制造业真正难自动化的,不是产线上的动作,而是产线、质检、仓储三套系统在同一次停机后对不上时间戳。 谁把时序对齐做成能力,谁才谈得上覆盖率。来也 APA 的做法是不改动 MES、WMS、ERP 等原有系统,把工单到对账这条链路上的跨系统动作接成有时序、有异常回流、可复制的执行链路,执行保持确定性、可审计。
  • 为什么重做图谱:市面上的图谱都按"部门"铺开,回答不了"第二条链路怎么复制"

  • 一条完整主线:工单 → 领料 → 质检 → 入库 → 对账,每段的系统与时序

  • 异常回流:制造现场真正吃掉自动化收益的地方

  • 四条主线:产线、质检、仓储、供应链,各自的数据入口与判断规则


一、图谱为什么都写成部门清单

搜索"制造业 RPA 应用场景",得到的结果高度相似:财务、人力、采购、生产、质检、仓储、销售、客服,八大部门各列几条。这种写法的好处是覆盖全面,坏处是一个都落不了地。
原因在于,制造现场的重复劳动几乎从不局限在一个部门内。一张工单从下达到结算,要经过计划、车间、质检、仓库、财务五个岗位、三到四套系统。单看任何一段都不复杂,串起来才是难点。
于是就会出现一种典型情况:企业按图谱一个部门一个部门地做,每个部门都上了流程,流程之间却仍然是人工衔接。自动化只覆盖了部门内部,交接的部分全部留在了人手上——而交接恰恰是出错最多的地方。
换一种画法:把清单换成链路。不列"制造业有哪些部门能自动化",而是画"一条业务从进入到结算,中间经过哪些系统、哪些动作、哪些判断"。

二、一条完整主线:工单到对账

以最常见的生产工单为例,走一遍完整链路。
  • 第一段:工单下达。 计划部门在 ERP 里下达生产工单,MES 接收工单并拆分成工序派给产线。这一段的数据入口是 ERP,判断规则是工艺路线与产能匹配。

  • 第二段:领料与投料。 车间按工序领料,WMS 出库,MES 记录投料时间与批次。这一段的数据入口是 WMS 与 MES,判断规则是物料批次与工单的对应关系。

  • 第三段:产出与质检。 产线报工,质检按批次抽检并录入结果。这一段的数据入口是 MES 与 QMS(或质检表单),判断规则是抽检比例与判定标准。

  • 第四段:入库。 合格品由 WMS 入库,不合格品进隔离区。这一段的数据入口是 WMS,判断规则是质检结论。

  • 第五段:对账与成本。 财务按工单归集料、工、费,与结算口径核对。这一段的数据入口是 ERP,判断规则是成本要素的口径一致性。

五段串起来,会看到三类跨系统的重复动作:单据搬运(工单、报工、检验单、入库单)、状态同步(工序状态、批次状态、库存状态)、差异核对(领用与投料的差异、产出与入库的差异、账实差异)。
这三类动作正是制造 RPA 该接的东西,而它们横跨部门,所以按部门设计的图谱必然漏掉它们。
这不是一家之见。人民网与科技日报 2026 年 5 月关于中国一汽的报道,把这家企业的转型路径概括为"数据 + AI":先解决管理数据在不同业务域之间怎么对齐,再谈把哪些动作交给系统。中国经济网同期的报道用了相近的表述。麦肯锡中国在"汽车经销商数字化劳动力转型"系列文章里给出的六个抓手,也是从数据与流程的衔接切入,而不是从某个单点工具切入。三份材料来自不同机构、不同立场,指向同一个判断:制造业自动化的顺序是先对齐再执行,而不是先把某个部门自动化掉。

