制造业最大的瓶颈，不是设备
灵核数智创始人陈弘旋：真正难的不是把 AI 装进工厂，而是把几十年的经验变成可复制的组织能力
制造业最大的瓶颈不是设备，而是信息流和知识流没有被组织起来。
很多人聊制造业 AI，第一反应还是两个词：自动化、降本。
但真正进过工厂的人会知道，制造业最难的地方，很多时候不在机器，不在系统，甚至不完全在数据。
而在那些说不清、写不下、换个人就跑偏的隐性经验里。
订单怎么判断优先级，异常怎么分级处理，采购、排产、报价、审批之间哪些地方该卡、哪些地方该放，很多企业真正靠来运转的，不是 SOP，而是老师傅和中层管理者脑子里那一套“知道怎么干”的东西。
这也是为什么，今天很多制造业老板一边觉得 AI 很重要，一边又始终迈不出真正落地的那一步。
他们想上 AI，但不知道从哪开始；他们知道流程有问题，但不知道问题到底卡在工具、组织还是认知；他们担心效率，也担心替代；他们想要结果，又怕投入之后变成一轮新的“数字化折腾”。
灵核数智创始人陈弘旋，正是从这样的真实现场里走出来的创业者。
他原本是春光科技集团副总裁。真正让他从“用 AI”转向“造 AI”的，不是技术潮流本身，而是他在制造企业真实运营里看到的那个核心矛盾：制造业最大的瓶颈，不是设备，而是信息流和知识流没有被组织起来。
如果 AI 能进入真实岗位，处理那些原本由人完成的信息整理、判断、协调和分诊工作，那么企业几十年积累下来的经验，就有机会从“依赖个人”变成“组织能力”。
灵核数智做的，就是这件事。
不是卖工具，而是先帮企业找到 AI 该进哪个岗位
陈弘旋提到，很多制造业企业其实并不是不想用 AI，而是卡在三个非常现实的问题上。
第一，人不懂 AI。 不只是员工不懂，很多管理层也不真正理解 AI 能干什么、不能干什么。
第二，战略不清晰。 很多老板知道 AI 很重要，但不知道第一步该落在哪个环节。
第三，对 AI 有误解。 不少企业一提 AI，第一反应还是“是不是为了减人”。但在他看来，AI 更大的价值其实是流程优化和效率提升，而不是简单的人力替代。
所以灵核数智一开始就没有把自己定位成一个“卖工具”的团队。他们更像是在做一件更难、但更关键的事：先帮企业做 AI 诊断，找到真正适合落地的场景。
这个判断其实很重要。因为制造业和很多互联网场景不一样。互联网产品可以先做一个大而全的工具，再慢慢找场景；但制造业不行。它的流程长、角色多、链条深，如果上来就泛泛讲一个“平台”，大概率不会有人真正买单。
制造企业真正愿意为之付费的，不是概念，而是具体岗位上的确定性提效。
一个“智能下单员”，为什么能让企业从怀疑走到真香
灵核数智最早落地的一个典型场景，是订单下单流程。
这件事听起来不起眼，但其实是很多制造企业最消耗人的岗位动作之一。
陈弘旋提到，很多企业的一线销售，每周有 3 到 4 天、每天 4 到 5 小时都在做同一件事：把客户邮件、系统信息和各种软件里的数据整理出来，再录入企业系统。
其中最复杂的一步，是客户订单编码和企业内部编码往往并不一致，需要大量人工对照。这种工作既耗时，又极容易出错。
于是他们做了一个智能下单员“小何”。
这个数智员工可以自动整理订单信息并完成下单。上线之后，原来每人每天要花几个小时处理的事，现在只需要 5 到 10 分钟确认即可完成。
对于制造企业来说，这种变化的意义不只是“节省了几个小时”。
更重要的是，它把一个高度依赖人工经验、又容易出错的岗位流程，第一次变成了一个可以被复用、被验证、被持续优化的组织能力。
这也是制造业 AI 落地里一个很容易被低估的点：企业真正想看到的，不是一个会聊天的 AI，而是一个能进岗位、能接任务、能把结果交回来的 AI。
