AI进厂后，广东制造业开始重组自己

AI进入制造业，关键不在于多一个工具，而在于能否进入真实业务。广东一批制造企业正在借助飞书，重组流程、知识与经验，让AI进入企业经营的各个环节。对仍在观望AI的中型企业来说，真正要准备的不是部署更多应用，而是让组织先具备承接AI的能力。

一个订单来了，物料、设备、人力、产线、交期，全部要跟上。任何一个环节没有确认，最后都可能变成交付风险。

付飞超是未来穿戴健康科技有限公司（SKG）PMC管理部门负责人。在制造工厂里，PMC是连接订单与产线的关键岗位，负责把销售订单转化成可执行的生产计划。对他来说，这份工作最难的地方不是计算本身，而是不确定性太多。

过去，他大量时间花在“要确定性”上：催进度、催物料、催反馈，用一轮又一轮人工确认，把生产链条重新拧紧。

这也是广东制造业正在面对的一个新问题。这里有全国最完整的制造业谱系，企业嵌在长长的上下游链条里，连接着研发、采购、生产、物流、销售和全球市场。订单变碎，交付变紧，出海加速，柔性生产和产品迭代带来的压力，也更早传导到组织内部。

几十年来，企业之间比拼的是产能、成本、供应链和交付。现在，竞争开始更深地进入企业内部：谁能更快调动信息、知识、流程和人，谁能更快形成判断、响应变化，谁就更可能掌握新的主动权。

AI正是在这个时候进入制造业的。

它带来的挑战，不只是企业有没有用上新工具，而是当AI开始进入真实业务，制造企业该如何把它接进原有流程、协同关系和组织结构里，真正把技术能力变成组织能力。

1 老牌企业，先让组织转身

对于老牌制造企业来说，首先要面对的，是如何转身。过去几十年里，它们已经经历过多轮信息化建设。各类管理系统陆续上线，流程被拆分，岗位被细化，企业也在一次次扩产和增长中形成了稳定的运转方式。

但也正因如此，当新的变化到来时，旧系统、旧流程和旧习惯会同时成为转身的阻力。

广东健力宝集团（下称“健力宝”）就是这样的企业。

这家成立于1984年的国民级饮料品牌，早在上世纪90年代就启动信息化建设。引入系统不算少，但在企业高层看来，信息仍然会被分散在不同平台里，跨部门协同时，决策能传达下去，后续落实和跟进却会变慢。

健力宝集团行政副总裁赵永刚把这种状态称为“协同迟滞”。在他看来，AI时代的企业，不只是要引入新的工具，更要让运营模式、战略、组织和人力一起适配新的工作方式。否则，系统越多，信息越分散，组织反而越难形成合力。

2024年4月，健力宝与飞书合作后，开始把企业协作集中到同一个平台上。之后搭建的企业专属智能体“智小宝”可被用于经营诊断，员工能通过AI实时了解项目动态。

▲健力宝基于飞书搭建的企业专属智能体“智小宝”

对赵永刚来说，AI能否在企业内部发挥作用，前提不是员工各自尝鲜，而是企业要先成为工具和环境的提供者。

如何让员工进入这种新环境？他的答案包括三点：企业提供AI工具，培养数字化大使和AI驱动的种子选手，同时推动高层管理者转变认知。

健力宝集团首席信息官李鹏也认为，传统制造企业不同于新兴科技企业，员工年龄结构、历史经验和既有文化都沉淀在原来的工作方式里。第一步不是提供无限Token（词元），而是先把使用AI的文化和氛围建立起来。

“说白了就是要有耐心。”李鹏说。传统制造企业要重新建立AI文化，仅靠自下而上会有瓶颈，更需要管理层自上而下地点火。只有高层先形成共识，员工在具体工作中探索AI的热情，才可能逐渐扩散开来。

如果说健力宝的经验指向的是高层共识和文化耐心，广东万家乐股份有限公司（下称“万家乐”）的变化则说明，老牌企业要转身，不能只靠少数人学会新工具，还要让更多业务部门把自己的问题重新拿出来。