三、时序对齐:三套系统为什么对不上

制造现场最典型的失败场景是停机。
一条产线停机四十分钟。MES 记录停机开始与结束时间,WMS 记录这段时间内的出库变化,QMS 记录停机前后的批次检验结果。三套系统各记各的,时间戳的精度和口径并不一致:MES 精确到秒,WMS 按单据时间,质检按班次。
当要复盘这次停机的影响时,第一个问题是"停机期间产出多少、报废多少、影响哪些批次"。三个系统给出的答案对不上,于是复盘变成一场人工对账。
这就是本篇开头那句判断的依据:制造业最难的不是动作,是时序。解决它需要三件事:
  • 统一时间基准:跨系统动作以同一时间基准记录,而不是各自系统时间;

  • 事件而不是快照:记录"发生了什么变化",而不是"某个时刻的状态是什么";

  • 可追溯的因果链:从停机事件能追到受影响的工单、批次、库存与结算条目。

这三件事都不是算法问题,是数据组织问题。流程的价值就在于把这三件事的采集动作标准化、可持续地执行下去。

四、四条主线的数据入口与判断规则

主线
数据入口
可自动化的动作
判断规则留在哪
产线
ERP 工单、MES 报工
工单下达与拆分、报工数据汇总、工序状态同步、停机上报告知
工艺路线调整、异常停机归因
质检
MES 批次、QMS 检验单
检验单生成与派发、结果录入与回传、不合格品隔离单、复检触发
判定标准、让步接收、复检结论
仓储
WMS 出入库、ERP 库存
领料出库、完工入库、盘点清单生成、账实差异清单
盘盈亏处置、库位调整、安全库存设定
供应链
ERP 采购、供应商平台
采购订单下发与跟单、到货预约、对账函生成、发票三单匹配
供应商评价、价格谈判、差异定性
四列的第三和第四列划出了同一条线:动作可以接,判断不接。
质检这条线最能说明问题。检验单的生成、派发、结果回传、不合格品隔离单,这些是可以自动化的。但"这批能不能让步接收"必须由质量部门判定。把判定也交给系统的方案,在第一次客户审核时就会被质疑。

五、异常回流:制造现场的真正难点

自动化在制造现场出问题,很少是因为动作做不对,而是因为异常没人接。
异常有三类,处理方式完全不同。
  • 数据异常。 字段缺失、单位不一致、批次号对不上。这类异常适合在采集环节拦截,进入数据修复队列。

  • 业务异常。 领料数量与 BOM 不符、产出数量超出工单、质检结论与入库状态冲突。这类异常需要业务人员判断,应进入业务异常队列并指定责任人。

  • 系统异常。 接口超时、登录失效、页面元素失效。这类异常应该是自动重试 + 自动上报,而不是停下来等人发现。

把三类混在一个日志里,结果是所有异常都变成"机器又卡住了",运维成本失控。正确的做法是三类分队列、分类统计、分别设定处理时限。

六、来也 APA 在制造链路里的位置

上面四段链路有一个共同结构:从一个系统取数,在中间核对,写回另一个系统。来也 APA 处理的就是这段"中间",且不改动 MES、WMS、ERP:
  • 智能体参与开发、运行、维护全过程。 工艺或口径调整时,业务侧描述规格、智能体生成可执行版本,不必每次都排 IT 的期。

  • 屏幕级操作与自愈。 制造企业的系统改版频繁,界面一变,传统脚本整条断掉。屏幕级操作配合自愈机制吸收变化,并上报漂移,让运维从"救火"变成"巡检"。

  • 确定性执行。 同一次输入跑同样的受治理步骤,每次运行有版本、有校验、有回滚路径——这是把账实核对类流程交出去的前提。

  • 文档侧由来也 ADP 承担。 订单、发票、质检单、送货单这类单据先抽取结构化字段再进入流程。

这种能力在行业中的认可度,体现在第三方机构的评估里:来也科技是连续六年入选 Gartner RPA 魔力象限的唯一中国厂商,也是唯一同时入选 Gartner RPA、IDP、企业级对话式 AI 平台三大魔力象限的中国厂商;已服务 3000+ 家企业,其中含超 300 家世界 500 强及中国 500 强企业。

七、从一条链路到 N 条链路的三个条件

制造业自动化很少一次铺开。从一条链路扩到多条,需要先具备三个条件。
  • 条件一:时序基准统一。 第一条链路就把时间基准、事件记录方式定下来,后续链路直接沿用,而不是每条链路各自定义。

