2023 年，管震還在給製造企業講智能工廠。在一家工廠駐場時，負責人問他：「管老師，您講得很好，但這些對我有什麼用？」
對方問的是具體的：一批物料沒到位，產線究竟該換線還是等？預測性維護能減少多少停機損失，投進去劃不划算？他當時答不上來。
今年 11 月 14 日，21 世紀經濟報導發了他的創業故事。管震在微軟幹了 19 年，2023 年離開，2024 年 1 月在廣州創立智用開物，專做工業智能體。公司 2026 年 3 月完成近億元天使+輪融資，2025 年服務客戶十餘家、客單價百萬級。
我關心的是他解決問題的方式，因為那恰好是大部分企業做 AI 專案時跳過的部分。
一、上崗要過四道關，少一道就是實習生
智用開物不做通用的 AI 助手，做的是崗位：AI 排產員、報價員、報關員、對帳員、設備巡檢工程師。這個切入點看著窄，其實省了很多事——崗位有明確的輸入、輸出和驗收標準。
按他們的設計，一個數位員工要正式上崗，得經過四步：系統對接、崗位標準作業程序注入、硬約束與現場規則配置、基於歷史數據的校準。
我把它翻譯成甲方聽得懂的說法：
| 這一關 | 要交的東西 | 沒做會怎樣 |
|---|---|---|
| 系統對接 | 介面清單、欄位對應、重新整理頻率 | 讀到的數是過期的 |
| 崗位 SOP 注入 | 這個崗位怎麼判斷、先看什麼、什麼情況上報 | 答覆像百科全書，不對症 |
| 硬約束配置 | 產能、班次、最小批量、替代料規則 | 給出的計畫落不了地 |
| 歷史數據校準 | 用過去三個月的真實單子回放比對 | 上線第一天就出錯，沒人敢用 |
第二關背後有個技術活，叫工業語義引擎。它處理的是這類問題：同一種物料，在供應商系統裡是一個編碼，在工廠 ERP 裡是另一個編碼；兩個欄位名字一樣，粒度卻不同。這些對不齊，智能體會在錯的資料上做出對的推理——結論邏輯無誤，前提全錯。這種錯最難發現，因為它看起來特別順。
二、讓大模型出規則，讓內核出計畫
這是他們最有趣的一項設計。大模型不直接生成最終生產計畫，只負責理解需求、生成規則；計畫本身由一個確定性內核依據既定約束算出來。
為什麼要拆開？
排產這類工作有個特點：結果得能解釋，也得能重跑。車間主任問「為什麼這張單排在前面」，你不能回答「模型覺得」。下週同樣一批條件進來，算出來的順序應該一樣，否則沒人敢把它寫進交期承諾。
而大模型恰好兩樣都不擅長。它擅長理解一段含糊的需求，比如「客戶催得急、這批料又只有一半」，然後把這句話變成一條可執行的規則。規則是它的活，求解不是。
這件事對用 Odoo 的企業有個直接推論：確定性內核要算的那些約束，多半已經在你的系統裡，只是沒配全。
- 產能：mrp.workcenter 上的 capacity 與效率係數，還有 resource.calendar 裡的班次日曆。日曆沒配節假日，排出來的計畫會憑空多出幾天。
- 物料：mrp.bom 的用量與損耗率。用量寫的是一套，實際領的是一套半，任何演算法都算不準。
- 補貨：stock.warehouse.orderpoint 的最小庫存、最大庫存、補貨週期。這三個數不準，補料計畫就是猜的。
- 工序：mrp.routing.workcenter 的工序時間與準備時間。這裡空著，排產只能按理想狀態排。
這些參數有個共同點：填起來枯燥，跟 AI 一點關係也沒有，但缺了它們，模型只能給「建議」，給不出「計畫」。很多企業以為自己在做 AI 項目，其實欠的是一輪基礎資料整理。
反過來也成立：如果你不打算把這些參數配全，那就先別做排產智慧體。它會給你一個看起來很專業的甘特圖，然後在第一次插單時失效，接著所有人回去用 Excel。
三、發工號這件事，政策和企業的邏輯是一樣的
11 月 13 日，工信部印發《關於加強智能體終端設備進網管理的通知》。文件管的是預置智能體的手機、平板、可穿戴設備，離工廠很遠，但裡面幾條要求可以原樣搬到企業內網：
- 身份。終端上使用的智慧體，應參考智慧體互聯系列國家標準配備唯一身分碼。換成企業場景：每個智慧體得有一個專用帳號，能回答「它代表誰行動」。
- 變更。終端發生重大變化要向工信部報備；透過 OTA 做智能體升級，要先交方案、再交報告，經專家評估後才能正式提供服務。企業裡沒有工信部，但有稽核——「這個智能體上個月改過提示詞嗎？改完複驗了嗎？」這個問題遲早會有人問。
- 授權。應用分發平台要推動開發者以電子簽章聲明是否同意智慧體呼叫，未聲明的不得強制呼叫。企業裡對應的就是權限邊界：它能讀哪些表、能改哪些單據，得有人簽字。
- 適配。產品設定頁要公示已完成適配的終端型號，不得提供不相容機型的下載。企業版對應的是「這個智能體在哪個版本、哪個公司、哪套科目表下驗證過」。
