【轨物洞见】企业系统买了不少，为什么工作还是这么累？

过去十几年，制造企业持续推进数字化建设。

从 ERP、MES、PLM，到 CRM、SCM，再到各种专业管理软件，企业投入了大量资金和人力，希望通过信息化系统规范业务流程、提高管理效率、实现数据驱动决策。

但一个值得思考的现象是：企业的信息系统越来越多，员工的日常工作却未必越来越轻松。

研发人员依然需要在不同资料中查找器件参数，采购人员依然要逐条核对 BOM 物料价格，生产管理人员依然需要反复确认订单进度，售后人员依然要在大量历史记录中寻找故障原因。

系统已经建起来了，数据也已经沉淀下来了，为什么很多工作仍然依赖人工完成？

问题可能不在于系统数量不够，而在于企业的数据、知识与业务之间，仍然存在一道没有真正打通的鸿沟。

企业建设信息化系统，通常是围绕具体业务部门展开的。

ERP 负责企业资源计划，MES 负责生产执行，PLM 管理产品生命周期，CRM 管理客户关系。每套系统都有自己的业务边界、数据结构和管理逻辑。

这种专业化分工本身没有问题。

真正的问题在于，当一项工作需要跨越多个系统时，员工往往还需要承担大量的数据连接工作。

例如，一名研发工程师需要为某个产品选择合适的电子元器件。他可能需要先查阅产品技术要求，再到企业物料库中寻找已有型号，核对规格参数，确认历史使用情况，必要时还要查询外部供应渠道。

这些信息可能分散在物料管理系统、技术文档、Excel 表格以及供应商资料中。

系统分别完成了各自的记录任务，但没有直接完成跨系统的信息组织与分析。

于是，原本应该由系统提供支持的工作，最终又回到了员工身上。

员工每天忙着找资料、查数据、核信息、重复录入。表面上是在操作系统，实际上是在不同系统之间充当人工数据接口。

谈到企业数字化，很多人首先想到的是数据孤岛。

但数据能够集中，并不意味着知识就能被有效利用。

一家制造企业可能已经积累了大量物料数据、产品参数、技术文档、报价记录、生产记录和售后案例。

这些数据具有很高的业务价值，但它们通常以不同形式存在。

结构化数据保存在数据库中，技术资料保存在文档中，经验判断可能留在工程师的工作习惯里，历史问题则散落在售后记录和沟通信息中。

这些信息并不天然等于知识。

例如，企业积累了数千种元器件型号，但研发人员真正需要的不是一份完整的物料清单，而是根据电气参数、封装形式、应用条件和约束要求，找到适合当前设计的候选型号。

企业保存了大量历史售后记录，但管理人员真正关心的不是记录数量，而是哪些故障反复发生、哪些设备容易出现相似问题，以及应该优先排查什么。

数据回答的是发生过什么，知识需要进一步解释其中的关系、条件和规律。

如果企业只是把资料存起来，却没有建立面向业务问题的组织、检索和分析能力，那么数据资产就很难转化为日常生产力。

传统信息系统的核心价值，是把业务流程数字化、标准化。

它明确规定了数据在哪里产生、由谁填写、经过哪些审批、最终保存在哪里。

这套体系仍然是企业数字化的基础，不应该因为 AI 出现就被推翻。

但传统软件也有自身的边界。

当业务问题涉及大量非结构化资料、跨系统信息查询、复杂条件比对和经验辅助判断时，单纯依靠固定表单和预设流程，往往需要额外开发才能满足需求。

AI 带来的变化，在于它开始具备理解自然语言、处理非结构化信息、调用知识和组织分析结果的能力。

员工不一定需要记住每份资料存放在哪里，也不一定需要熟悉每个系统的查询路径。

他可以围绕具体业务问题提出需求，由 AI 在授权范围内调用相关知识和工具，整理信息并形成结果。

这并不意味着 AI 可以取代 ERP、MES 或 PLM。

更合理的定位是：传统业务系统负责业务数据和流程管理，AI 智能体负责连接信息、理解任务和辅助完成工作。

两者不是替代关系，而是能力互补。

目前，不少企业已经开始尝试使用 AI。

有人用通用大模型写报告，有人用 AI 总结文件，也有人尝试搭建内部知识库。

这些尝试有价值，但很容易出现新的问题：AI 工具越来越多，员工需要在不同平台之间切换；知识库与业务工具相互独立；不同部门各自建设，最终形成新的信息孤岛。

企业真正需要思考的是，如何让 AI 从零散的个人工具，变成能够服务组织业务的工作能力。

这就涉及企业级 AI Agent 工作平台。

一个相对完整的工作平台，至少应该具备几个基础能力：

统一入口。 员工能够在一个平台中发起对话、提交任务和获取工作结果，减少工具切换。

企业知识。 将企业已有的技术文档、业务资料和知识资源组织起来，为专业任务提供信息依据。

专业智能体。 围绕研发、采购、生产、售后等不同业务场景，配置具备明确职责的专业助手。

工具协同。 根据任务需要调用相应工具，完成信息查询、数据处理和结果整理。

成果管理。 对工作过程中产生的分析结果和交付产物进行组织，方便后续使用和协作。

这些能力组合起来，才有可能让 AI 从一个聊天窗口，逐渐进入企业真实的工作环境。

需要强调的是，企业上 AI 并不是把一个大模型接入内部系统就结束了。

模型能够理解问题，不代表它能够准确理解企业的业务规则。

模型能够生成答案，也不代表答案符合企业的技术标准。

例如，研发选型涉及具体技术参数，BOM 核价涉及物料编码、价格口径和版本，采购分析涉及库存状态与采购规则，生产分析涉及订单状态和计划数据。

这些内容都具有明显的企业个性。

同样一个业务问题，不同企业的处理规则可能完全不同。

因此，企业 AI 建设必须解决三个问题：

第一，数据能否在授权范围内被正确获取？

第二，业务规则能否被准确表达并提供给智能体？

第三，智能体产生的结果能否被验证、追溯，并由相应岗位承担责任？

缺少其中任何一个环节，都可能导致 AI 看起来能够工作，实际上却无法稳定进入业务。

尤其是在工业领域，涉及成本、技术参数、生产计划和质量判断时，必须重视数据来源、计算口径和人工复核。

企业数字化的下一阶段，不应该简单理解为再增加一套软件。

过去，企业关注的是业务流程有没有上线、数据有没有进入系统、管理有没有实现在线化。

现在，还需要进一步关注：

系统中的数据能不能被有效利用？

员工能不能更快获得完成任务所需的信息？

不同业务环节能不能减少重复的信息处理？

企业多年积累的经验能不能转化为可调用、可复用的知识？

这才是 AI 进入企业之后值得关注的变化。

以轨物科技 Thingcom AI Agent 工作平台为例，其设计思路就是围绕企业工作场景，将统一对话入口、知识库、专业智能体、工具箱和工作产物组织在一个平台中，并面向研发选型、BOM 价格分析、采购库存、生产订单及售后质量趋势等场景提供智能化辅助能力。

它所关注的并不是单纯增加一个 AI 聊天工具，而是尝试让企业已有的数据和知识，更直接地参与日常工作。

当然，平台能力的价值最终仍然要通过具体业务验证。

企业数字化的真正进步，不是员工学会操作更多系统，而是员工能够用更少的精力完成更有价值的工作。

当数据不再只是被保存，当知识不再只存在于少数人的经验中，当 AI 开始参与具体业务任务，企业数字化才有机会从信息化管理进一步走向智能化工作。