企业来说，真正重要的，不是"今天有没有上 AI"，而是能不能从一个真实场景开始，把输入、流程、责任、人审、验收和复盘串起来。
制造业 AI 最先改变的，未必是机器本身，而是那些过去看不见、追不动、复盘不了的管理过程。
先跑一个小而硬的闭环。让业务用起来，让人愿意修正它，让证据留得下来，让两周后的结果说话。
这就是慧工智能在本次 AI 中国行现场想传递的核心答案：用智能体，提效中国制造；从首批项目开始，把 AI 真正带进车间、流程和经营结果里。
如果你也在寻找制造业 AI 的第一批落地项目，欢迎在评论区留言"首批项目"。
我们会围绕供应链风险、质量复盘、现场闭环、审核漏项等高频场景，持续分享更多来自制造现场的方法与案例。
▍ 关于 慧工智能 ▍
慧工智能成立于2016年，总部设立于苏州市工业园区，并在武汉（华中）、广州（华南）、天津（华北）建立全资子公司，同时在南京与温州分别设立了软、硬件研发与创新中心。
慧工智能本着"数据驱动高效中国制造"的使命，聚焦服务民族工业企业的智能化改造与数字化转型，提供集合"体系、软件、硬件、人才"四维一体的综合工业解决方案和产品服务，公司核心产品如工业体系IPS，IN3-ERP（企业资源计划系统）、IN3-MES（制造执行系统）、IN3-LDS（精益数字化系统）、IN5-SCM（供应链运营系统），研发创新自动化智能设备与新型生产模式，目前累计已成功服务电力电气、电器元件、电子通讯、新能源等重点工业行业超过3000家客户。
自创建九年以来，慧工智能凭借卓越的行业知识与创新理念、专注产品技术和创新服务，获得了政府、协会和客户群体的认可，并荣获国家级专精特新"小巨人"企业、工信部工业互联网平台试点示范平台、财政部首批中小企业数字化转型试点平台、江苏省专精特新企业、江苏省双创人才领军企业、江苏省首批智能制造与工业互联网解决方案服务商、江苏省工业互联网重点平台、江苏省企业技术中心，苏州市独角兽培育企业等荣誉。
9月12日，昆山，不一样的期待，报名二维码在此：
制造业AI场景应用生态大会（第一季）行动计划
强省：
江苏（无锡）6月27日
广东（东莞）7月25日
浙江（温州）8月29日
强县：
江阴 9月5日
昆山 9月12日
强国：
上海 10月12日-16日
（工博会同期）
