一个具体到可以想象的场景
在无锡锡山区一家为家电企业提供智能化产线与高精度钣金模具的公司里，设计人员的操作方式发生了变化：打开企业 AIOS 管理平台，选择模具设计辅助智能体，输入产品信息以及模具各工序需要达到的形状与结构参数，屏幕上的模具详细结构开始逐步生成。过去需要工程师逐步建模、反复调整的工作，现在有相当一部分交给 AI 接手。
公开信息给出的效果是：通过模拟仿真与参数优化，模具设计周期能够缩短约 50%，单个工程师的效率可提升约 5 倍。这家公司叫无锡艾度科技有限公司，它把 AI 直接放进模具设计流程，作为 AI 加制造探索的一个缩影。
顺序很重要：先打通数据链，再谈智能体上岗
这家公司的做法里，值得注意的不是智能体本身，而是它把顺序摆对了。
对于一家非标制造企业来说，想让 AI 真正上岗，起步动作是把工厂里的数据厘清。一条产线、一副模具可能涉及成千上万种零件，从设计、采购到加工、装配、调试，每个环节都会产生大量数据。此前这家企业使用 ERP、PLM、MES 等十余套业务系统，由于来自不同供应商，订单、图纸、物料、库存等信息散落在不同系统里。
为此公司组建了约 10 人的数字化团队，重新梳理业务流程并重构软件架构，打通不同系统间的数据。这一步没有任何智能体参与，但它是后续所有能力的前提。
打通之后的变化是可以直接观察的：生产区域机床旁原本成摞的图纸消失，取而代之的是一台台云电脑，工人扫码即可调出对应的二维图纸、三维模型与技术资料。设计端图纸一旦更新，车间调用的始终是同一版本，不再出现因未及时更换旧图纸导致返工的情况。按企业测算，无图纸加工使生产效率提升约 20%，因图纸版本错误等造成的不良率下降约 40%。
AIOS 平台：把不同岗位的智能体纳入同一套管理
数据底座打好之后，AIOS 管理平台开始承担另一层职责。公司把它称为数字人管理平台，定位是把不同岗位的智能体统一纳入管理，解决 AI 在企业规模化落地时的可控、安全与成本三个问题，让一个个数字员工走进具体业务场景，在工厂里真正上岗。
这个定位与当前企业级智能体市场的一个共识相呼应：当企业里的智能体数量从个位数增长到几十个、上百个时，管理对象就不再是单个智能体，而是一支由不同厂商、不同能力、不同权限组成的队伍。统一入口、统一权限、统一审计，成为规模化的前置条件。
对制造业而言，这三个词有更具体的含义。可控指的是智能体在什么范围内操作、操作结果由谁复核；安全指的是它能不能碰到工艺参数、设备控制与客户数据；成本指的是推理调用、数据存储与人力复核的合计开销是否低于它节省的成本。非标制造的特点是订单批量小、变化多、工艺知识分散在少数资深工程师手里，这三件事的判断标准与传统软件采购很不一样。
行业数据才是难点
这家公司的负责人在公开表述中给出了一个判断：工业场景里的行业数据非常稀缺，制造业 AI 真正难的地方就在于高质量行业数据的积累。
这个判断值得展开。公开的通用语料无法覆盖具体工厂的工艺约束、设备特性与质量判定标准；而这些知识往往以经验形式存在于资深工程师脑中，或者散落在历史工单、图纸批注与返修记录里。它既没有结构化，也没有被标注为「可用于训练」。
该公司当前的做法是把每天发生的设计、生产与经营活动持续沉淀下来，从真实工业场景中提炼高质量的行业数据。这条路径的节奏注定不快，因为它依赖生产活动的自然发生，而不是靠采购数据补齐。
中立思辨
需要辩证看待几件事。其一，上述效率数据来自企业自身测算，口径包含哪些环节、对照基准是什么，公开信息没有完整披露，因此更适合作为方向性参考，而不是可直接套用到其他工厂的预期值。其二，缩短设计周期与提升单个工程师效率，在非标制造里并不必然等于交付能力同比例提升，因为瓶颈可能在下游的加工排产、外协采购或质检环节，上游提速有时只是把压力后移。其三，10 人数字化团队对中型制造企业来说是一笔真实投入，且这类团队的能力很难在市场上快速复制，意味着该模式的可复制性受限于人才供给。其四，十余套异构系统的打通通常是一次性工程，但后续每新增一个系统、每做一次系统升级，都要维护接口，长期成本容易被低估。其五，让智能体参与模具设计，输出结果仍需工程师校验，责任归属也需要明确——当设计缺陷导致模具报废时，责任落在智能体、平台供应商还是签字工程师身上，需要在流程中提前定义。其六，制造业的数据敏感度较高，工艺参数与客户图纸涉及商业机密，平台在本地部署与权限隔离上的具体方案，目前公开信息有限，后续将持续跟进迭代动态。
趋势研判
短期看，制造业智能体更可能先在设计与工艺辅助、图纸与文档管理、设备点检与能耗优化这些边界清晰、结果可校验的环节落地，而不是直接进入需要连续闭环控制的产线；中期看，关键变量是行业数据的沉淀速度——谁能把散落在工程师经验与历史记录里的隐性知识转化为可复用资产，谁就更接近可持续的优势；长期看，制造业智能化的形态可能不是「换一套系统」，而是在既有 ERP、PLM、MES 之上叠加一层智能体管理层，让不同岗位的智能体共享同一份业务语境。
对计划引入智能体的制造企业，一个务实的起点是先把最近一次跨系统取数的过程记录下来：为了拿到一个完整的订单信息，人需要登录几个系统、导出几次表格、手工核对哪些字段。这份记录往往直接指向数据底座的真实缺口，也决定了智能体能在多大范围内做事。