同一天，用友發布了 YonAIG，把 AI 治理拆成六個域：觀測、營運、上下文、評估、維運、安全。其中「全週期營運」講的就是從建立、身分配置、授權、上崗到退役的管理鏈路；「觀測」能看到單次請求的呼叫樹——執行步驟、耗時、錯誤、消耗；「評估」按取樣規則圈選資料，用大模型或程式碼評測器非同步打分，評分掛回記錄，改完配置再複驗。
廠商在做產品，企業在補臺帳，監管在定規矩，三件事說的是同一個東西：智能體要有一個可查的身份和一段可查的歷史。
| 要留的東西 | Odoo 裡怎麼落 | 為什麼 |
|---|---|---|
| 專用帳號 | 一個獨立的 res.users，只掛必要權限群組 | 出事能定位到具體身份 |
| 能看到什麼 | ir.model.access 加 ir.rule，配合公司上下文 | Odoo 20 起統一為 ir.access，判定方式變了，得重測 |
| 能改什麼 | 只開放有限的 server action 或工具 | 模型只能請求菜單上有的菜 |
| 改了什麼 | mail.thread 的 tracking=True 欄位留痕 | 誰在什麼時候把交期從 10 號改成 25 號 |
| 跑過幾次 | Odoo 20 的 automation chat 保留每次自動執行記錄 | 出問題能回放，能糾正 |
一個必須點名的坑：sudo()。Odoo 裡用 sudo() 寫程式碼能繞過所有權限檢查，很多自訂模組為了省事就這麼做。智能體如果跑在這類程式碼上，你在介面上設的權限全是裝飾。做 AI 專案之前，值得先全域搜一遍這個詞。
四、複製到第二條線，才是真考題
立訊集團是智用開物合作最深的客戶。2025 年 8 月，雙方在集團體系內的立景創新共建了 AI 創新實驗室，相關成果正在向集團內其他業務單元複製。
這句話才是這個案例真正的分量所在。在一條產線上跑通一個數字員工，靠的是現場工程師的耐心；能不能複製到第十條線，靠的是產品。
現實的阻力在報導裡寫得很清楚：不同企業用的系統不一樣，業務規則也不同。有的工廠 IT 部門齊全，能一起做對接；有的連標準介面都沒有，只能靠定期匯出資料檔案來協作。這意味著，即使兩家企業要的是同一種職位 AI，設定也未必能通用。
管震的說法是，部分過去要一天才能完成的複雜工作，現在 7 分鐘可以完成，前提是準確率滿足交付要求。這個「前提」兩個字，比 7 分鐘更值得記——它其實是一條驗收標準，而不是一句宣傳語。
財務上也能看出階段。2025 年服務客戶十餘家、客單價百萬級，2026 年合約金額呈十倍級成長趨勢。但報導自己也補了一句：合約金額成長不等於收入和利潤同步成長。客戶越多，交付能不能標準化，越決定這是一門什麼生意。
這句話對所有做 AI 交付的人都成立。能不能複製到第二家，決定它是產品還是專案。而複製的前提，是那些枯燥的東西——欄位映射、SOP、硬約束、回放資料——都被沉澱成了資產。
五、人的位置，不在技術方案裡
報導裡有一段，我覺得比技術部分更該被專案經理讀到。
智用開物曾給一家企業部署 AI 輔助設計工具，效率提升明顯，但設計部門起初不願意用。員工擔心崗位被替代，也擔心積累多年的經驗被系統提取之後，自己失去競爭優勢。
這類顧慮不是靠一場培訓能消除的。最後的做法是和客戶一起重新定義崗位邊界：AI 承擔重複性的執行工作，人負責異常處理與最終決策。
這個安排聽起來像妥協，其實是唯一能落地的分工。因為異常處理這件事，恰恰需要那些「被系統提取走」的經驗。經驗沒有消失，它換了個使用場景——從每天重複做十遍，變成一天判斷三次。
六、如果要動手，先做三件事
一、給每個智能體一個專用帳號和一份崗位說明書。帳號寫清權限組，說明書寫清它能讀什麼、能改什麼、什麼情況必須轉人工。這份說明書是後面所有驗收的依據。
二、先把硬約束落到參數裡，再談讓 AI 出計劃。產能、班次日曆、BOM 用量、補貨規則、工序時間，這五項配不齊，先做資料整理專案，別做智慧體專案。
三、用歷史訂單做一次上崗考試。拿上個月真實的生產訂單回放，比對排產結果與當時人工排的差異，逐條看差在哪。準確率不達標不發工號，先當助手用。這比任何 POC 演示都可靠。
回到那位工廠負責人的問題：一批物料沒到位，要換線還是等？
這個問題 AI 答不了，除非有人先把換線的成本、等待的違約風險、設備切換的時間、客戶的催單等級，全都變成系統裡能算的數。等這些都齊了，答案其實是算出來的，不需要「智慧」。
模型的活是聽懂那句含糊的話。剩下的，還是得靠人把規矩寫清楚。
參考來源：21 世紀經濟報導《AI 進廠上崗 智用開物闖關規模化》（2026-11-14，新浪財經轉載）；工業和信息化部《關於加強智能體終端設備進網管理的通知》（2026-11-13）；中國經濟新聞網《用友 BIP 企業 AI 治理與營運平台》（2026-11-13）。
眾諦信息 · 企業管理數位化觀察 · 文中 Odoo 欄位與模型名以 Odoo 19/20 為準。
