豆包工作 ARR 20亿:AI办公的价值,先落在了工厂里
在先进制造业,一个长期被忽略的真相是:有时候相比所谓的技术壁垒,沉淀在产线里的隐性Know-How,才真正决定了一家企业的独特性。
2022年12月6日,美国亚利桑那州凤凰城的沙漠中,台积电晶圆厂的钢结构厂房在阳光下泛着冷光。首批生产设备进场典礼就在这里举行,91岁的台积电创始人张忠谋,与时任董事长刘德音、总裁魏哲家一同站在台上。台下站着时任美国总统拜登、商务部长雷蒙多,还有苹果公司时任CEO库克、英伟达创始人黄仁勋、AMD CEO苏姿丰——几乎半个全球半导体产业的核心人物都齐聚于此。
站在印有“Building a better America”的演讲台前,黑色乐福鞋的鞋底沾了一层浅灰色尘土的拜登高声发问:“朋友们,有哪条规定说美国不能再在制造业引领世界?”随即,他笃定地给出答案:“我们正在证明,我们可以!”
在工厂和旗帜前,91岁的张忠谋与高管们举起气泡酒,所有人都似乎无比笃信一个事实“美国制造,正在加速回归。”
但热闹散去,现实远比一句表态要更加复杂。台积电曾做过一笔测算:在美国建一座同等规模的晶圆厂,成本是中国台湾厂区的4到5倍;为了适配市、县、州、联邦四级监管要求,他们梳理出1.8万条专项合规规则,仅合规成本就花掉3500万美元。
本地找不到足够的熟练技术工人,台积电只能先后从台湾调派五百多名工程师跨海支援,又引发当地工会抗议和团队文化冲突。在亚利桑那聘用的近600名工程师,上岗前还需要先被送往台湾培训。原定2024年量产的4纳米产线也在此后一再延期,算上折旧和人力成本,美国厂单片晶圆的毛利率仅剩8%,不到台湾厂区的七分之一。
制造业的转移往往始于成本,但伴随成本一同流失的,是被称为Know-How的隐性知识。
它们一部分藏在一线工人和工程师的脑子里,是日复一日的现场磨出来的判断:哪道工序容易出问题、故障出现时应该先查哪里、不同的淡旺季应该从哪里快速招聘来足量的工人。还有一部分散落在图纸、台账、维修记录和零散的共享文档里,以及企业已经高度数字化的审批流程与组织协作规则里。
而如何同时实现效率提升、成本降低、Know-How不随着资源配置的转移而消失,几乎是困扰全球所有制造业玩家的共同难题。
这也为企业衡量AI办公的价值提供了一个具体尺度:它改善的是一个人的效率,还是整个组织的运转。个人层面的增效,省下来的时间很难折算成确定的经营回报;而当AI进入组织流程,把藏在图纸、台账、群聊和老师傅脑子里的经验接过来,沉淀成可复用的规则、工具和知识资产,提效就从个人动作变成了组织能力。这一层价值,才是企业愿意持续付费的理由。
这种判断已经有了规模上的验证。据官方数据,截至11月18日,
也就是说,以
一方面,它既有传统个人单点式AI的个体增效能力;另一方面,它能够将组织散落在不同角落、流程里的隐性经验挖掘出来,并融入日常的组织生产协同,成为组织的固定资产,带来整体的提效。
从常州的电动车产线到汽车研发事业部的沟通群,从武汉的越野汽车车间到遍布全国的供应商网络,一群一线工程师就这样用飞书和
九号公司:让现场管理跟上产线的节奏
每天早上八点多,常州九号公司的生产车间已经换好工装开过早会。十几条产线同时启动,电批的声响连成一片,每36秒就有一台智能电动两轮车完成总装。
生产管理专员贺宇翀每天进入车间办公室的工位,第一件事,就是打开电脑屏幕上的制造执行系统(MES)、共享盘文件夹和各种工作群。
借助这些工具,他的同事们中,有人负责把这些表格汇总起来,核对当天的出勤人力。到了第二天,又有另一名同事会再导出前一天的MES考勤数据,和提报的加班表进行比对。再加上前加工、全检、打包等作业单位,每天他们总共需要处理十六份表格。一切整理完,有时候上午已经过去一半。
