从灯塔工厂看制造业 AI Agent：先打通闭环，再谈自主
解读世界经济论坛《全球灯塔网络 2026》白皮书：AI Agent 在全球标杆工厂的方案中只占 5%，却已在焊接编程、客诉整改、新品导入等环节见到实效。它靠什么落地，能自主到什么程度，难点又在哪里。
2026 年 1 月，世界经济论坛和麦肯锡联合发布了白皮书《全球灯塔网络：重塑运营，实现韧性与规模化影响》。“灯塔工厂”由独立专家评选，可以看作全球制造和供应链运营的标杆，发布时一共 223 家，分布在 30 多个国家、40 多个行业。这一版报告第一次把 AI Agent 单独拿出来统计，刚好能回答制造企业最近问得最多的两个问题：Agent 到底能干什么？该从哪里下手？
一、Agent 来了，但只占 5%
企业申报灯塔时，要拿出效果最好的五项方案。按报告调整后的分类口径，2025 年这些方案里，约 62% 以分析式 AI 和机器学习为核心；生成式 AI 占 23%，一年前还只有 9%；AI Agent 第一次出现，占 5%。
也就是说，带来主要效益的仍是预测、优化、视觉检测这些分析式 AI；生成式 AI 涨得最快；Agent 才刚起步。报告对 Agent 的态度相当谨慎：在生产现场，完全自主的 Agent “还停留在设想阶段”，领先企业实际在做的，是让人和 Agent 搭档干活。
二、Agent 站在多年数字化的基础上
报告把灯塔工厂的方案分成三层。最底层是设备和系统互联，约占 60%，比如 AGV／AMR 物流、物联网 OEE 看板、状态检修；中间一层是 AI 辅助，约占 30%，比如视觉质检、开环参数优化、预测性维护；最上面一层是闭环自主，约占 10%，包括能自我优化的过程控制、能耗等参数的闭环优化，以及由 Agent 做决策的系统。一家典型的灯塔企业会规模化落地 50 多项方案，其中真正的核心方案只有 5 到 10 项。
换句话说，Agent 不是凭空长出来的，它需要几样实打实的条件：设备数据能实时采上来，MES、ERP、QMS 等系统之间是通的，关键工艺积累了能复用的历史数据和专家经验。条件齐了，Agent 才能从“查资料、写报告”再往前走一步，参与排产、质量和设备上的决策。
三、价值来自具体的业务环节
麦肯锡把一个普遍现象叫作“生成式 AI 悖论”：近八成企业已经用上了生成式 AI，但差不多同样比例的企业表示，利润并没有因此明显改善。报告给出的原因是，投入大多花在了聊天助手这类通用工具上，而能直接影响定价、需求、风险和设备利用率的行业应用投入不足。行业应用要深度接入现有系统和行业数据，做起来更难，但效果也更容易算清楚。
报告里的几个 Agent 案例，都落在具体的业务环节上：
| 工厂 | Agent 做了什么 | 报告披露的效果 |
|---|---|---|
| 海尔（上海） | 用强化学习给焊接机器人生成和优化程序，经焊接专家审核后上线 | 编程时间从 16 小时降到 1 小时；焊接偏差从 2 毫米降到 0.5 毫米；一次合格率提高 2.3 个百分点 |
| 美的（泰国） | 打通全球客诉和质量系统，由大模型推断问题根因，工程师确认后给出整改建议 | 从发现质量问题到拿出整改计划，由约 3 个月缩短到 1 天；缺陷率下降 43%；客诉率下降 32% |
| 施耐德电气（武汉） | 21 个 Agent 分担新产品导入中的数据收集、文件编制等工作 | 一半相关任务自动完成；新产品导入周期缩短 67% |
| 芜湖某灯塔工厂 | 排产 Agent 把大模型和混合整数规划结合起来，一键生成满足各项约束的排产计划 | 旺季单日峰值产量提高 23% |
把这几个案例放在一起看，有几个共同点：范围小，只盯一道工序或一条流程；数据和系统事先已经打通；效果用一个业务指标就能说清楚；而且都离不开专家——他们的经验先整理进知识库，Agent 给出的结果还要经过他们审核，在一次次审核中不断修正。美的的方案背后，就是 3000 多条专家经验。
四、该放多少权，看风险和难度
报告给了一个很好用的分级办法：横轴看决策有多复杂，纵轴看决策错了代价有多大，两者组合起来，决定哪些事交给 AI、哪些事留给人。
