制造业AI仍处于早期阶段。
多数企业的应用还停留在问答、个人助手等浅层场景，少数头部制造企业已经开始把AI放进真实岗位中检验：能否承担明确职责、完成稳定交付，并改善订单处理效率、错单率、准时交付率等管理指标。
在这些先行企业中，评价AI的标准正从有没有用，转向能否形成可核算的岗位价值与经营结果。
围绕这一变化，灵核数智将岗位级数智员工定位为制造业AI的落地形态，并选择从离散制造切入。与通用智能体不同，岗位级数智员工需要理解岗位职责、权限、技能、输入输出和上下游协同关系，还要接入ERP、MES等现有系统，在真实业务流程中持续工作。
灵核数智最早从OTD（订单到交付）场景展开实践：录单、跟单和履约等岗位跨系统、跨部门协同密集，既容易暴露效率与准确性问题，也更接近企业的交付和经营结果。
本次访谈中，爱分析与灵核数智联合创始人兼首席商业官华璐坷，围绕灵核数智在制造业AI领域的产品定位和商业化路径进行了深入交流。
核心观点
制造业AI的下一步，从个人助手走向岗位级数智员工。企业衡量AI的标准，从有没有用，转向岗位效能、管理指标和经营结果是否改善。
GSA让制造业AI建设从经营目标出发。灵核数智提出面向AI原生组织的GSA（Goal-Signal-Action）管理方法论，通过目标牵引、信号感知和行动调整，明确人与AI数智员工的协同分工，让岗位级AI的价值最终体现在企业经营结果上。
离散制造业品类众多，但核心流程具有共性。真正需要被拆解和配置的，是岗位的职责、权限、技能、输入输出以及上下游协同关系。
订单到交付，是数智员工较容易证明价值的切口，离经营结果近、数据基础相对成熟、跨岗位协同密集；而排产是多种因素共同作用的结果，不宜脱离前序流程孤立解决。
建设企业数据语义体系，不必等历史数据全部治理完。数智员工可以从一个岗位开始，在工作中识别异常、请求人工确认，持续校验数据和流程。
FDE能力最终要沉淀在企业内部，让业务专家持续创建和管理数智员工。供应商的价值，则要在一个岗位向多个岗位、一个流程向多个流程扩展中反复验证。
01 制造业AI正从工具走向岗位
爱分析：目前，制造业应用AI处于什么阶段？企业的认知和需求发生了哪些变化？
华璐坷：中国制造业的门类很多，企业数量也很大，但从绝对数量和比例看，真正使用AI的制造企业仍然是极小的一部分。即使一些头部企业已经开始使用AI，很多也还处在培养使用习惯、营造内部AI氛围的阶段，缺少明确的业务牵引。
少数走得更快的企业，已经开始追问另一件事：AI能不能从问答工具变成个人助手，再从个人助手变成真正的员工，进入销售、供应链、质量、研发等关键岗位，进入从需求到订单、从订单到交付、从需求到研发这些核心流程。
需求也随之发生了变化。以前，企业更关注有没有创新应用，现在会问岗位效能提升了多少，跨岗位协同带来的管理指标有没有改善，比如订单处理是否更快、交付风险能否更早发现、错单率有没有下降。再往上，企业经营者关心的是有没有降本，销售额和毛利有没有增长。
所以，在一些先行企业，AI项目不再只是IT部门的项目，开始由业务一号位甚至企业一号位参与决策，因为AI进入业务岗位后，不只是软件工具，它正在改变岗位职责和人与AI的工作分工。
爱分析：你所说的数智员工，与今天常见的AI工具有什么区别？
华璐坷：工具需要人准备材料、持续输入信息、下发指令，还要告诉它怎么写提示词。数智员工不同，企业一旦约定了岗位职责、权限、技能、输入输出和结果要求，它就应该能主动感知与岗位相关的信号，判断接下来要做什么，并按照步骤完成交付。
因此，我们把数智员工看作组织中的一员。它和人类员工一样，需要被纳入企业的岗位管理体系，明确职责、权限和考核指标，接受统一的调度、管理和评价，并与人和其他岗位协同工作。当然，数智员工可以在授权范围内承担具体任务，但关键判断、异常复核和最终责任仍由相应人员承担。
02 离散制造要算清岗位账
爱分析：制造业细分行业很多，企业和产线差异也很大，灵核数智为什么首先聚焦离散制造？
华璐坷：离散制造是制造业中数量很大的一个群体，也最依赖人与人、工序与工序之间的协作。企业通常已经有ERP、MES等信息化系统，但仍然存在很多问题，一个重要原因是协同中的不确定性大量来自人。