这是离散制造业最日常的困境:所有管理决策都依赖数据,但数据本身的整理就要耗掉大量人力。每条线的文员每小时都要重复一套固定动作:从MES系统导出当小时产出,核对工单信息,填进对应Excel,再截图发到生产群里。单次操作不过几分钟,但一天十几个小时轮下来,单这一件事就要占掉一个人一个多小时。管理者想看实时数据,要么去共享盘翻层层嵌套的文件夹,要么在群里往上爬几十条聊天记录找截图。
还有站会上记下的问题,散会后要挨个通知责任人;工具房的领用台账,员工填完单还要专人录入库存;新员工的安全考试,纸质试卷答完要人工评分统计。这些事单独拎出来都不大,凑在一起就是工厂运转的巨大摩擦力,最耗人的耐心和注意力。
这些问题厂里不是没意识到。但走常规IT立项做一套定制化的现场管理系统,要等排期、走预算,开发周期动辄几个月,还未必能贴合现场细碎多变的需求。于是工艺部门的一位同事先动了手,照着现场需求搭了一个最基础的看板,能区分线体、展示每小时产出和效率,只是数据还需要人工手动输入。
而且一旦线长忙起来忘了填,数据就断了;有人填错了数字,管理者拿到的信息就全是错的。后来,正好赶上公司全面接入飞书,贺宇翀开始用
他先从最日常的地方改起。先把不同机种的标准工时和人力数据维护进去,让看板自动算出生产效率,再把站立会议问题点更新进去,在这里就能直接看到各自的问题点。将对应的数据源都做成多维表格,实现数据的自动更新。
调整功能的时候,他习惯把需求说得非常具体:原来的操作路径是怎样的,哪一步同事反馈麻烦,预期改成什么样。出现报错,他先自己排查原因,再把现象和修复逻辑告诉
但真正的打磨永远需要在现场。每更新一版,他都要找实际用的文员或线长操作一遍,看顺不顺手。比如早期录入产出数据,每次都要重新选择生产系列和机种,有位线长跟他吐槽,同一条线连续做同一款产品,一天要选十几次,纯粹是多余的动作。贺宇翀回去就用
现在车间里每条线的线头大屏都在跑这套用
博世中国:让工程师少搬信息,多解问题
作为全球头部汽车Tier1,博世的研发体系自带严谨的流程标准:客户侧每一个故障反馈,都要完成从信息归集、根因分析到方案输出的完整闭环,全程有清晰的SOP与文档报告梳理。
但在一线落地时,这套严谨流程常常卡在最前端的信息环节。
博世中国某事业部的研发团队,需要对接多家整车客户提供技术支持,覆盖测试验证、路试问题、量产爬坡全周期的系统故障排查。项目密集期,一名工程师同时跟进十几个沟通群是常态,故障消息碎片化涌来:客户群里的诊断截图、私聊里的故障码、测试团队补充的工况描述,信息散在不同窗口,没有统一入口。
这时候,工程师要先做一轮“信息拼图”:翻遍群聊和私聊,归集项目归属、软件版本、车辆配置、测试工况等十几项信息,整理成标准问题描述,再流转给对应模块的研发同事。遇上信息缺失、口径不一的情况,还要拉会反复澄清,等拿出合格的初步分析报告,大半天已经耗了进去。
这背后是两个长期存在的现实困局。一是经验沉淀难持续。团队有完善的知识库,但项目节奏一紧,整理归档往往很难按时完成。大量一线排障思路、非标问题的处理方案,都留在资深工程师的个人记忆里。新人上手靠口传心授,核心人员一旦调岗,对应的隐性经验就跟着断档。二是需求输入天然零散。客户不会按企业模板提问题,故障都是实时零散发生,很难要求客户一次性说清所有字段和背景,碎片凑不齐,后续分析就没法启动。
改变从最细碎的痛点切入。工程师通过在
消息聚到一处,信息整理的自动化自然延伸。
遇上跨模块的复杂故障,
