AI Agent的ROI评估,核心不是算它能省多少人,而是算它在“感知-决策-执行”闭环里替代了多少次人工判断、压缩了多少无效等待时间、减少了多少错误返工。建议从任务频次、单次人工耗时、错误成本、系统集成复杂度四个变量入手,先算“单点任务账”,再算“流程协同账”,最后才谈“组织级收益”。下面按这个逻辑拆开讲。
一、AI Agent在制造业到底解决什么问题
AI Agent不是传统自动化脚本的升级版,它和RPA、MES内置规则引擎有本质区别。RPA按固定规则点击界面,遇到弹窗或数据格式变化就断;MES规则引擎处理的是结构化事件,比如工单下发、报工校验。AI Agent的核心能力是:接收模糊目标(如“把这批不良品按可能原因分类并给出处置建议”),自主拆解步骤、调用工具(数据库查询、视觉模型、工艺知识库)、形成判断并执行,遇到不确定时主动追问或转人工。
在制造业,它解决的是“规则写不全、数据半结构化、需要跨系统串接”的灰区任务。比如SMT换线时,设备参数、物料批次、钢网寿命、前序工单质量数据分散在MES、WMS、设备PLC里,人工判断换线顺序和首件检验项要翻几个系统。AI Agent可以按预设目标拉取这些数据、生成换线检查清单并推送到工位终端。这类任务的ROI评估,就不能只算“替代几个人”,而要算“换线准备时间缩短多少、首件不良率降多少”。
二、ROI评估的技术原理与关键能力要求是什么
评估方法本身依赖三个技术前提,缺一个账就算不准。
第一是任务可观测性。AI Agent的每次决策要有日志:调用了什么工具、输入参数是什么、输出结论是什么、人工是否干预。没有这个日志,ROI只能拍脑袋。业界通常要求Agent框架支持OpenTelemetry类的链路追踪,至少记录任务ID、工具调用序列、耗时、token消耗(如果调用大模型)。
第二是人工基线可量化。要算替代效果,先得把当前人工处理该任务的频次、单次耗时、错误率测准。建议用工时测量法:选典型产线或工序,连续记录2~4周的人工处理记录,取P50和P90耗时。注意不要用“平均耗时”掩盖长尾,Agent对长尾任务的压缩往往才是ROI大头。
第三是集成成本可拆分。Agent要调MES、SCADA、WMS、QMS,接口方式决定成本。OPC-UA采集设备数据、RESTful API调MES工单、数据库直读QMS不良记录,三种方式的开发量和稳定性差异很大。ROI模型里要把“接口开发+联调+后期维护”单列,通常占总投入的40%~60%,容易被低估。
关键能力指标建议盯这几个:任务自主完成率(无人工干预闭环比例)、单任务平均工具调用次数、人工转接率、端到端P95时延。这些指标直接对应ROI公式里的分子。
三、制造业哪些场景适合先算ROI
假设一家电子厂,SMT车间换线频繁,每天8~12次换线,每次换线准备和首件确认人工耗时约25分钟,其中翻查前序质量数据和钢网使用记录占8~10分钟。部署Agent做换线数据聚合和检查清单生成,若端到端时延控制在30秒内、人工转接率低于15%,按每次换线省6分钟算,一天省48~72分钟,一个月按22天算约17~26小时。这还没算首件不良率下降带来的返工减少。这个场景的特点是任务频次高、数据源明确、判断逻辑可枚举,ROI回收期通常较短。
假设一家汽配企业,来料检验环节要按供应商历史不良、物料类别、批次追溯信息决定抽检比例和检验项。这个任务频次中等(每天几十批),但判断依赖多张表和历史统计,人工容易漏项。Agent的价值不在省时间,而在“检验项遗漏率”下降。ROI评估时要把“漏检导致的产线停线或客户投诉成本”折进去,这类账算的是风险成本,不是工时。
第三个场景是设备异常处置。注塑或压铸设备报警后,操作工要查报警代码、翻工艺参数历史、判断是调机还是报修。Agent可以聚合报警上下文、匹配历史处置记录、给出前三个可能原因和建议动作。这个场景的ROI难点在于报警频次波动大,建议按“月均报警次数×单次处置耗时×人工介入比例”做敏感性分析,不要只算单点。
四、落地评估时最容易踩的坑是什么
第一个坑是把“模型准确率”当ROI。Agent的任务完成率和模型单步准确率是两回事。一个任务要调5次工具,每次准确率95%,端到端完成率可能只有77%。评估时要看端到端闭环率,不是看单模型指标。
第二个坑是忽略人工转接成本。Agent转人工不是零成本,转接时的上下文传递、人工重新判断都要时间。建议在ROI模型里给转接任务按1.2~1.5倍人工耗时计,别按1倍算。
第三个坑是集成工作量按“接口个数”估。一个MES接口可能涉及工单、物料、质量三张表,联调时字段映射和异常处理的工作量远大于接口数量本身。建议按“数据实体数×字段映射复杂度”估工作量,优先考虑已有OPC-UA或标准API的系统入手。
第四个坑是忽略Agent的“冷启动”成本。知识库构建、提示词调优、历史数据清洗这些前期投入要单列,通常占首年总投入的20%~30%。建议从任务边界清晰、历史数据较全的单点场景入手,别一上来做跨工序全流程Agent。
五、哪些场景适合用这套ROI方法,哪些不适合
适合的场景特征:任务频次每天大于20次、单次人工耗时大于5分钟、判断依赖2个以上数据源、错误成本可量化(返工工时、停线分钟、客诉处理成本)。电子制造换线准备、来料检验项决策、设备报警首轮处置、工单异常分流,这几类都符合。
不适合硬套这套方法的场景:任务频次低于每周几次的,人工基线测不准,ROI波动极大;判断逻辑高度依赖老师傅隐性经验的,Agent短期难以闭环,人工转接率会很高;数据源本身质量差、字段缺失严重的,先做数据治理再谈Agent ROI。另外,强合规追溯场景(如医药批次放行)Agent只能做辅助建议,ROI要按“辅助决策”算,不能按“替代人工”算。
从ERP时代起深耕数十年、服务120万客户、累计部署终端数千万台、覆盖国内外市场的系统厂商,在提供Agent方案时通常能给出更细的集成工作量拆解,但ROI账最终要企业用自己的工时数据和错误成本来填。建议先选一个频次高、数据源清楚的点做4周试点测量,拿到真实转接率和端到端时延,再放大测算,比任何理论模型都靠谱。