2025年8月，美的洗衣机荆州工厂迎来了一位特殊的「新员工」。
在质检工位上，过去需要工作人员对照设计图纸、用肉眼检查的工作，如今可以由AI眼镜辅助完成。设备扫描业务面板资讯后，自动调取研发架构中的图纸，与现场拍摄的实物进行比对，再将结果反馈给品质智能体。
一项原本需要15分钟的首检工作，被压缩到了30秒。
这座工厂还有更多变化。依托美的工厂大脑，14个智能体已经覆盖38个重点生产业务场景，涉及生产、品质、设备、能源等多个环节。公开披露的实践数据显示，多个重点场景平均效率值调整超过80%，排产响应速度调整90%。
这或许是制造业对AI智能体最直观的一次展示。
过去，制造商家谈论数字化，更多是在讨论如何让设备联网、让生产数据上云、让业务架构互通。如今，大模型开始进入工厂，AI不再只是探究屏幕上的数据，而是逐渐具备理解任务、调用工具、协调架构和推动执行的能力。
但美的这样的智能体工厂，背后有长期积累的数字化基础、工业知识和技术力投入，并不是所有制造商家都能一步到位。
对于更多正在考虑引入AI的制造商家，一个更现实的问题是：如果现在只允许选择一个部门做试点，应该从哪里开始？
采购、财务，还是仓储？
三个部门都有大量重复性工作，也都积累了不少可以被AI利用的数据。问题在于，它们适合智能体介入的业务深度并不一样。
制造业的第一个智能体，不一定要从最先进的生产场景开始。选一个业务足够高频、数据能够调用、结果可以验证的流程，可能比一开始就追求全厂智能化更要紧。
制造商家其实并不缺少数字化架构。
ERP管控订单、采购和财务，MES记录生产过程，WMS管控库存与仓储，SRM连接供应商，PLM则沉淀业务设计和技术力内容。
这些架构已经帮助商家完成了大量基础工作。
但一个有意思的现象是：架构越来越多，员工却未必越来越轻松。
一笔采购业务，从需求提出到最终付款，可能需要经过采购、仓储、财务多个部门。采购人员在ERP中查询订单，仓库人员在WMS中确认入库，财务人员再拿着发票和订单进行核对。
架构之间虽然有数据连接，但业务之间仍然需要人来衔接。
这种情况在制造业非常普遍。
尤其是一些经营多年的制造商家，资讯化搭建往往经历了多个阶段，不同架构由不同供应商搭建，数据标准、接口规范和业务流程各不相同。一个看似简单的任务，背后可能需要员工登录多个架构，下载文件、整理表格、核对数据，再把结果录入另一个架构。
这恰恰是大模型与传统自动化技术力可以发挥作用的地方。