中国一汽的硅基员工：五年磨出的智能体范式

2025年4月，中国一汽正式发布企业级智能体OpenMind时，没人再把它当实验室里的噱头——它旗下的产销平衡智能体，已经把月度生产调度周期压缩了约两周，计划调整频次下降72%。这不是单个AI工具的胜利，是一汽花了五年踩过所有制造企业转型坑后，攒出的EOA范式落地实践。

从ERP到EOA：不止是加个AI入口

很多企业转型数智化，第一反应是买几套系统、堆几个AI工具。一汽偏不，他们把EOA当成ERP、EBC之后的下一个范式。ERP是把流程跑稳，EBC是把能力攒起来，EOA则要让企业靠数据持续认知，多个智能体围着经营目标协同进化。不是推倒重来，是激活旧资产：业务流程给秩序，数据给事实，模型给认知，智能体管感知、判断、执行，最终形成“业务产生数据、数据训练AI、AI反哺业务”的闭环。

盗火者的试错：技术要进业务一线

一汽的内部团队叫“盗火者”——对应建厂1953和百年2053的愿景，2053实验室。早期踩过不少坑：有的AI识别准确率不够，有的响应速度慢，有的和业务场景脱节。后来定了原则：技术必须进业务一线，在真实流程、数据、责任里接受检验。分四阶段走：2021年从工厂视觉检测切入，靠深度学习识别零部件缺陷，验证可行性；再往大模型、智能办公、企业运营场景延伸；然后练汽车行业专有模型和企业级AI底座；最后把智能体嵌进生产经营主流程。

他们还把业务单元拆成可复用的Skill，比如BOM场景，258个业务单元用20多个Skill覆盖全场景，改单时间缩短60%，工艺路线自动赋值支撑90%的BOM自动编制；投资决策智能体2026年上半年已经节约超1000万；金葵花客户运营线索触达率从25%升到30%。七个硅基员工，分别部署在七个产品链，每个都有岗位身份和能力边界。

但也有翻车的时候：曾给智能体堆多个技能，结果生成大量低质量任务，一线被AI派单淹没。后来复盘回到业务规则、权限边界，定下人机分工原则：看数据可信程度和风险高低，高风险场景AI只做核验建议，最终人拍板；高精度场景人带AI，达标后扩自动化；中低风险场景AI多做，人抽样复核。信任是靠持续验证攒的，不是一次性宣布的。

智能体的下一步：怎么避免重复造轮子？

现在OpenMind2.0解决了一个新问题：场景多了就重复造Agent的坑。他们加了持久化记忆，把经验跨任务保留，Skill拆成原子化可组合的，还有开发、验证、生产三环境隔离，避免乱改。

我觉得，对制造企业来说，EOA最有价值的不是OpenMind本身，而是他们踩过的硬经验——比如先从单点场景验证、技术进一线、人机分工靠数据和风险而非拍板，这些都是没捷径的。

问题是：你觉得，其他制造企业要复制这条路，最容易卡在哪个环节？

素材来源：钛媒体 · AI情报、大模型、AI智能体、AI应用落地
查看报道原文