同样位于佛山的国民品牌万家乐，很早就开始引入AI工具培训。但在当时，许多应用仍涉及代码编写，对普通业务人员来说门槛并不低。

“一开始，公司还不知道哪些业务可以与AI结合，这也是很多企业的痛点。”黄子耿记得，100多人参加AI工具培训，坚持到最后真正做出成果的人不足20%。

黄子耿在万家乐负责人才培训工作，同时也是公司AI先锋、AI培训智能体项目经理。

后来，随着智能体逐渐成熟，业务人员不再一定要懂代码，也可以用自然语言描述需求，搭建面向自己工作的应用。

技术门槛降低后，万家乐自上而下推动AI的力量开始显现。如今，公司将AI视作一项面向全组织的重点工程，试图推动一家传统制造企业，从过去相对稳定、分层传递的工作方式，转向更高频、更敏捷、更数据驱动的组织。

在刚刚结束的万家乐AI先锋大赛上，共有132支队伍参赛，最终12支队伍晋级决赛。为了鼓励员工继续探索，管理层当场将奖金翻倍。这些参赛项目的意义，不只是员工学会了新的AI工具，而是各业务部门开始重新审视自己的工作：哪些信息过去被反复统计，哪些判断长期依赖经验，哪些流程其实可以被系统接住。

黄子耿的参赛项目是一套人力资源数据中枢，解决的是企业部门多、员工人数多、统计汇总难、数据准确度低、人力数据分析效率慢的问题。

通过飞书里的多维表格、妙搭等工具，他把分散在不同表格里的人员、薪酬、绩效、招聘、培训等数据统一治理、实时联动、智能洞察。管理者可实时看到部门组织状态，AI主动识别人员缺口与培养方向、输出招人育才建议，为组织决策提供从“事后统计”到“主动预警”的能力升级。

▲万家乐产线

2 成长型企业，先接住复杂性

相比老牌制造企业，专注于细分赛道的成长型企业没有那么多历史包袱，但它们面对的是另一种难题，如何在有限资源下接住增长。

在广东，这类企业往往处在产业链更细分的位置，服务大客户，承担关键零部件、材料或整机环节。客户需求变得更碎，订单波动更频繁，交付周期被不断压缩，压力会一路传导到一线的各个环节。

对他们来说，组织问题不是要不要被识别，而是每天都在发生。一个需求版本没有记录清楚，一批物料没有及时跟上，一个产线异常没有被响应，都可能影响订单。

AI的价值也不在于推动大家“开始尝试”，而在于把这些高频变化转成可追踪、可执行、可复盘的流程，让有限的人和资源接得住当前的生意和未来的增长。

“有多少人用AI切切实实地帮助工作？”一次内部会议上，王玉茹记得，公司领导问出这句话时，整个研发中心60多人，举手的将近一半。

王玉茹是深圳市三利谱光电科技股份有限公司（下称“三利谱”）偏光片研发工程师。偏光片是液晶显示面板里的核心关键材料，影响屏幕亮度、对比度和视角等显示效果。

王玉茹所处的研发端既要理解客户需求，也要把需求转化为可执行的开发任务。当大客户订单和产销规模不断增长，她面对的不只是项目变多，更是需求如何被准确记录、判断和追踪。

过去，需求可能散落在OA系统、群聊、邮件里，甚至来自口头沟通。同一项目也可能被多人重复提出，前后版本不一。有一次，同事突然追问项目进展时，她发现自己竟连需求的线头都找不到。

后来，她从“需求”出发，建立统一入口，用飞书多维表格把需求、任务、预算、客诉一一对应起来，并借助AI判断相似需求。

需求进入系统后，AI能自动生成试产计划申请的关联任务，也能在研发成本超过预算时主动预警。运行半年后，研发管理流程变得更透明，开发资料和客诉报告也开始沉淀下来。对三利谱来说，AI首先接住的，是那些原本容易散落、重复和失真的需求。

需求进入研发后，压力会继续传导到排产和交付环节。

付飞超花了近四个月，把订单、产能、物料等基础数据整理进飞书。自动排产、自动催料、异常提醒，这些过去看起来像“系统功能”的东西，开始真正落到每天的生产协调里。

系统跑起来后，他开始把更多精力放到规划性工作上。之前，他每天要反复确认物料、产能和进度。而现在，基础数据被整理进系统，自动排产和自动催料已经能承担一部分日常协调。对他来说，更有价值的变化，是人终于可以从重复确认中抽身，去判断更早、更远的不确定性。

