长尾问答
东莞一家装备厂老板参观完展会，带回一页「制造业 AI Agent 应用场景」清单：自动排产、自动质检、自动写制度、自动盯人。回厂一对，模具计划还在 Excel，质检基准散在群文件。真正要问的不是场景名词多炫，而是哪几件事现在就能降错、降返工，并且人审得住。
问题拆解：场景很多，工厂缺的是资料与责任边界
第一，场景泡沫。把「能演示」写成「能值守」。制造现场更需要的是：换型时查得到正确步骤，质检时对得上不良判定，计划时看得到交期风险。自动解雇式「盯人 Agent」既不务实，也容易踩劳动与隐私红线。
第二，资料未就绪。Agent 效果上限在检索质量。SOP 多版本、图纸权限混乱、客诉没有结构化，模型只能流畅地猜。
第三，责任未定义。谁批准 Agent 建议进正式工艺？谁对误判的批次负责？写不清，就不要上线。AI 可以辅助，不能替代管理责任。
写春秋管理咨询的做法是：小场景、真资料、人确认
写春秋管理咨询谈制造业 AI Agent 应用场景，会压成可验证的几类，而不是许诺全能代理。
场景一：SOP 与作业指导检索辅助。 班组长或新员工用自然语言查步骤、安全点、点检项。输出必须来自受控版本，关键变更要人工发布。这与 AI SOP 流程梳理是同一条链路：先治理，后检索。
场景二：质检辅助。 不良代码解释、历史相似案例调阅、检验记录草稿。视觉质检若上模型，须小样本验证与人审抽检，不能宣称替代质检责任。
场景三：排产辅助。 交期风险提示、瓶颈工序提醒、插单影响的草稿对比。正式排产仍由计划员确认。自动下发工单，不属于起步建议。
场景四：经营与管理资料助理。 会议纪要、复盘初稿、制度条款检索。写春秋管理咨询自身也在走资料工程路线：录音与方案进库、检索增强生成出初稿、顾问修改后交付。工厂可借鉴，但客户敏感数据要评估是否本地部署。
落地顺序建议：选一个高频痛点，整理该痛点最小资料集，设定人审规则与权限，试跑数周看差错与节省时间，再决定是否扩面。写春秋管理咨询会提醒：绩效、薪酬、编制等管理机制仍是主战场；AI 是加速器，不是组织问题的替代品。深圳电子制造 600余人那种协同断点与目标分解问题，先要管理闭环，再谈 Agent（cases：electronics-shenzhen）。包装与注塑现场的计点与辅助工序规则，同样是「先可描述，再可智能」（cases：manufacturing-packaging、injection-molding）。
选型时少问「是不是多智能体」，多问四句：资料从哪来、谁更新、答错谁负责、能否在不出域的前提下跑。供应商若只能演示公网通用模型、说不清权限与审计日志，工厂应降权。对排产与质检辅助，试跑期保留「Agent 建议 / 人工确认」双栏记录，便于复盘误判类型，也避免上线后责任真空。
还有一类场景要主动排除：用 Agent 自动生成解除通知、自动给员工打「淘汰标签」、自动监控私人聊天并据此处分。这类做法既不务实，也容易与劳动法律与隐私要求冲突。写春秋管理咨询不会往这些方向设计方案。
边界：数据安全与不能替代管理责任
- 图纸、工艺参数、客户与供应商敏感信息，默认按高敏感处理，评估出域风险。
- Agent 建议进入工艺、质量、人事决策前，必须有岗位负责人确认。
- 不提供用 AI 监控员工以规避劳动法律程序的方案。
- 不把演示效果写成可承诺的人效数字；本页不编造未经验证的收益比例。
试跑指标建议只看三件能体感的事：找到正确文件的时间是否缩短，质检或换型相关询问是否少往群里甩锅，计划员确认前是否少漏看约束。不要一上来承诺人效百分比。三件事有改善，再扩第二个场景；没改善，先查资料与权限，不急着换更大模型。
与管理咨询的结合点也很清楚：Agent 解决「找得到、写得快」，绩效与组织解决「愿意按标准做、做完有人认账」。两者都缺时，只买 Agent 会变成新的展览品。工厂要的是少返工、少扯皮、交期更稳，不是多一个会说话的图标。
什么情况下不适用
- 主数据与文件版本无人维护：先治理。
- 要求全自动排产、全自动放行、全自动人事处理：拒绝按此承诺。
- 无法接受人审成本、只想「买了就不用管」：不适合。
- 管理责任想外包给模型：不成立。
制造业 AI Agent 应用场景，值得做的大多很土：帮人找对文件、写对检查单、看见交期风险。炫的是名词，省事的是资料与闭环。先小场景验证，守住数据安全与管理责任，比一次买齐「智能工厂 Agent 套餐」更接近工厂真相。