人本身很难被完全控制，但岗位相对可定义。一个岗位要做什么、对什么结果负责、产出什么，都可以被明确。我们进入企业后，会先了解岗位配置、职责、指标和技能，再把这些要求转化为岗位级数智员工。这个过程把原本分散、容易波动的协作，变成可以约定和持续优化的工作机制。
离散制造的大流程有不少共性，差别更多落在岗位上：不同企业生产的产品不同，岗位的具体工作、协同机制、承担的任务和指标也不同。因此，可复制的不是一套完全相同的项目方案，而是把拆解岗位、生产数智员工的能力。
爱分析：离散制造企业过去常被认为不是个很好的服务客群，付费能力有限，灵核数智是怎么考虑这里面的商业化机会？
华璐坷：软件时代，企业常常算不清ERP、MES到底为经营带来了多少帮助。除了流程更规范，很难进一步回答它提高了多少销售额、毛利或管理效率。有些企业上系统，主要是为了满足上市、合规等要求；还有些企业照搬最佳实践，却因为自身管理基础不足，增加了大量流程节点和岗位成本。
AI时代的逻辑不一样。企业可以把数智员工当作新的劳动力，比较它与人类员工的性价比，计算岗位效能提升，以及它如何影响管理和经营。离散制造企业投资产线时，会判断两年内能不能回本，AI也需要把这笔账算清楚。只要能讲明白投入产出，企业就会买单。
在我们服务的一些客户中，企业每年在灵核数智上的投入，已经超过其在传统SaaS软件上的年度投入总和。一些企业客户愿意随着岗位价值被验证而逐步加大投入。这说明，关键并不只是企业愿不愿意为软件付费，而是供应商能否把价值讲清并兑现出来，交付可衡量的业务结果。
爱分析：面对大客户的复杂需求，如何避免做成定制项目？
华璐坷：这是一个选择问题。流程型制造我们也能做，但如果客户要求大量定制和私有化，很容易把一家产品公司变成项目公司。灵核数智追求的是产品成功，要做到可复制、可规模化，只选择合适的客户。
我们希望在离散制造上把事情做深，每一次交付都能沉淀通用能力，而不是为单个客户反复重做一套系统。
03 履约是离经营结果更近的切口
爱分析：灵核数智为什么先从OTD切入？
华璐坷：最初的契机来自一次OTD咨询。我们发现，很多企业都有录单员或订单员，他们从客户那里拿到订单，转化为内部订单，再录入ERP。这个动作看似很小，却很费时间，也很容易出错。有的录单员每天至少要花三四个小时，从不同渠道收集订单。
错单的影响会沿着流程放大。下错单可能导致插单，插单会改变生产计划，产线甚至可能停线停产。每停一个小时，就损失一个小时的产能。于是，我们先做智能下单员，再向跟单和履约数智员工延伸。在我们的客户实践中，智能下单员能将每周12-20小时的录单工作压缩到每天5-10分钟，同时在两周内修正上千条数据错误。
但随着场景不断深入，我们发现，单个岗位的效率提升只是第一步，更重要的是这些岗位的改善能否最终影响企业的经营结果。订单从进入、评审、下单，到检查齐套率和欠料风险，再到采购、排产、生产、发货和对账，贯穿了制造业很核心的经营链条。履约不仅关系准时交付率，也会影响库存成本、现金流、客户满意度和后续订单。
这也意味着，企业建设AI数智员工，不能只是看哪个岗位的工作容易被自动化，而是要先明确希望改善什么经营指标，再找到影响这些指标的关键环节，决定哪些工作交给AI，哪些仍然需要人来完成。基于这样的思路，灵核数智提出了面向AI原生组织的GSA（Goal-Signal-Action）组织管理方法论，通过目标（Goal）、信号（Signal）、行动（Action），将企业经营目标与具体岗位工作连接起来，并明确人与AI数智员工的分工协同。
比如，企业希望提高准时交付率，这是Goal；订单异常、物料欠料、生产进度偏差等，是需要持续感知的Signal；而数智员工自动追踪订单、识别风险、发起预警，业务人员处理关键异常，则是具体的Action。随着新的业务信号不断产生，企业可以持续调整行动，推动经营目标达成。这也是GSA的核心逻辑：目标相对稳定、信号持续感知、行动动态调整。
回到OTD场景，这条链路的数据大量存在于ERP、MES、WMS等系统中，基础相对成熟，跨岗位协同价值也很明显。通过将经营目标逐步落实到具体岗位和行动，AI就有机会从单点提效，走向多个数智员工协同工作，进而改善企业整体的履约效率。