他正在考虑把供应商历史产能和问题数据沉淀成经验库，让AI辅助预判供应链风险，或许能提前识别库存呆滞。

当订单进入产线，增长压力还会以另一种形式出现：异常。

廖军在深圳宝龙达信息技术股份有限公司（下称“宝龙达”）是制程工艺工程师，主要工作就是处理产线上的各类异常。宝龙达是专业从事高性能电脑系列板卡、笔记本电脑、台式机、一体机等信息技术产品研发、设计的ODM企业，生产环节连接多个部门，每一个信息损耗都会降低生产质量。

▲宝龙达深圳工厂

此前，大量异常消息统一在群内推送，信息分散杂乱，人工逐条查阅易遗漏关键内容；异常问题追溯环节，因责任边界不够明晰，沟通协同成本较高。

廖军用AI搭建了一个异常信息处理系统，自动分类、抓取字段、提醒负责人，并把异常数据沉淀到可视化仪表盘中。

在工厂里，现场问题处置高度依赖老员工实操经验，一线人力紧张，难以安排专人常态化带教新人。如今，廖军把沉淀下来的异常数据和处理文档继续喂给AI，做成一个能辅助分析、回答问题的异常分析助手。对他来说，这个助手“更像一个师傅”。

目前，这套系统已经在宝龙达多地工厂落地，廖军也转岗到公司的数智化部门，帮助不同业务团队拆解业务流程，用AI把更多散落在一线的问题转化为可追踪、可复盘的系统能力。

仅靠人力维持的旧组织模式，边际效益正在下降。而当经验、流程和数据被持续沉淀，AI驱动的新组织形态，边际效益反而递增。

3 产品越智能，组织越要在线

在广东制造业谱系的另一端，还有一批企业本身就在制造AI。

人形机器人、新能源汽车、自动驾驶、智能硬件等产业在这里聚集。对这些企业来说，AI不是一个需要被解释的新工具，而是产品本身的一部分。它们从诞生起，就更习惯把信息、流程和协同放到线上完成。

但这并不意味着组织问题会自然消失。产品越智能，背后的研发、测试、制造和交付链条越复杂，组织内部越需要更快地同步信息、暴露问题、协调动作。它们面对的难题，不是要不要接受AI，而是当AI已经进入产品本身，组织内部能不能也用同样的速度感知变化、响应问题、协同推进。

深圳众擎机器人科技股份有限公司（下称“众擎”）就是这样的企业。众擎成立于2023年，是一家深耕通用人形机器人与具身智能的企业。

一台机器人从生产制造完成到正式交付给用户，要经过多轮测试。要测哪个固件版本，具体到哪个动作、哪些性能，过去如果全靠工程师手动操作和口头拉通，几天时间很可能就过去了。

现在，众擎把测试需求汇总到飞书多维表格里。测试哪个版本、哪些动作、哪些性能，先在线上提出需求，再根据需求开发对应测试用例。工程师只需要敲一下键盘，机器人就能自动完成整套测试流程。原本需要反复操作的测试工作变得更标准、更自动化，团队也能把更多精力投入真正的研发。

研发协同也在同一套系统里发生。一台机器人背后，是本体、软件、算法等多个研发团队共同工作。众擎用飞书多维表格对任务进行汇总和跟踪，各部分进展如何、有没有延期风险，团队成员都能看到。问题暴露得更早，也就能更快被解决。

在众擎看来，真正的智能不应该只发生在机器人身上，也应该发生在组织内部。具身智能背后是硬件、软件和模型的深度融合。放到企业组织里，对应的则是产研、智造和管理的高效协同。

也正因此，众擎所代表的，并不只是一个“更会用AI”的新企业样本，更是一种从诞生起就默认信息在线、协同在线、任务与数据可流动的新型组织形态。

▲众擎机器人工程师用飞书管理“出招”