苏州的薄膜企业 Kunlene 就是这样做的。在高速生产环节，AI 汇总 SCADA、实验室和视觉检测的数据，实时给出调参建议，操作员确认后再执行：换型后的爬坡时间缩短了 50%，与速度相关的缺陷减少了 37%。而在出错代价较低的厚度控制环节，他们直接让机器人按 AI 算出的结果自动调节 43 个模唇螺栓，厚度稳定时间缩短 25%，废品率下降 25%。同一条产线，风险不同，交给 AI 的权限也不同。
五、从单个 Agent 到多个 Agent 协同
报告把 Agent 分成三层：只做一件具体事情的任务 Agent；负责走完一整条流程的目标 Agent；以及站在更高一层、在相互冲突的目标之间做取舍并调度其他 Agent 的编排 Agent。报告认为，单打独斗的任务 Agent 很难创造多少价值，价值越来越多地来自编排这一层。灯塔企业的常见做法是，先围绕一两个领域搭起一组相互配合的 Agent，跑出效果后，再推广到其他领域。
各个系统怎么接进来，也有了统一的标准。印度 Shirwal 的一家灯塔工厂用 MCP（模型上下文协议）把 25 个以上的系统和 15 个专用 AI 工具接进了同一个助手，因客户拒收造成的损失下降了 58%。2025 年底，MCP 已移交给 Linux 基金会旗下的 Agentic AI Foundation，OpenAI、Google、微软等公司共同支持。对制造企业来说，这意味着系统接口做一次，后面的多个 Agent 都能直接用。
六、难的是从一个点推广开
即使在灯塔网络里，真正把改造推广到三个及以上工厂的企业也只有 23 家。Gartner 在 2025 年 6 月预测，到 2027 年底，超过 40% 的 Agent 项目会因为成本上涨、业务价值说不清或风险控制不到位而被叫停；Gartner 还提醒，市场上有不少产品只是换了个“Agent”的名字。
灯塔企业能走出“试点容易、推广难”的困境，靠的都是些朴素的办法：路线图和跟踪机制始终盯着业务价值；敏捷团队和一线员工一起开发；与供应商、高校合作，把一个工厂的经验复制到更多工厂。报告最后的结论是：将来走在前面的，不一定是最早用上新技术的企业，而是做事最有方法、最扎实的企业。
七、给制造企业的五条建议
- 先挑边界清楚的环节。 质量追溯、换型参数、设备维护、排产、工艺规范与 SOP 问答，这些环节有数据、有专家、有明确的考核指标，最适合打头阵。
- 先把数据接通，再上 Agent。 摸清 MES、ERP、QMS、SCADA 的接口和数据质量，尽量用 MCP 这类标准方式接入，以后的 Agent 都能复用。
- 按风险决定放多少权。 写清楚哪些动作 AI 可以直接执行，哪些必须人工确认，出了异常由谁处理，并完整保留操作记录。
- 拿业务指标验收。 用合格率、停机时间、交付周期、能耗等指标衡量效果，演示做得再好也只能作参考。
- 先跑通一个，再复制推广。 把数据接口、评测方法和专家经验整理成能反复使用的成果，再推广到相似的产线和工厂。
布尔艺数在视觉质检、制造参数优化与能耗管理、工艺规范问答等场景都做过项目。如果你的工厂正在考虑从哪个环节开始用 AI，可以提交企业需求，我们先帮你看看是否可行、数据条件够不够、大概需要投入多少。
参考资料
- World Economic Forum, McKinsey & Company. Global Lighthouse Network: Rewiring Operations for Resilience and Impact at Scale. White Paper, January 2026.
- World Economic Forum. New Global Lighthouse Sites Demonstrate How AI Is Rewiring Manufacturing and Supply Chains. Press release, June 2026.
- Gartner. Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027. June 2025.
- Anthropic. Donating the Model Context Protocol and establishing the Agentic AI Foundation. December 2025.