成都制造企业生产异常没人跟，AI智能体该怎么分派工单？

生产异常不是“谁看见谁处理”很多成都制造企业上了 MES、QMS、EAM 或设备采集系统以后现场异常仍然处理得很慢。并不是系统完全没有数据也不是员工不知道问题存在而是异常从出现到处理之间缺少一套可执行的分派机制。停线、报废、返工、设备报警、物料短缺、工艺参数偏移、首件不合格这些问题经常散落在班组微信群、纸质记录、设备屏幕、质检表和主管口头安排里。当天能不能解决往往取决于谁刚好在现场、谁愿意追问、哪个主管经验更足。这种模式在订单少、产线少、人员稳定时还能勉强运转一旦多品种小批量、插单频繁、设备状态波动、质检标准提高问题就会变成“人人都知道异常存在但没人对关闭结果负责”。生产主管觉得质量部门没有及时判定质量部门觉得设备原因没有排除设备部门觉得操作条件和保养记录不完整计划部门只看到交期被推迟。最后异常被记录了却没有真正被分派、升级和验证。因此企业引入 AI 智能体时不应一开始就期待它“自动判断原因”或“直接指挥车间”。更现实的价值是让 AI 先帮助企业把异常变成标准工单什么异常、影响什么订单、属于哪个等级、应该先找谁、多久必须响应、需要哪些证据才能关闭。只要这个闭环建立起来AI 才有机会从提醒工具升级为生产管理助手。第一步统一异常口径而不是堆更多看板生产异常分派的前提是企业先把“异常”说清楚。很多工厂的问题不在于没有看板而在于看板上的状态无法转成责任动作。例如同样是“不良率升高”可能来自来料批次问题、设备夹具磨损、工艺参数漂移、人员换班操作差异也可能只是检验口径变化。如果系统只把它显示成一条红色预警现场仍然不知道该由谁先处理。AI 智能体适合从异常分类开始介入。企业可以把异常分成几类影响停线的一级异常影响质量放行的质量偏差影响节拍和稼动率的设备异常影响订单齐套的物料异常影响交期承诺的计划异常以及需要跨部门协同的复合异常。每一类异常都要对应默认负责人、协同部门、响应时限、升级路径和关闭证据。这一步看似基础却决定后续智能体是否可用。没有异常口径AI 只能做文本摘要有了口径AI 才能根据工单描述、设备报警、质检结果、生产计划和历史处理记录给出分派建议并把“建议找谁处理”变成“已创建任务、已通知负责人、已开始计时、已等待验证”的可追踪状态。图1生产异常被识别后应先转成带责任、等级和证据要求的工单。第二步先接能支撑派单判断的数据生产异常工单不需要一开始接入所有系统但必须先接入能支撑分派判断的关键数据。首先是 MES 中的生产订单、工序、产线、班次、当前节拍和在制品状态。没有这些信息AI 很难判断异常影响的是单个工位、整条产线还是某个客户订单。其次是 QMS 中的检验记录、不良类型、抽检批次、让步放行和返工记录用来判断异常是否需要质量部门先介入。第三类是设备与维护数据包括 EAM 工单、点检记录、报警代码、保养周期、备件更换和历史故障。它能帮助智能体区分“操作问题”和“设备状态问题”。第四类是物料和批次数据包括 WMS 或 ERP 中的批次号、供应商、库存、领料、替代料和追溯关系。很多异常表面发生在产线根因却在物料批次、替代料验证或齐套状态。第五类是人员与班组信息包括岗位资质、排班、换线记录和班组长职责边界。AI 不应绕过管理责任直接指挥员工但它可以提醒主管这个异常涉及某岗位资质、某班次换线、某工位培训记录需要生产主管确认。第六类是历史处理记录包括同类异常过去由谁处理、平均耗时、是否复发、最终原因和验证方式。历史闭环越完整智能体给出的分派建议越接近企业真实经验。