灵核说的“数智员工”，和传统 RPA 到底强在哪？
当下不少企业在谈 AI 落地时，仍然会把 Agent、Workflow、RPA 混在一起理解。
但陈弘旋的划分很清楚：
RPA 解决的是重复操作问题；
Workflow 解决的是流程结构问题；
Agent 解决的是复杂决策问题。
差别在于，Agent 不是按既定步骤机械执行，而是围绕一个目标持续判断、循环调整行动路径。
换句话说，Workflow 是“按流程完成任务”，而 Agent 更像是“为了达成目标选择行动”。
在这个基础上，灵核数智定义的“数智员工”，其实是岗位级 Agent。它不是完全放开的自治系统，也不是一个固定脚本，而是在明确职责边界内，承担分析、协调、分诊和判断工作的数字执行体。
这个定义很关键。因为它回答了制造业客户最关心的问题之一：AI 到底是一个“外挂工具”，还是一个真正能进入业务岗位的角色？
灵核的答案显然是后者。
人机共生，不是口号，而是把经验沉淀下来
制造业最有价值的资产，很多时候不是设备，也不是流程图，而是老师傅和关键岗位员工身上的隐性知识。
问题是，这类知识长期都很难被组织真正继承。
灵核数智给出的方法论是四步：隐性知识显性化 → 显性知识标准化 → 标准知识组织化 → 组织知识智能化。
这套逻辑背后，其实在解决一个比“做一个 Agent”更大的问题：如何把原本依赖个人经验的知识，沉淀成企业自己的长期资产。
在他们的产品体系里，这件事通过三个模块协同完成：
派派市场：像人才市场一样，帮助企业选择、招聘和培养适合自身业务的 AI 数智员工。
记记空间：存放企业文档、知识，也持续沉淀 AI 在实际工作中产生的数据、结果和经验。
问问中心：作为人与 AI 数智员工的统一协作入口，让用户像和同事一样提问、分配任务、获取结果。
如果把这三者放在一起理解，会更容易看清灵核数智想做的，不只是某一个 Agent 工具，而是一套面向企业的人机协作基础设施。
制造业不是不能标准化，而是不能用错标准化方式
制造业一直被认为是“千厂千面”的行业。这也是很多人对 AI 产品化最悲观的地方：你怎么可能用一个标准产品，去应对那么多非标流程？
灵核数智的回答很直接：不用定制去解决复杂，而是用产品化去吸收复杂。
他们把 LinkCrux 平台拆成了一个“三层结构”。
第一层，是标准化平台能力。比如文档理解、ERP/MES 系统对接、数据结构化、Agent 与 Workflow 编排，这些是几乎所有企业都会用到的底层能力。
第二层，是场景模板。像下单处理、报价分析、合同审核、采购询价这些场景，虽然企业细节不同，但底层结构高度重复，因此可以沉淀成 Agent 模板，企业通过配置数据接口、规则和提示词，就能覆盖大部分的场景。
第三层，才是少量定制。比如特殊审批链、特定算法模型或深度系统集成，这部分才会做扩展，但仍然是在平台框架内完成，而不是从零做项目。
这背后其实体现的是一种很成熟的产品判断：不是去强行标准化制造业流程，而是标准化 AI Agent 的底层能力。
制造业 AI 最大的卡点，不在数据，而在组织
当被问到从 POC 到规模化部署，制造业 AI 落地最大的卡点是什么时，陈弘旋给出的回答很有意思：不是数据，不是系统对接，而是组织问题。
很多制造业老板会习惯性判断：“AI 用得慢，是不是因为没数据？” 但实际上，AI 落地最难的，常常是打破老板对工具、组织和流程的固有认知。
另一个关键问题是“最后一米”：即使 ROI 算得清、方案也能降本，但如果一线员工觉得“麻烦”“不好用”，落地照样会失败。
