2023 年，管震还在给制造企业讲智能工厂。在一家工厂驻场时，负责人问他：「管老师，您讲得很好，但这些对我有什么用？」
对方问的是具体的：一批物料没到位，产线究竟该换线还是等？预测性维护能减少多少停机损失，投进去划不划算？他当时答不上来。
今年 11 月 14 日，21 世纪经济报道发了他的创业故事。管震在微软干了 19 年，2023 年离开，2024 年 1 月在广州创立智用开物，专做工业智能体。公司 2026 年 3 月完成近亿元天使+轮融资，2025 年服务客户十余家、客单价百万级。
我关心的是他解决问题的方式，因为那恰好是大部分企业做 AI 项目时跳过的部分。
一、上岗要过四道关，少一道就是实习生
智用开物不做通用的 AI 助手，做的是岗位：AI 排产员、报价员、报关员、对账员、设备巡检工程师。这个切入点看着窄，其实省了很多事——岗位有明确的输入、输出和验收标准。
按他们的设计，一个数字员工要正式上岗，得经过四步：系统对接、岗位标准作业程序注入、硬约束与现场规则配置、基于历史数据的校准。
我把它翻译成甲方听得懂的说法：
| 这一关 | 要交的东西 | 没做会怎样 |
|---|---|---|
| 系统对接 | 接口清单、字段映射、刷新频率 | 读到的数是过期的 |
| 岗位 SOP 注入 | 这个岗位怎么判断、先看什么、什么情况上报 | 答复像百科全书，不对症 |
| 硬约束配置 | 产能、班次、最小批量、替代料规则 | 给出的计划落不了地 |
| 历史数据校准 | 用过去三个月的真实单子回放比对 | 上线第一天就出错，没人敢用 |
第二关背后有个技术活，叫工业语义引擎。它处理的是这类问题：同一种物料，在供应商系统里是一个编码，在工厂 ERP 里是另一个编码；两个字段名字一样，粒度却不同。这些对不齐，智能体会在错的数据上做出对的推理——结论逻辑无误，前提全错。这种错最难发现，因为它看起来特别顺。
二、让大模型出规则，让内核出计划
这是他们最有意思的一条设计。大模型不直接生成最终生产计划，只负责理解需求、生成规则；计划本身由一个确定性内核依据既定约束算出来。
为什么要拆开？
排产这类工作有个特点：结果得能解释，也得能重跑。车间主任问「为什么这张单排在前面」，你不能回答「模型觉得」。下周同样一批条件进来，算出来的顺序应该一样，否则没人敢把它写进交期承诺。
而大模型恰好两样都不擅长。它擅长理解一段含糊的需求，比如「客户催得急、这批料又只有一半」，然后把这句话变成一条可执行的规则。规则是它的活，求解不是。
这件事对用 Odoo 的企业有个直接推论：确定性内核要算的那些约束，多半已经在你的系统里，只是没配全。
- 产能：mrp.workcenter 上的 capacity 与效率系数，还有 resource.calendar 里的班次日历。日历没配节假日，排出来的计划会凭空多出几天。
- 物料：mrp.bom 的用量与损耗率。用量写的是一套，实际领的是一套半，任何算法都算不准。
- 补货：stock.warehouse.orderpoint 的最小库存、最大库存、补货周期。这三个数不准，补料计划就是猜的。
- 工序：mrp.routing.workcenter 的工序时间与准备时间。这里空着，排产只能按理想状态排。
这些参数有个共同点：填起来枯燥，跟 AI 一点关系没有，但缺了它们，模型只能给「建议」，给不出「计划」。很多企业以为自己在做 AI 项目，其实欠的是一轮基础数据整理。
反过来也成立：如果你不打算把这些参数配全，那就先别做排产智能体。它会给你一个看起来很专业的甘特图，然后在第一次插单时失效，接着所有人回去用 Excel。
三、发工号这件事，政策和企业的逻辑是一样的
11 月 13 日，工信部印发《关于加强智能体终端设备进网管理的通知》。文件管的是预置智能体的手机、平板、可穿戴设备，离工厂很远，但里面几条要求可以原样搬到企业内网：
- 身份。终端上使用的智能体，应参考智能体互联系列国家标准配备唯一身份码。换成企业场景：每个智能体得有一个专用账号，能回答「它代表谁行动」。
- 变更。终端发生重大变化要向工信部报备；通过 OTA 做智能体升级，要先交方案、再交报告，经专家评估后才能正式提供服务。企业里没有工信部，但有审计——「这个智能体上个月改过提示词吗？改完复验了吗？」这个问题迟早会有人问。
- 授权。应用分发平台要推动开发者以电子签名声明是否同意智能体调用，未声明的不得强制调用。企业里对应的就是权限边界：它能读哪些表、能改哪些单据，得有人签字。
- 适配。产品设置页要公示已完成适配的终端型号，不得提供不兼容机型的下载。企业版对应的是「这个智能体在哪个版本、哪个公司、哪套科目表下验证过」。
