从禁用Excel到AI当班：北汽福田长沙工厂“数字同事”年省200万，智能体落地制造场景的4个关键动作

在制造现场，AI落地往往不是从“大模型平台”开始，而是从一张没人愿意维护的表格开始。北汽福田长沙超级卡车工厂的案例，提供了一个值得管理者关注的切口：先以“禁用Excel”推动现场信息统一，再部署飞书多维表格，最终把高频业务流程交给名为“长超小福”的数字同事处理。据案例披露，这套实践带来了每年约200万元的综合节省。更重要的是，它改变了员工提交、协同和追踪工作的方式。

这不是一次软件替换，而是一次工作方式重构

很多制造企业都有类似困境：设备、质量、维修、物料和人员数据分散在不同表格中；表格由个人维护，口径不一；异常发生后，管理者需要反复询问、汇总和核对；一旦关键员工休假或调岗，流程就容易中断。

问题表面上是“Excel太多”，本质上却是三个管理问题：

• 现场数据没有统一入口；
• 业务流程依赖个人经验；
• 管理动作无法沉淀为可追踪、可复用的标准流程。

因此，北汽福田长沙工厂的第一步并不是直接部署复杂的智能体，而是先做工具和流程的“断舍离”：减少个人表格作为正式业务凭证的空间，让任务、数据、责任人和处理状态进入统一协同环境。

这一步看似简单，却决定了后续智能体能否真正工作。没有稳定的数据结构和明确的流程边界，AI只能回答问题，无法承担业务责任。

关键动作一：用“禁用Excel”打破个人信息孤岛

“禁用Excel”不应被理解为工厂完全不允许使用电子表格，而是禁止把个人Excel作为核心业务流程的唯一载体。

企业需要先区分三类使用场景：

1. 临时分析：员工可以使用表格进行个人计算和探索；
2. 正式协同：涉及多人接力、状态更新和责任追踪的事项，必须进入统一系统；
3. 经营决策：用于考核、排产、质量追溯和资源调度的数据，必须具备统一口径和留痕能力。

如果不做这一区分，企业很容易陷入两个极端：要么继续容忍“表格管理”，要么通过行政命令一刀切，导致员工产生抵触。

更有效的方式是把“禁用Excel”转化为流程规则。例如，维修申请不再通过个人表格和群消息流转，而是进入统一表单；异常问题需要有发起人、责任人、截止时间和关闭记录；管理者查看的是实时状态，而不是下班前收集的一份汇总文件。

这实际上是在重新定义组织中的信息权利：数据不再属于某个员工，而属于业务流程。

关键动作二：先用飞书多维表格建立可操作的数据底座

对于制造企业而言，数字化项目并不一定要从大型系统重构开始。高频、跨部门、规则相对清晰的轻量场景，可以先通过飞书多维表格这类协同工具建立业务台账和流程入口。

它的价值不只是把Excel搬到线上，而是把“表格”变成几个可执行的业务对象：

• 一条记录对应一个任务、异常或需求；
• 一个字段对应责任人、状态、时间或优先级；
• 一个视图对应不同岗位的工作界面；
• 一个自动化规则对应提醒、分派和升级动作；
• 一条变更记录对应可追溯的流程证据。

以制造现场常见的质量异常为例，传统处理可能是员工拍照后发群、班组长转发、工程师再整理，最终由管理人员手工汇总。改造成结构化流程后，异常可以按照产品、工位、问题类型、责任部门和处理时限进行归类，并自动触发后续任务。

需要注意的是，多维表格不是“低代码万能工具”。它更适合快速验证流程和承接跨部门协同，不宜替代所有生产控制、财务核算或高安全等级系统。管理者应明确系统边界：哪些数据适合进入协同工具，哪些数据必须留在专业业务系统中。

关键动作三：让“长超小福”从问答工具变成数字同事

很多企业把智能体做成一个聊天窗口：员工可以提问，但提问之后仍然要自己查表、找人、填单和跟进。这样的产品容易被体验，却难以形成持续使用。

“长超小福”这一类数字同事的关键，不在于名字有多拟人，而在于是否能够嵌入真实工作链路。一个可用的企业级智能体，至少要具备四种能力：

识别任务

它要能理解员工提出的是咨询、报障、异常上报，还是进度查询，并将自然语言转换为结构化任务。

调取信息

它要基于经过授权的数据源回答问题，不能把未经确认的推测当成事实。对于工厂场景，权限尤其重要：普通员工、班组长、工程师和管理者看到的数据范围不应完全相同。

推动流程

它不仅要告诉员工“应该怎么做”，还要帮助完成建单、分派、提醒、催办和升级。只有进入流程，AI才真正产生组织价值。

形成闭环

任务完成后，要记录处理结果、时间、责任人和异常原因，便于复盘和持续优化。没有闭环的数据，无法支撑下一轮流程改进。

因此，企业在设计智能体时，应避免从“它能回答多少问题”开始，而要从“它能替哪个岗位减少多少重复动作”开始。

关键动作四：把收益拆成可核算的经营指标

“年省200万元”是一个有吸引力的结果，但对其他制造企业来说，真正有价值的是弄清楚这笔收益如何形成。

智能体项目的收益通常来自四个部分：

计算时，企业不能只把“节省的工时”直接等同于现金收益。更严谨的测算应区分：

• 显性节省：外包费用、加班费用、重复岗位投入等；
• 效率释放：员工把时间转向更高价值工作；
• 风险避免：减少错漏、延误和质量损失；
• 收入贡献：只有能够明确归因时，才纳入收益测算。