每一份闭环的故障报告,都会自动归档进团队知识库。后续遇到相似故障,AI可检索历史案例给出参考思路,调用内容既包含通用行业知识,也覆盖团队独有的历史沉淀,老工程师的经验能持续留在团队复用。
整套方案从开始搭建到跑通全流程只用了一周多。其中,
目前这套流程已跑通五六十份真实报告,初稿标准化内容完成度稳定在七八成。故障根因判定、验证计划排布、客户回复口径则始终由工程师把控,人的精力回归到那些最重要、最有 价值、 最需要专业判断的高价值环节 。
猛士汽车:守住量产前夜的质量防线
作为东风旗下高端电动越野品牌,猛士汽车脱胎于军用越野车技术积累,对零部件质量和量产节点有着近乎严苛的要求。一个零件能不能按时放行,直接决定了整车能不能按期量产。
这道关口叫生产件批准程序(PPAP),也就是零件进入量产前的质量准入审核。供应商要提交检验规范、检查报告、生产件批准申请书等十几到三十几份文件,工程师逐项审核确认没问题,签字放行,零件才能进入批量供货阶段。任何一个零件卡壳,整条产线都要跟着等。
猛士的团队对接300多家供应商、约2000个零部件,全量算下来有三万多份文件。一份检验报告有几十条检测项,工程师要对照检规逐行核对:实测值有没有超公差、字段有没有填错、判定结论和数据是不是一致。人工审一份文件要20到40分钟,量太大了,再仔细的人也只能抽检,全量检查覆盖不到10%。
隐患就藏在那些没被抽到的页码里。
有一次,一份前保险杠的间隙检查报告,允许范围是2.0到4.0毫米,实测值写了4.02,判定栏却填着OK。这份报告混在几十份文件里过了初审,差点影响实际生产。还有同一份材料里,同一个尺寸基准值出现了437.7和37.7两种写法——小数点错一位,要是按错的尺寸开模,损失可能以百万为单位。
人的精力终究有上限。节点集中的时期,整个部门连轴转,工程师盯着几十万页报告逐行核对,时间久了难免出现疏漏。合并单元格、跨页表格、单位换算,处处都是坑。
按常规的解决思路,这类问题要么加人审核,要么找IT开发定制化的文件审核系统。但加人抵不过节点爆发的体量,定制开发排期要几个月,项目节点等不起。团队最先盯上的是每周要花一天做的进度统计——项目经理每周都要登录供应商质量管理系统,导出各项目的PPAP完成率整理成周报,梳理缺件、滞后项目,一次统计就要花掉一整天。有人提议,试试用
他们把接口文档和会议纪要一起丢给
这件事给了团队很大的触动:既然
根据这个思路探索,最开始的尝试很粗糙,把整份文件丢给
后来他们换了个思路:不能让AI自由发挥,要给它搭好框架,定死规则。最终形成了三层分工:
再后来,团队用上了国内首批推出的AI数字员工产品——
优化到现在,供应商提交的文件一归档入库,
截至2026年11月,这套基于
团队自己给这套系统打分,也从最早的70分,迭代到了现在的90分。而剩下的10分则来自于扫描件、手写签字、非标模板的解析,图纸类非结构化判断,文件和实物的一致性验证,还有工程变更和例外批准的适用性——这些依然要靠人。
而90分的意义,则是把人的注意力从90%的重复核对里解放出来,集中到那10%真正需要专业判断的地方。
尾声
回到开篇的那个问题:为什么高端制造业一旦流失就很难回来?
制造业的根基从来不止是厂房和设备,更在于一代又一代人在现场摸爬滚打攒下的经验,是处理过一万次异常之后形成的直觉,是对每一个毫米、每一分钟、每一份文件的较真。这些东西看不见、摸不着,却决定了一个国家制造能力的上限。
而那些曾经只属于个人的经验与智慧,也随之变成整个组织的资产,不会随人员流动而流失,不会随产业变迁而消散。
人则在从日常琐碎中被解放后,有了更多探索未知,解决非标问题,优化生产效率的时间。
这恰恰是制造最底层的生命力:不断解决具体问题,不断迭代优化。