很多所谓的数据问题，其实只是表象。更深一层看，问题常常是信息流和知识流没有被组织起来，中层协同和组织结构本身也可能成为隐形阻力。
这段判断提醒了一个经常被技术视角忽略的事实：制造业 AI 最后落不落得下去，常常不是技术问题，而是组织问题。
AI 替代不了人，但会重新定义“人该做什么”
制造业里最常见的焦虑之一，就是 AI 替代工人。
但灵核数智一直强调的不是替代，而是“人机共生”。
在他们看来，AI 的价值不是把人从岗位上挤出去，而是把人从大量重复操作里释放出来，让他们把时间用在更高价值的工作上，比如客户沟通、订单分析、异常处理、关系维护和复杂决策。
陈弘旋还特别提到，越接近以下环节，人就越重要：关系维护、现场权衡、复杂决策。
这些能力来自长期实践经验，大模型很难真正训练出来。
这其实也是制造业 Agent 最现实的边界感。并不是所有岗位都适合被“Agent 化”。更适合做岗位级 Agent 的岗位，往往具备几个特征：决策逻辑复杂、职责边界明确、需要跨系统获取信息、依赖经验判断、有一定容错空间且结果可以复核。
开放生态不会冲击他们，真正的门槛在“接进真实流程”
当话题转到 OpenClaw 这类开放 Agent 生态时，陈弘旋的态度也很明确：欢迎开放，拥抱生态。
但他也指出，制造业 AI 的门槛从来不在“会不会用模型”或“会不会用 Agent”，而在于——能不能把模型和智能体接入真实流程。
因为很多关键洞察，大模型本身训练不出来。比如工厂里真正的决策权重、采购与供应链关系、现场权衡逻辑，这些都来自长期一线实践与对流程的“剥皮式拆解”。
所以灵核数智真正的壁垒，不只是技术实现，而是产业经营理解 × 工程落地能力 的结合。
这一点，其实也体现在团队配置上。
创始人陈弘旋曾任春光科技集团副总裁，长期身处制造企业一线，拥有从工厂管理到全球市场拓展的全链路产业经验，主导过多个企业上云、数字化转型及跨国业务拓展项目。对他来说，制造业 AI 不是纸面上的“技术升级”，而是从真实经营问题里长出来的解法。
CTO 邹武合则代表了另一端的能力支撑。作为首批人工智能高级工程师、中科院物理电子学博士，他曾任网易互娱 AI Lab 大模型团队负责人、阿里夸克搜索 AI 算法研究员，长期深耕 NLP、知识图谱与多智能体系统，擅长把前沿 AI 技术真正做成可以规模化落地的产品能力。
首席商业官华璐坷则补上了 ToB 商业化与生态拓展这一环。他是连续创业者，曾任字节跳动飞书华东大区生态与渠道总经理、阿里巴巴 B2B 销售专家及阿里云高级业务发展专家，长期深耕 ToB 商业化战略与生态建设，也主导过数亿元规模融资项目。
某种程度上，这个团队组合本身，就解释了灵核数智为什么不是“会做 Agent 的技术团队”，而是一个更像“懂制造、懂产品、也懂企业怎么真正买单和落地”的团队。
这也是为什么，他们并不把开放生态看成威胁。相反，他们更像是在一个更具体的层面上回答问题：开放工具当然会越来越多，但谁能真正让它进入生产现场，谁才真正拥有制造业 AI 的落地权。
如果说过去几年，制造业的数字化更多是在把流程搬上系统，那么现在这波制造业 AI 更像是在试图把经验、判断和协作也一起搬进系统。而这件事，可能才是真正难、也真正值得做的部分。
访谈精选 Q&A
Q1：从春光科技集团副总裁到 AI 创业者，是什么让你决定从“用 AI”转向“造 AI”？
