公开案例 · 制造/非标件
某非标制造企业(两三百人,年营收一二十亿,柔性制造)
非标产品售前方案与报价链路
项目做法
工作顺序是先理解业务,再拆流程,再判断哪些环节该用 AI;先复现传统人工的业务流和数据流,结合大模型与 Agent 编排能力梳理 AI 再造后的新流程。 1. 把"报价"拆成业务链路:进车间看订单从图纸到交付经过哪些环节,翻历史报价单,分别问业务人员和老师傅——谁看图纸、谁拆需求、谁定物料、谁判工艺、谁核成本、怎么交接。 2. 解决非结构化信息入口:用多模态能力把图纸里的材料、尺寸、结构要求抽取出来并结构化,结构化后的数据才能进入后面的业务流程。 3. 让 AI 进入企业自己的业务规则:最初设想是模型看懂图纸后直接出价,现场跑起来才发现端到端出价数字经常对不上真实成本;改为模型只负责结构化,报价回到企业自己的物料库、供应商体系、历史数据和报价规则里匹配,由垂类 Agent 串起环节,每一单经人工校准才对外输出。 4. 把老师傅经验变成数据资产:把物料映射、工艺路线、报价判断逻辑逐步标准化,设计人工校准和回填机制——业务人员修改 AI 结果后,修改重新沉淀进数据、向量数据库或模型,形成"AI 生成、人工校准、数据回填、下一次结果更好"的数据飞轮。 5. 边干边改:客户给一部分输入就先给阶段性产出,来回几次甚至十几次,帮客户澄清连自己都不清楚的需求。 6. 先关键人试用再推广:先让最懂业务的人拿真实订单跑,再让一个业务小组试运行 1 到 2 个月,结果基本可用后做部署、数据集成、启动会和全员培训,最后逐步扩大到整个部门。
项目进展
效果(原文披露口径):整体至少能减少 50% 以上的相关工作量;原来一套报价需 3 到 5 个人参与,AI 介入后重复劳动由系统承担,实际投入人力明显减少;企业把省下的时间转回业务工作并调整 KPI。 上线前两个月处于磨合微调阶段,内部评估分四层:响应速度、报价结果可用性和准确率、图纸解析准确率、对企业运营的价值。 踩坑: - 图纸识别在真实场景不达标——解法是给识别加一道人工校准兜底,准确率随真实数据越滚越高 - 企业数据远比想象不标准——要花大量时间清洗、结构化并还原业务逻辑 - 人的接受度比数据更难——AI 落地的最后一道关往往是组织架构的调整 试运行周期 1 到 2 个月,项目投入金额未披露。
