从本地AI、企业知识库，到AI Agent与U9 ERP的探索，制造企业真正需要的，可能不是一个聊天机器人
这两年，AI很热。
热到很多企业都在问同一个问题：
“我们是不是也应该用AI？”
有人用AI写文案，有人用AI做PPT，有人用AI写代码，也有人把AI接入客服、销售和办公系统。
这些应用当然都有价值。
但对于一家真正做制造业的企业来说，我们越来越觉得，AI真正值得投入的地方，可能并不是“帮员工写一封邮件”这么简单。
因为制造企业每天产生的东西，远不只是文字。
还有订单、BOM、图纸、采购、库存、设备、生产、质量、成本、售后、客户以及大量沉淀多年的行业经验。
这些东西，才是制造企业真正的“家底”。
问题是：
这些数据很多，但真正能够被理解、被利用、被连接起来吗？
这也是意朗开始认真研究企业AI的原因。
01
我们为什么没有满足于“用一个AI”？
过去一段时间，意朗内部也在不断尝试各种AI工具。
大模型、知识库、本地部署、Agent、自动化工作流……
从最开始的“AI能帮我们做什么”，慢慢变成了另外一个问题：
“如果AI真正属于意朗，它应该是什么样？”
这个问题其实比“选择哪个模型”更难。
因为一家制造企业真正需要的AI，不应该只是知道互联网公开信息。
它更应该知道：
意朗有哪些产品；
不同产品的技术参数是什么；
产品之间有什么区别；
技术资料在哪里；
某个零部件属于哪个BOM；
客户过去采购过什么；
某个订单现在进行到什么阶段；
库存是否充足；
生产是否存在风险；
某台设备过去有没有出现过类似问题；
甚至，为什么一个产品当初要这样设计。
这些知识，大模型本身并不知道。
它们存在于企业的ERP、PDM、生产系统、文件服务器、工程资料、历史订单以及员工多年的经验里。
所以我们很快意识到：
企业AI真正的难点，不是“把AI装进电脑”。
而是：
让AI真正理解一家企业。
02
于是，我们开始尝试做一件不太一样的事情
我们没有把目标简单定义成：
“做一个意朗版ChatGPT。”
而是希望慢慢建立一个属于意朗自己的企业级AI Agent。
它有一个大家更容易记住的名字：
小意
“小意”不是一个单纯的聊天窗口。
至少我们的设想不是这样。
我们更希望它逐步成为一个连接意朗内部知识、业务数据和数字化系统的智能入口。
员工可以问它问题。
管理人员可以让它分析数据。
技术人员可以让它查找资料。
销售人员可以让它整理客户信息。
市场人员可以让它研究行业。
未来，在权限和系统接口完善之后，它甚至可以进一步参与一些业务流程。
也就是说：
从“回答问题”，逐渐走向“理解任务”。
这就是我们理解的AI Agent。
03
AI Agent和普通聊天机器人，到底有什么区别？
其实很好理解。
如果只是聊天机器人，你问：
“ERC系列空压机有哪些产品？”
它给你一个答案。
而一个真正面向企业的Agent，理论上应该能够进一步做更多事情：
先理解你的问题；
再判断需要哪些信息；
从企业知识库中寻找产品资料；
根据权限调用对应业务系统；
分析相关数据；
最后给出一个完整结果。
如果以后进一步打通ERP、生产系统或者设备数据，那么它还可以从“告诉你发生了什么”，逐渐走向：
“告诉你为什么发生，以及下一步应该怎么做。”
当然，这不是说今天部署完一个Agent，明天就可以做到这一切。
恰恰相反。
这也是我们现在最清楚的一件事情：
企业AI是一项长期工程。
模型只是其中的一部分。
真正决定AI能不能进入企业核心业务的，是数据、知识、系统接口、权限、安全、流程和组织。
04
所以第一步，我们先解决一个看起来并不“炫”的问题：把AI真正部署起来
如果只是调用在线AI服务，当然很方便。
但对于制造企业而言，一些内部技术资料、产品资料、业务数据和企业知识，并不适合毫无边界地交给外部系统。
因此，我们开始探索企业自己的AI运行环境。
从服务器环境，到Docker容器；
从模型部署，到模型接口；
从本地服务，到数据库；
从企业知识库，到向量数据库；
再到Agent运行环境和权限控制。
这些事情听起来没有宣传片里的“AI大脑”那么漂亮。
但恰恰是这些底层工作，决定了未来这套系统能不能真正跑起来。
我们希望做的不是一个“看起来很AI”的产品。
而是一套：
真正能够在企业内部长期运行的AI基础设施。
这也是为什么，我们宁愿一步一步搭。
05
第二个问题：AI怎么认识意朗？
这是整个过程中非常关键的一步。
大模型知道很多世界上的知识。
但是它并不知道：
“意朗内部某份技术资料放在哪里。”
更不知道：