A：我是在制造企业的真实运营中，才真正意识到 AI 的机会。在春光科技的经历里，我经历过 2019 年贸易战和 2020 年疫情订单爆发，参与排产、产能管理和组织体系建设。这些经历让我深刻感受到，制造业最大的瓶颈不是设备，而是信息流和知识流没有被组织起来。如果 AI 能进入真实岗位处理这些信息决策工作，就有机会把企业几十年的经验转化为可复制的组织能力，这也是我决定创业的原因。
Q2：“数智员工”和传统 RPA / 自动化工具的本质区别是什么？
A：RPA 解决的是重复操作问题，Workflow 解决的是流程结构问题，而 Agent 解决的是复杂决策问题。Workflow 等自动化工具是“按流程完成任务”，而 Agent 是“为达成目标选择行动”。在这个基础上，我们的数智员工是岗位级的 Agent，它以岗位职责为目标边界，具备受控决策能力与工具调用能力。它不是完全放开的自治系统，也不是固定脚本，而是在明确职责范围内承担分析、协调、分诊和判断等工作。
Q3：能举一个客户从“怀疑”到“真香”的案例吗？
A：我们最早落地的一个典型场景是订单下单流程。很多企业的一线销售，每周有 3–4 天、每天 4–5 小时都在整理客户邮件、系统信息和各种软件里的数据，再录入企业系统。其中最复杂的是客户订单编码和企业内部编码不同，需要大量人工对照，非常容易出错。我们做了一个智能下单员“小何”，它能自动整理订单信息并完成下单。上线之后，原来每人每天要花几个小时，现在只需要 5–10 分钟确认即可完成。
Q4：老师傅的经验是制造业最宝贵的隐性资产，AI 怎么“学会”这些经验？
A：我们的核心方法论是：隐性知识显性化 → 显性知识标准化 → 标准知识组织化 → 组织知识智能化。同时通过让 AI 参与真实工作流程，它可以在执行任务的过程中不断积累规则和经验，从而把原本依赖个人经验的知识沉淀为企业资产。
Q5：制造业场景复杂、非标程度高，你们怎么平衡“标准化产品”和“定制化需求”？
A：我们的思路很简单：不用定制去解决复杂，而是用产品化去吸收复杂。LinkCrux 采用的是一个“三层结构”。第一层是标准化平台能力，第二层是场景模板，第三层才是少量定制。像下单处理、报价分析、合同审核、采购询价这些场景，我们通常能通过模板覆盖大部分的需求；剩下少数复杂系统集成或特殊算法部分，再做扩展。简单来说：我们不去标准化制造业的流程，而是标准化 AI Agent 的能力。
Q6：从 POC 到规模化部署，制造业 AI 落地最大的卡点是什么？
A：最大的卡点其实在组织问题上。很多人会以为是数据不够，但很多时候不是企业没有数据，而是信息流和知识流没有被组织起来。另一个关键问题是“最后一米”：即便 ROI 算得清，一线员工如果觉得麻烦、不好用，落地仍会失败。很多阻力本质上不是技术问题，而是决策层认知问题、中层协同问题和组织承接问题。
Q7：制造业普遍担心 AI 替代工人，但你们提“人机共生”，这个矛盾怎么解？
A：我们一直强调，AI 的价值不是替代人，而是释放人的时间。比如订单场景中，AI 负责处理大量重复操作，而人可以把时间用在客户沟通、订单分析、异常处理这些更高价值的工作。越接近关系维护、现场权衡、复杂决策这些环节，人就越重要，这些能力来自长期实践经验，大模型很难真正训练出来。
Q8：如果制造企业用开源Agent框架自建 AI 工作流，对灵核数智的冲击有多大？
A：制造业 AI 的门槛不在“会不会用模型”和“会不会用 Agent”，而在“能不能把模型和智能体接进真实流程”。很多关键洞察，大模型训练不出来，比如工厂里真正的决策权重、采购与供应链关系、现场权衡逻辑。这些来自长期一线实践与对流程的“剥皮式拆解”。灵核的壁垒，不只是技术本身，而是产业经营理解和工程落地能力的结合。
本文档为非凡产研原创内容