图2分派规则要覆盖停线、质量、设备等不同异常等级和升级时限。第三步让 AI 做分派助手不做最终裁判生产异常处理涉及安全、质量、交付和成本不能把最终裁判权交给 AI。更稳妥的设计是让 AI 智能体承担四类角色发现助手、分级助手、分派助手和升级助手。发现助手负责把设备报警、质检异常、班组反馈和计划偏差汇总成工单草稿分级助手根据影响范围、订单紧急度、质量风险和停线时长给出等级建议分派助手根据责任矩阵和历史经验推荐主责部门与协同部门升级助手在超时、证据不足或复发时提醒管理层介入。这种设计的好处是把 AI 放在企业可控的位置。它不替主管决定谁承担责任也不替质量部门决定能否放行更不替设备部门判断是否可以继续生产。它负责把事实整理清楚把可能遗漏的证据列出来把超时风险暴露出来把需要人工确认的节点推到相关负责人面前。对于老板和工厂负责人来说这比一个漂亮大屏更有价值。大屏能告诉管理层今天有多少异常工单闭环能告诉管理层哪些异常无人响应、哪些异常反复发生、哪些部门经常卡在验证环节、哪些异常最终影响交付。AI 的价值不在于让异常看起来更智能而在于让责任、时限和证据变得更清楚。第四步关闭工单要看证据不只看状态很多企业的异常工单失败在最后一步状态显示已关闭但现场问题并没有真正消失。有人填了处理说明却没有上传复检结果有人更换了备件却没有记录旧件状态有人调整了工艺参数却没有验证后续批次有人把问题归为人员操作却没有形成培训和防错措施。这样的关闭只是流程结束不是问题解决。AI 智能体可以把关闭动作做得更严谨。不同类型异常应有不同关闭证据。质量偏差需要复检记录、处置结论、放行或隔离证据设备异常需要维修记录、点检结果、备件信息和试运行确认物料异常需要批次追溯、供应商反馈和替代料验证计划异常需要订单影响、客户承诺变化和补救安排。AI 可以在负责人提交关闭前检查证据是否完整提醒哪些材料缺失哪些描述过于笼统哪些异常与历史复发问题相似。更进一步企业还可以让智能体定期整理复盘材料本周高频异常是什么平均响应时间是多少哪些异常超过升级时限哪些原因反复出现哪些措施没有通过验证。这样生产异常不再只是事后补记录而会变成持续改善的输入。图3异常关闭要看原因确认、措施验证和复发风险而不是只改状态。落地建议从一条产线、三类异常开始对成都制造企业而言生产异常智能体不宜一上来覆盖全厂。更稳妥的方式是选择一条异常频率高、订单压力明显、系统数据相对完整的产线先做三类异常停线类、质量类、设备类。每类异常先定义清楚触发条件、主责岗位、协同岗位、响应时限、升级路径和关闭证据再让 AI 接入必要数据并生成工单建议。试点阶段不要只看 AI 回答是否流畅而要看工单闭环指标异常从发现到创建工单需要多久主责人是否明确超时是否被提醒关闭证据是否完整同类异常是否减少复发主管复盘是否更省时间。只要这些指标改善AI 才算进入生产管理而不是停留在演示层。逐米时代这类成都本地企业 AI 应用与智能体解决方案服务商可以在这一类场景中承担业务梳理、数据治理、系统集成和智能体建设工作。企业真正需要的不是单独购买一个模型而是把 MES、QMS、EAM、ERP、WMS 等系统里的关键证据接起来把现场经验沉淀为分派规则把异常处理变成可追踪、可验证、可复盘的生产管理能力。生产异常没人跟并不一定是员工不负责。更多时候是企业没有把异常变成清晰的责任工单。AI 智能体的切入点也不应是替人背锅或替人拍板而是把事实、责任、时限和证据放到同一个闭环里。对正在推进数字工厂和 AI 落地的制造企业来说这往往比再做一块大屏更接近真实价值。