广东天波科技股份有限公司（下称“天波”）面对的，则是智能硬件企业全链条能力的提升。天波成立于1999年，是一家专注于AI智能硬件研发、生产及物联网解决方案的企业，总部位于佛山。

董事长何枝铭经历过多轮技术浪潮。在他看来，过去的技术浪潮更多是局部效率优化，而这一轮AI带来的，是全链条能力的提升。

AI进入组织后，他看到一线员工开始用新的方式思考流程和提效。很多过去容易被忽略的细枝末节，被重新摆到台前；一线员工也有机会站到舞台中间，介绍自己的工作成果。“这也让我们更好地评估真正的工作价值是什么。”何枝铭说。

在他看来，AI能够替代的是一般、重复性的工作，但给AI下指令、定目标还得是人，这对人的要求更高了。未来，懂得AI、驾驭AI的人越多，将是企业的一笔财富。目前，对AI能力的考察已进入天波的招聘要求。

4 AI进入制造业，不是改工具，是改组织

当制造业竞争不再只是比产能、成本和交付，组织本身如何运转，开始成为新的胜负手。

这也是为什么广东制造业值得被放在一起观察。这里既有健力宝、万家乐这样的老牌企业，也有三利谱、SKG、宝龙达这样的成长型公司，还有众擎、天波这类智能硬件与AI原生企业。它们所处阶段不同，面对的问题也不同，却共同指向同一个变化：AI进入制造业之后，真正被重新审视的，不只是工具，更是组织。

过去，广东制造业的优势，是把产能、供应链和交付组织起来。完整的产业配套、成熟的制造经验和快速响应能力，让这里的企业能够接住一轮又一轮增长。

但当竞争进入新的阶段，企业要组织起来的东西变了。除了机器、产线和供应商，还有散落在系统、表格、群聊、会议和个人经验里的信息、知识、流程和判断。

也正是在这里，AI开始有了更具体的落点。

它的价值不只是让某个岗位更快完成一项工作，更是帮助企业把原本分散的业务上下文重新连接起来：订单从哪里来，需求如何变化，任务推进到哪一步，异常卡在哪里，历史上类似问题如何处理，下一步该由谁判断。只有这些信息被组织起来，AI才能真正进入业务，而不是停留在业务之外。

飞书商业化大湾区总经理熊飞把这种问题称为“上下文摩擦”。在他看来，很多企业不是没有AI，也不是员工不会用AI，而是每一次使用AI，都要重新补背景、找资料、复制粘贴、解释来龙去脉。AI还没有开始工作，人已经先花了大量时间让它理解企业正在发生什么。

对制造业来说，这种摩擦尤其具体。一个订单能不能准时交付，一个异常能不能及时闭环，一个客户需求能不能被准确翻译为研发任务，背后都不是单点效率问题，而是组织能不能让信息准确流动、让经验持续沉淀、让判断更快形成。

回到付飞超的故事。他后来意识到，SKG不是没有尝试过自动排产系统，但过去的系统总是“用不起来”。缺的不是工具本身，而是支撑工具运转的信息和数据。为了搭建新的排产系统，他花了近四个月整理订单、产能、物料等基础数据。那些过去被认为只是琐碎录入的工作，最后成了AI能否真正进入业务的前提。

而企业欠下的数据债，本质上也是组织债。

天波董事长何枝铭说，规模化产能、供应链效率、成本控制、质量与交付，依旧是制造业成功的底层逻辑，但有了AI，做事的方式不同了。“组织要把资源投放到更有创造性的地方。”

赵永刚则将AI对企业的影响分为效率、决策和文化三个层次：先是看到效率提升，再是企业传递信息、形成判断的组织行动能力，最后是塑造新的文化生态。“当企业挥臂一击时，能发挥出整体力量，这就是文化。”

制造业下一阶段的差异，或许就会在这里拉开。不是谁更早喊出转型，也不是谁部署了更多AI应用，而是谁能让信息更快流动、经验更快复用、决策更快形成，并让AI真正穿透人、事和工作流。

AI进入制造业，改变的不是某一个工具，而是企业组织信息、调动资源、形成判断的方式。过去，广东制造业靠的是把复杂的生产体系组织起来。现在，它要面对的，是如何把复杂的组织本身，再组织一次。