同一天，用友发布了 YonAIG，把 AI 治理拆成六个域：观测、运营、上下文、评估、运维、安全。其中「全周期运营」讲的就是从创建、身份配置、授权、上岗到退役的管理链路；「观测」能看到单次请求的调用树——执行步骤、耗时、错误、消耗；「评估」按采样规则圈选数据，用大模型或代码评测器异步打分，评分挂回记录，改完配置再复验。
厂商在做产品，企业在补台账，监管在定规矩，三件事说的是同一个东西：智能体要有一个可查的身份和一段可查的历史。
| 要留的东西 | Odoo 里怎么落 | 为什么 |
|---|---|---|
| 专用账号 | 一个独立的 res.users，只挂必要权限组 | 出事能定位到具体身份 |
| 能看到什么 | ir.model.access 加 ir.rule，配合公司上下文 | Odoo 20 起统一为 ir.access，判定方式变了，得重测 |
| 能改什么 | 只开放有限的 server action 或工具 | 模型只能请求菜单上有的菜 |
| 改了什么 | mail.thread 的 tracking=True 字段留痕 | 谁在什么时候把交期从 10 号改成 25 号 |
| 跑过几次 | Odoo 20 的 automation chat 保留每次自动运行记录 | 出问题能回放，能纠正 |
一个必须点名的坑：sudo()。Odoo 里用 sudo() 写代码能绕过所有权限检查，很多自定义模块为了省事就这么干。智能体如果跑在这类代码上，你在界面上设的权限全是装饰。做 AI 项目之前，值得先全局搜一遍这个词。
四、复制到第二条线，才是真考题
立讯集团是智用开物合作最深的客户。2025 年 8 月，双方在集团体系内的立景创新共建了 AI 创新实验室，相关成果正在向集团内其他业务单元复制。
这句话才是这个案例真正的分量所在。在一条产线上跑通一个数字员工，靠的是现场工程师的耐心；能不能复制到第十条线，靠的是产品。
现实的阻力在报道里写得很清楚：不同企业用的系统不一样，业务规则也不同。有的工厂 IT 部门齐全，能一起做对接；有的连标准接口都没有，只能靠定期导出数据文件来协作。这意味着，即使两家企业要的是同一种岗位 AI，配置也未必能通用。
管震的说法是，部分过去要一天才能完成的复杂工作，现在 7 分钟可以完成，前提是准确率满足交付要求。这个「前提」两个字，比 7 分钟更值得记——它其实是一条验收标准，而不是一句宣传语。
财务上也能看出阶段。2025 年服务客户十余家、客单价百万级，2026 年合同额呈十倍级增长趋势。但报道自己也补了一句：合同额增长不等于收入和利润同步增长。客户越多，交付能不能标准化，越决定这是一门什么生意。
这句话对所有做 AI 交付的人都成立。能不能复制到第二家，决定它是产品还是项目。而复制的前提，是那些枯燥的东西——字段映射、SOP、硬约束、回放数据——都被沉淀成了资产。
五、人的位置，不在技术方案里
报道里有一段，我觉得比技术部分更该被项目经理读到。
智用开物曾给一家企业部署 AI 辅助设计工具，效率提升明显，但设计部门起初不愿意用。员工担心岗位被替代，也担心积累多年的经验被系统提取之后，自己失去竞争优势。
这类顾虑不是靠一场培训能消除的。最后的做法是和客户一起重新定义岗位边界：AI 承担重复性的执行工作，人负责异常处理与最终决策。
这个安排听起来像妥协，其实是唯一能落地的分工。因为异常处理这件事，恰恰需要那些「被系统提取走」的经验。经验没有消失，它换了个使用场景——从每天重复做十遍，变成一天判断三次。
六、如果要动手，先做三件事
一、给每个智能体一个专用账号和一份岗位说明书。账号写清权限组，说明书写清它能读什么、能改什么、什么情况必须转人工。这份说明书是后面所有验收的依据。
二、先把硬约束落到参数里，再谈让 AI 出计划。产能、班次日历、BOM 用量、补货规则、工序时间，这五项配不齐，先做数据整理项目，别做智能体项目。
三、用历史订单做一次上岗考试。拿上个月真实的生产订单回放，比对排产结果与当时人工排的差异，逐条看差在哪。准确率不达标不发工号，先当助手用。这比任何 POC 演示都可靠。
回到那位工厂负责人的问题：一批物料没到位，换线还是等？
这个问题 AI 答不了，除非有人先把换线的成本、等待的违约风险、设备切换的时间、客户的催单等级，全都变成系统里能算的数。等这些都齐了，答案其实是算出来的，不需要「智能」。
模型的活是听懂那句含糊的话。剩下的，还是得靠人把规矩写清楚。
参考来源：21 世纪经济报道《AI 进厂上岗 智用开物闯关规模化》（2026-11-14，新浪财经转载）；工业和信息化部《关于加强智能体终端设备进网管理的通知》（2026-11-13）；中国经济新闻网《用友 BIP 企业 AI 治理与运营平台》（2026-11-13）。
众谛信息 · 企业管理数字化观察 · 文中 Odoo 字段与模型名以 Odoo 19/20 为准。