“某个产品为什么采用这样的设计。”
所以，我们开始考虑建立自己的企业知识库。
未来，意朗的知识体系可以逐步被整理成不同层次：
产品知识
技术知识
工程知识
生产知识
质量知识
销售知识
服务知识
企业管理知识
以及大量历史资料。
这些信息经过整理、结构化和权限管理后，再让AI能够进行检索、理解和关联。
这一步非常重要。
因为企业真正有价值的知识，往往不是互联网搜索能够找到的。
它可能是一份十年前的技术资料。
可能是一位工程师积累多年的经验。
可能是一张产品BOM。
也可能是一段售后记录。
这些看似零散的东西，如果能够被系统化地组织起来，就可能变成企业非常重要的数字资产。
06
再往前一步：让AI开始理解企业经营
如果知识库解决的是“AI知道什么”。
那么ERP解决的就是：
“企业现在正在发生什么。”
对于制造企业来说，ERP是非常重要的数据基础。
订单、采购、库存、生产、销售、成本等经营信息，都与企业每天的运营密切相关。
意朗目前也在探索让AI能力逐步与U9 ERP等企业数字化系统形成更深层次的协同。
这里面有一个非常重要的变化。
以前，我们使用ERP的方式是：
人进入系统 → 查数据 → 下载数据 → 做Excel → 分析 → 得出结论。
未来，我们希望逐渐探索另一种方式：
人提出问题 → AI理解问题 → 调用授权数据 → 分析 → 输出结论。
例如：
“最近一段时间哪些订单存在交付风险？”
“哪些产品销售增长比较明显？”
“哪些物料库存压力比较大？”
“某类产品的成本变化主要来自哪里？”
这些问题，本质上并不是“查询数据”。
而是：
理解数据。
这也是AI进入企业经营管理之后真正有价值的地方。
07
当AI开始连接ERP，事情就开始变得有意思了
想象一下。
一个生产管理人员早上来到办公室，不需要打开多个系统，一个个查询。
他只需要问：
“小意，帮我看一下目前所有订单的交付情况。”
AI先找到订单数据。
再结合库存。
结合采购状态。
结合生产进度。
再根据历史数据判断可能存在的风险。
最后告诉他：
哪些订单正常；
哪些订单需要关注；
哪些订单可能延期；
造成风险的原因是什么；
应该优先处理什么。
这时候，AI就不再是一个“问答工具”。
它开始成为：
企业经营信息的智能入口。
当然，要做到这一点，需要大量的数据治理、系统接口开发、权限设计和业务流程建设。
所以我们并不急于对外宣称“已经完全实现”。
我们更愿意把它称为：
正在建设中的能力。
因为制造业最需要的，从来不是一句漂亮的口号。
而是最终真正能够运行起来的系统。
08
从“一个AI”，到“多个专业AI”
企业的业务非常复杂。
研发和销售面对的问题不同。
销售和生产面对的问题不同。
生产和采购面对的问题也不同。
所以未来的小意，也不会只有一个“大脑”。
我们更倾向于建立多个专业Agent，再由一个主Agent进行协同。
比如：
营销Agent
负责行业研究、SEO、GEO、市场分析、内容生产等。
技术Agent
负责产品资料、技术文件、参数、标准和工程知识。
销售Agent
辅助客户分析、产品匹配、销售资料和历史信息查询。
生产Agent
辅助生产计划、订单交付和生产异常分析。
供应链Agent
分析采购、库存、供应商及物料风险。
服务Agent
结合产品知识、维修记录和设备数据辅助售后服务。
最后，再由“小意”作为统一入口进行任务协调。
这就像企业内部逐渐拥有了一支：
不会疲劳、能够持续处理信息、并且可以协同工作的数字化团队。
09
但我们认为，AI最重要的价值，不是替代人
这一点必须说清楚。
制造业不是互联网。
工厂里有设备、有材料、有工程师、有工艺、有质量要求，也有大量需要经验和责任承担的决策。
所以我们并不认为：
“有了AI，人就不重要了。”
恰恰相反。
我们更相信未来真正高效的组织，是：
人 + AI。
人负责：
目标、经验、判断、责任和最终决策。
AI负责：
信息整理、数据分析、知识检索、预测、计算、协同和重复性工作。
比如一个优秀工程师，以前一天可能有几个小时都花在“找资料”。
如果AI能够把这些信息快速整理出来，那么工程师真正宝贵的时间，就可以放在：
设计、创新和解决复杂问题。
这才是AI应该创造的价值。
10
从数字化工厂，到真正的智能工厂
过去我们谈智能制造，很多时候首先想到的是：
机器人。
自动化生产线。
MES。
工业互联网。
设备联网。
这些都很重要。
但我们现在越来越认识到：
自动化解决的是“机器怎么做”。
而AI开始解决的是：
“为什么这样做，以及下一步怎么做。”