爱分析：不少厂商从智能排产切入，怎么看排产场景？
华璐坷：AI排产很难，因为排产往往是最终结果，背后涉及人、机器、物料、方法、环境等很多因素。要把一段流程做好，应该从流程开端的动作和岗位开始。只有前面的动作准确，后面的结果才可能准确。连下单都不准，很难直接把履约率和准时交付率做好。
如果企业最终要解决排产问题，也要一路往前找，先判断真正影响结果的源头在哪里，再从第一个、第二个、第三个岗位逐步做下来。脱离前序流程孤立做排产，往往没有触到问题本身。
爱分析：OTD是否适合所有制造企业？
华璐坷：不一定。我们从OTD切入，是因为当时看到了具体问题，并不代表它对每家企业都是唯一或最优的入口。我们也在梳理从需求到订单、从需求到研发、采购和质量闭环等流程。最终要根据企业的场景，选择能较快证明价值的岗位和流程。
04 数智员工与通用智能体差在岗位
爱分析：灵核数智的数智员工平台，在企业技术架构中处于什么位置？
华璐坷：它处在模型层和应用层之间，可以理解为面向制造业的组织中枢。这个平台承担两类角色：第一类是管理和调度，企业需要管理数智员工的权限、安全、任务和持续进化；第二类是生产，平台要把已经泛化的技能、知识、数据和模型能力组合起来，快速生产不同企业、不同场景需要的岗位级数智员工。
通用智能体平台更多提供开发工具，而我们希望把制造业的流程、岗位和业务知识承载在平台中。
爱分析：从一个通用智能体到岗位级数智员工，中间还差什么？
华璐坷：首先是知识。除了模型掌握的外部知识，数智员工还要理解企业内部知识和行业中的非公开知识，才能既懂市场、又懂行业和公司。
其次是流程。它要知道企业流程如何构成，岗位之间怎么衔接和协同。
再次是岗位本身：岗位隶属于哪个组织，职责、范围和指标是什么，输入依据来自哪里，需要调用哪些工具，具备哪些专业技能，权限如何设置，上游和下游是谁，异常发生后向谁请示。
最后，是与现有系统的连接。制造业岗位通常不只使用一个系统，接入ERP或MES并不够，还要理清从哪里取什么数据、按照什么业务规则加工、再把结果写回哪里，这些都带有岗位和业务的专属知识。
爱分析：数智员工会取代企业原有的信息化系统吗？
华璐坷：我们认为，数智员工就是“企业中按照岗位职责工作的AI劳动力”，企业已有的软件系统、即时通信、邮箱等都是它可以调用的工具。人怎么查看和写回信息，数智员工也按照相应权限去做。企业原有的信息化建设不是包袱，反而能帮助数智员工更快进入工作。
如果企业没有完整系统，但有Excel和在线表格，数智员工也可以调用这些工具。短期内，我们不会进入仍主要依赖纸质文件、几乎没有数字化基础的企业。
05 企业语义要在业务中长出来
爱分析：灵核数智所说的企业语义数据体系，应该怎样理解？
华璐坷：制造业里有大量业务规则、数据对象、标准作业程序和岗位经验。过去，它们散落在不同系统、表格、非结构化文档和人的脑子里。企业语义体系要做的，是把知识、数据、规则、业务语言、流程和经验连接起来。
建设企业语义体系，不是为了向人展示一张复杂的关系图，而是给数智员工使用。数智员工需要知道自己面对什么业务对象，发生了什么事情，依据什么规则判断，下一步可以执行什么动作。
我们希望语义关系来自实际业务，是被数智员工执行过、被结果验证过的数据、流程、知识和经验。它不是为了再建一个数据平台，而是让企业已有数据成为AI可以理解和使用的生产资料。
爱分析：为什么不先把历史数据全部治理好，再部署数智员工？
华璐坷：把所有历史流程梳理一遍、把所有数据清洗到AI可用，是一个很长的过程，成本也很高。在这个过程中，企业看不到直接价值，往往没有耐心。即使全部整理完，历史数据中真正能被使用的比例也不一定高。
我们提出一个“721理论”：对企业而言，大约70%来自大模型和互联网的通用知识，企业无需自建；10%来自企业过去积累的数据、制度和知识，这部分占比不高，但可以帮助数智员工理解企业过去如何运行；剩下的20%来自人和数智员工共同工作后新产生的判断、规则和方案，它属于未来的经验，它决定企业未来能不能形成别人没有的能力。在灵核看来，这是制造业企业未来竞争的核心。