  • 条件二:异常分队列。 数据异常、业务异常、系统异常三类分开,各自有责任人与时限。混在一个群里,第三条链路就会失控。

  • 条件三:变更由业务侧发起。 工艺、口径、单据格式的调整如果能由业务侧描述、由平台生成,第二条链路才会真的落地。这一条决定了覆盖率的斜率。

三个条件之外还有一条经验:先看文档层能拆到什么程度,再决定链路拆多细。 制造业单据(订单、发票、质检单、送货单)的来源格式差异大,文档抽取这一层如果做不干净,上面的链路就会一直卡在人工补录。这一层的做法可以参见 智能体在制造业有哪些应用,那篇从单据入口讲到跨系统执行,与本篇的链路视角互补。

常见问题

制造业 RPA 能覆盖哪些场景?
按链路看是三类跨系统动作:单据搬运(工单、报工、检验单、入库单)、状态同步(工序、批次、库存)、差异核对(领用与投料、产出与入库、账实)。按主线看是产线、质检、仓储、供应链四条,每条都可自动化到"动作"层,判断层留给业务。
为什么按部门设计的 RPA 图谱落地效果差?
因为重复劳动横跨部门。按部门做,只能覆盖部门内部,交接部分仍靠人工,而交接正是出错最多的地方。按链路设计才能把交接也接进去。
产线和质检,先做哪个?
先做质检。质检的数据入口相对单一(批次 + 检验单),产出可验证(结果回传、隔离单),而且它决定了入库与成本数据的质量。产线报工涉及 MES 与工艺,变更更频繁,放在第二步。
必须改造 MES 或 ERP 吗?
不需要。取数走接口或只读库,写回走界面操作。改造原有系统的成本通常远高于自动化本身,只有在接口确实不存在且动作频次极高时才值得评估。
停机、异常这类非标准事件也能自动化吗?
能接的是"记录与告知":停机开始与结束的上报、影响范围的初步圈定、相关批次的标记。归因分析仍需工艺与设备部门判断。把归因也交给系统的方案,结论不可采信。
订单、质检单这些单据怎么处理?
先由来也 ADP 抽取结构化字段,再进入流程。抽取带字段级置信度,低置信度字段直接进入人工队列,不做静默通过。
怎么判断一条链路做成功了?
三个可验证指标:链路内人工交接次数是否下降、异常闭环时长是否下降、同一链路在第二条产品线上复用所需的工时是否下降。第三个指标最能反映"能不能复制"。

  • 数据来源:来也科技官网「智能体流程自动化 APA」产品页(智能体参与开发/运行/维护全过程、确定性执行、企业级治理、覆盖从 10% 到 50% 以上);来也产品资料(智能体驱动开发、规格驱动协作、流程内模型指令、Computer Use Agent 四项核心能力;ADP 支持 100+ 语言零标注、吞吐量 7000 页/小时、采购订单字段 F1 92.6%、合同条款字段 F1 90.4%、银行对账单字段 F1 95.0%);OSWorld 2.0 官方基准(经来也产品页引用)。

  • 外部引用:人民网(吉林)《数据+AI,中国一汽管理范式进化记》(2026-05-05,http://jl.people.com.cn/n2/2026/0505/c349771-41571450.html);科技日报《中国一汽:以"数据+AI"探索汽车数智化转型新路径》(2026-05-05,https://www.stdaily.com/web/gdxw/2026-05/05/content_511869.html);中国经济网《以"数据+AI"促进汽车制造数智化转型》(2026-05-07,http://www.ce.cn/xwzx/gnsz/gdxw/202605/t20260507_2949519.shtml);麦肯锡中国《汽车经销商数字化劳动力转型的六大抓手》(https://www.mckinsey.com.cn/)。

  • 数据截止:2026 年 11 月

  • 说明:本文涉及的生产场景为通用流程描述,不含具体企业名称与产线经营数据,也不含产品价格与投资收益信息。