例如，一个流程每天减少两小时人工整理，并不意味着企业立刻减少两小时编制。但它可以成为效率释放的依据，进一步观察是否带来了更快的异常处理、更少的管理层介入或更高的产能利用率。

所以，项目立项时就应建立基线，而不是上线后再寻找漂亮数字。至少要记录上线前后的处理时长、参与人数、数据完整率和问题关闭周期，并明确统计口径与时间范围。

一线员工为什么会真正使用

制造业数字化项目最难的部分，通常不是配置工具，而是改变习惯。员工是否愿意使用，取决于系统有没有增加工作量，以及它能否解决现场真实问题。

北汽福田长沙工厂案例带来的启示，可以归纳为三条。

入口必须足够近

员工不应为了提交一个异常，打开多个系统、填写大量字段。能通过移动端、群聊入口或简短指令完成的动作，就不要设计成复杂表单。

系统必须减少而不是增加记录

如果新系统要求员工既填Excel、又填表单、还要在群里汇报，使用率必然下降。数字化项目必须同步取消旧流程，而不是在旧流程上叠加新工具。

价值必须能被员工感知

员工最关心的不是企业是否拥有智能体，而是报修后有没有更快响应、提交问题后是否少被重复询问、任务完成后是否能留下证据。只有系统帮助员工减少等待和沟通成本，使用才会从“要求”变成“习惯”。

从一个工厂复制到更多场景，需要先补齐四项准备

单点成功并不等于可以直接复制。制造企业在扩大智能体应用前，至少要做好四项准备。

统一业务术语和数据口径

同一个“异常”，不同部门可能有不同定义；同一个设备，也可能存在多个编号。没有主数据和术语标准，智能体越智能，错误传播速度可能越快。

建立权限与责任边界

哪些数据可以查询，哪些动作可以由智能体自动执行，哪些操作必须由人审批，都要提前定义。尤其是涉及质量放行、设备安全、生产计划和人员管理的场景，不能默认由AI独立决策。

设置人工兜底机制

智能体无法判断、数据冲突或用户提出高风险请求时，应自动转交人工，并保留上下文。所谓“自动化”，不是取消人的责任，而是让人把精力放到需要判断的环节。

建立持续运营机制

上线只是开始。企业需要定期检查智能体的任务成功率、转人工率、错误类型、用户反馈和流程超时情况，并根据真实使用情况调整知识库、字段和规则。

给制造企业的实施框架：四周验证，三个月扩展

对于准备启动项目的企业，可以采用“小场景验证、可量化评估、逐步扩展”的路径。

第一阶段，选定一个高频且低风险的场景。 优先考虑设备报修、质量异常、物料需求、巡检记录、会议任务等流程。判断标准不是技术先进，而是问题是否频繁、责任是否清晰、收益是否可测。

第二阶段，画出上线前的真实流程。 记录谁发起、谁处理、经过哪些节点、平均耗时多少、在哪些环节容易丢失信息。不要跳过这一步，否则系统只是把混乱搬到线上。

第三阶段，先建立结构化台账，再接入智能体。 先把字段、权限、状态和闭环规则跑通，再让智能体负责自然语言入口、任务创建、信息查询和流程提醒。

第四阶段，用经营指标评估，而不是用活跃人数评估。 活跃人数只能说明有人打开过系统，不能说明业务改善。应重点观察处理周期、闭环率、重复劳动、异常损失和员工满意度。

第五阶段，形成可复制模板。 把成熟场景沉淀为流程模板、字段模板、权限模板和指标模板，再推广到其他车间、工厂或业务部门。

结语：AI落地的终点不是“有一个智能体”

北汽福田长沙工厂案例最值得借鉴的地方，不是“长超小福”这个名称，也不只是据案例披露的约200万元年度节省，而是它展示了一条较为务实的路径：先改变工具规则，再统一业务数据；先解决一线高频问题，再让智能体进入流程；先核算真实收益，再推动规模化复制。

对制造企业而言，数字化转型不应以采购了多少软件、上线了多少功能作为终点。真正的判断标准是：信息是否更及时，责任是否更清晰，异常是否更快闭环，员工是否少做重复工作，管理者是否能够基于可信数据作出决策。

当这些变化能够持续发生时，AI才不再是一个额外的技术项目，而会逐渐成为组织日常工作的一部分。