因为企业本身每天都在产生新的数据，与其先处理所有历史数据，不如先把当下工作中最新、实时、经过验证的数据沉淀下来。三个月、六个月、一年以后，这些内容可能成为企业更有价值的资产。
爱分析：数智员工还不够好用，就很难产生反馈，而没有反馈，又很难让它变好，这个困局怎么解决？
华璐坷：我们从一个岗位、一个流程的小切口进入。控制一个岗位的输入和输出，相对没有那么难，也更容易保证这一段信息流和数据流的质量。
我们不会假定企业数据一开始就是干净的。数智员工如果找不到数据源，发现同一物料在不同系统里有不同叫法，或者遇到多个编码，就会停下来，按照异常请示机制找到有权限的人确认。人完成一次核验后，它再继续执行，并把这次处理沉淀下来。
这样，数智员工每工作一次，就帮助企业校验一次数据和流程。做三百次、五百次、一千次后，错误数据会逐渐减少，流程也会变得更稳定。这个过程有点像员工带新人，只不过带的是数智员工。随着真实任务、人工复核和反馈持续积累，数智员工有机会逐步改善执行效果，企业也能发现并修正数据和流程中的问题。具体迭代速度取决于任务频率、数据质量和人员参与。
爱分析：在这个过程中，原始数据、知识和经验分别沉淀在哪里？
华璐坷：要把几类内容分开。企业原始业务数据、日志、知识资产、语义关系以及数智员工的经验仍然保存在原有系统中，我们只调用，不留存。企业知识可以调用已有知识库；如果没有，也可以在平台上建设为企业自己的知识资产。做事的规则、逻辑和方法会沉淀为数智员工可以持续迭代的能力。对象之间的关联关系，则通过语义层和图数据库来组织。
这些构建的关系和能力是单个企业专属的，可以部署在企业自己的私有云或本地环境中。哪些能力可以由灵核数智沉淀，哪些涉及企业秘密，需要与企业共同判断并获得许可。供应商形成平台能力和企业获得数据安全感之间，会建立清晰边界。
06 企业要形成自身的AI FDE能力
爱分析：灵核数智的企业AI劳动力架构师服务，与FDE或传统软件实施有什么不同？
华璐坷：FDE这两年很受关注。因为AI不理解企业内部的数据和业务逻辑，需要有人重新治理和解释，让AI能够看懂。但在中国，大家对FDE的这种模式其实不陌生，比如过去的ERP实施、软件定制开发人员，虽然与FDE并不完全相同，但工作内容有一部分是相近的。
同时我们理解的FDE，是企业将AI融入业务的能力，不只是驻场工程师这一岗位。它要求有人拆解真实任务、作业规则和异常判断，也要求模型与Agent、数据处理、工作流和企业系统形成连接。
可问题是，中国企业很难照搬高投入、长周期的FDE模式，所以我们的目标是降低FDE的门槛。灵核数智的团队会先帮助企业搭建一批数智员工，同时把方法和能力交给企业。企业里其实有大量真正懂业务的专家，他们缺少的是一套工具，把自己的业务理解拆解出来，转化为数智员工。这些业务专家会提供自己的业务Know-how，我们提供平台、模型、Agent、工作流、数据处理与系统连接能力。双方深入业务现场，一起把任务、SOP、判断依据和异常处理经验，共同转化为可以持续运行的岗位级数智员工。这是灵核所说的制造业AI FDE落地机制。
因此，我们不仅交付数智员工，还会让企业员工能够使用平台创建数智员工，并逐步形成自己的FDE能力。企业员工在持续创建、训练和优化数智员工的过程中，不只成为使用者，也成为共同建设AI生产力的人。未来，人和数智员工共同组成组织，企业必须划清两者的协同边界，并持续创造和管理AI劳动力。
爱分析：Palantir最值得借鉴的是什么？
华璐坷：商业模式值得借鉴，但不能照搬。我们更关注它从老客户持续扩展的逻辑，客户数量当然重要，但客户质量更重要。
灵核数智希望从一个岗位扩展到多个岗位，从一段流程扩展到多段流程。不是给客户部署两三个数智员工就结束，而是在每一步都验证岗位价值、管理价值和经营价值。让企业积累的不只是若干AI应用，而是人和数智员工共同工作的组织能力。做完一个岗位后，下一步可能不是再做一个，而是扩展到五个；五个得到验证后，再扩展到十个。客户持续扩展的前提，是产品在真实工作中不断证明价值。而未来制造业的竞争，也不是谁用了AI，而是谁能让AI和人一起持续进化。
精彩评论