这两个能力结合起来，才有可能形成更完整的智能制造体系。
未来理想状态下：
客户需求进入系统；
订单进入U9 ERP；
ERP产生生产和供应链需求；
生产系统组织制造；
设备产生实时数据；
质量系统产生检测数据；
售后产生使用反馈；
这些数据最终重新回到企业的数据体系；
AI再对这些数据进行分析。
于是形成一个持续循环：
业务产生数据 → 数据形成知识 → AI理解知识 → AI辅助决策 → 决策进入业务 → 业务产生新的数据。
这才是我们理解的：
智能工厂闭环。
11
那么，为什么我们开始谈“工业6.0”？
这里需要特别说明。
“工业6.0”目前并不是像工业4.0那样已经形成全球统一定义和标准体系的成熟工业范式。
因此，意朗并不是想给自己贴一个“工业6.0企业”的标签。
我们更愿意把它理解为一种：
对下一阶段制造业发展的探索。
工业1.0解决机械化。
工业2.0进入电气化和规模化生产。
工业3.0进入自动化和信息化。
工业4.0进一步强调数字化、网络化和智能制造。
而随着大模型、AI Agent、机器人、数字孪生和工业数据技术的发展，我们看到一个新的可能：
制造系统不仅能够连接和自动运行，还能够逐渐具备更强的认知、分析、预测和协同能力。
这也是意朗所理解的“工业6.0”方向：
不是简单增加设备。
而是让：
人、设备、数据、软件、AI和企业管理系统形成更加紧密的智能协同。
这是一条长期道路。
而不是一个可以一夜完成的项目。
12
对意朗而言，这可能是一场比“上一个系统”更大的变化
过去企业做数字化，通常是：
“我们需要上ERP。”
“我们需要上MES。”
“我们需要做PDM。”
“我们需要设备联网。”
这些项目往往有明确的起点和终点。
但是AI不一样。
AI更像是一种新的基础能力。
模型会升级。
Agent会升级。
企业知识库会不断增加。
数据会不断增加。
业务场景会不断增加。
AI能力也会随着企业本身一起成长。
所以我们更愿意把“小意”看成一个长期建设的项目。
今天，它可能只是帮助员工查资料。
明天，它可能帮助分析经营数据。
再往后，它可能连接ERP、生产、设备和供应链。
最终，它可能成为整个企业数字系统之上的：
智能协同层。
13
真正值得期待的，不是“小意有多聪明”
而是：
意朗能够通过小意，把过去沉淀在企业里的知识、数据和经验真正连接起来。
这是两件完全不同的事情。
一个AI回答得很漂亮，并不意味着它能够创造企业价值。
真正有价值的是：
它能不能理解企业。
能不能找到正确的数据。
能不能调用正确的系统。
能不能遵守权限。
能不能减少错误。
能不能帮助员工提高效率。
能不能帮助管理者更快发现问题。
能不能让企业的经验不断沉淀。
最终：
能不能让整个组织变得更聪明。
这才是我们真正想做的事情。
14
制造业的AI时代，可能才刚刚开始
现在回头看，我们会发现：
ERP改变了企业管理方式。
互联网改变了企业连接客户的方式。
自动化改变了工厂的生产方式。
而AI可能正在改变：
企业思考和决策的方式。
这一次，变化并不是某一个岗位的效率提升。
而可能是企业整个运行逻辑的改变。
从：
人找信息
走向：
AI主动组织信息。
从：
人分析数据
走向：
AI辅助分析数据。
从：
人操作多个系统
走向：
人通过智能Agent调用多个系统。
从：
企业依赖个人经验
逐步走向：
企业经验被数字化、结构化并持续沉淀。
这才是AI对于制造业真正值得期待的地方。
写在最后
意朗是一家制造企业。
我们知道，真正的制造从来没有捷径。
一台设备要经过设计、生产、测试、检验，最后交付到客户手里。
一个数字化系统也是一样。
AI更是如此。
所以我们不会把“小意”包装成一个已经无所不能的“超级AI”。
今天的它，距离我们理想中的企业智能体，还有很长的路。
但这恰恰是我们愿意认真投入的原因。
我们希望做的不是一个会聊天的AI。
而是一个真正懂意朗、懂产品、懂制造、懂数据、懂业务，并且能够逐步与企业数字化系统协同工作的AI。
从本地AI基础设施开始。
从企业知识库开始。
从Agent开始。
从U9 ERP的数据协同开始。
从一个个真正能够解决问题的业务场景开始。
一步一步，把AI从“工具”带进企业。
再把企业真正的数据、知识和经验，变成新的智能生产力。
这条路可能很长。
但对于制造企业而言，
真正的数字化，从来就不是追赶热点。
而是为十年后的竞争力，提前建设今天的基础设施。
小意，只是开始。
而意朗真正想探索的，是：
让AI进入工厂，让数据连接生产，让知识成为智能，让智能成为新的生产力。
意朗｜意智造，朗全球