创新案例｜美的集团一年AI降本7亿元：从工厂大脑到全员智能体的5项落地策略

30秒看懂：美的集团2025年通过AIGC全价值链应用全年提效超1500万小时、降本达7亿元，员工自建智能体突破2万个。但美的AI转型的真正难点不是再建一个问答助手，而是让系统理解订单、物料、产能和质量之间的关系，参与原本需要不同岗位接力完成的业务工作。本文基于美的2025-2026年公开披露，归纳出五项彼此关联但解决不同问题的AI落地策略：统一数据服务、工厂大脑改造流程、AI嵌入产销与物流、全员自建智能体与统一治理、标杆工厂模块化出海复制。7亿元是披露的降本结果，并非外部核算的AI投资回报率，证据边界需要清晰区分。

AI智能体越建越多，美的要解决的却是业务流程怎么改变

2025年，美的集团在年度报告中披露，员工自主搭建了1.35万个智能体，集团通过AIGC在全价值链应用，全年提效超过1500万小时、降本达7亿元。进入2026年上半年，员工累计自主搭建的智能体突破2万个，公司又报告了超过900万小时的提效和超过4.5亿元的降本。智能体建设规模持续扩大，但这三类数字回答的其实是不同问题：建出了多少工具、业务节省了多少时间、企业估算减少了多少成本。它们不能相互替代。

对于拥有全球制造基地、研发体系、销售渠道与供应链网络的美的而言，AI转型真正难的地方，并不是再建一个会回答问题的助手，而是让系统能够理解订单、物料、产能和质量之间的关系，参与原本需要不同岗位接力完成的业务工作。一个智能体即使每天被调用，也不必然能让订单更快交付；反过来，一条关键生产流程中少数智能体的协同，可能比成千上万个办公助手更有经营价值。

截至2026年10月10日，美的已公开的实践提供了一条值得研究的路径：让数据与AI能力成为集团共用资源，在工厂中用多智能体协同改造具体流程，再将AI延伸至产销、物流及员工日常工作，并尝试把验证过的工厂方案模块化、向海外复制。这里既有可以追溯的实施过程，也有明确的证据边界：7亿元是企业披露的降本结果，并不是外部已经核算的AI投资回报率。类似地，海尔智家AI规模化落地的4大战略：员工自建超1.4万个应用也强调员工自建应用与统一治理的平衡，可作为横向参照。

从数字化工厂到工厂大脑：美的为何改变AI落地方式

美的并非从大模型热潮才开始数字化。它此前已持续建设数据平台、工业软件、自动化产线与全球数字化工厂。传统数字化让企业更容易看到订单、库存、产量和设备状态；但是，发现异常之后如何安排生产、协调物流、追踪质量，仍需要不同系统和员工共同处理。对多工厂、多品类、跨国经营的企业来说，越多部门各自配置AI工具，越可能出现数据口径不一致、工具重复开发和操作权限难以控制的问题。

这也是美的战略选择发生变化的背景。2025年年报已将“家庭大脑”和“工厂大脑”列为AI发展的重要方向，提出让Factory Agent进入制造现场。2026年半年报进一步明确，希望AI从“效率工具”转向“端到端流程主体”。这里的“流程主体”并不等于完全取消人工，而是让AI在获得业务数据和相应权限后，承担部分判断、任务分配和反馈工作，使员工从重复的信息搬运中解放出来。

围绕这条转型路径，美的已经实施的主要做法，可以归纳为五项彼此关联、但解决不同问题的AI落地策略。它们是Runwise基于2025年至2026年上半年的企业实践所作的研究归纳，而非美的官方发布的“五大战略”；其中2026年才启动或披露的项目，也不能倒推为2025年7亿元降本的原因。

五项企业AI落地策略：让智能体进入数据、工厂、经营和组织

数据平台创新：先统一数据服务，再让Data Agent服务业务决策

当生产排程涉及库存、销售预测和供应商交付时，智能体无法只凭语言能力完成任务。它需要取得经过定义的业务指标，并知道订单和物料来自哪个系统。美的在2025年年报中描述了统一数据集成、数据公共层、数据指标与数据服务的建设原则，并将资产目录、指标、维度、服务及数据血缘纳入集团数据平台。其商业价值不是把数据集中存储，而是减少每个业务团队重新整理同一类数据的成本。

在这一基础上，美的开发Data Agent，将“AI问数、AI分析、AI策略”组合为面向经营人员的数据能力。员工可以通过已有的数据资产查询经营情况，进一步做分析和建议，而不必每次都从不同系统导出报表。公司披露，截至2025年，Data Agent覆盖内销、外销、供应链等8个业务领域的40多个场景，使用超过350万次，并报告提效贡献超过7000万元。使用次数至少说明这项能力不是停在发布会上的演示；但使用次数不是独立活跃人数，7000万元也仍属于公司披露的提效估算，不能直接视为会计利润增量。

数据能力并不局限于内部管理报表。比如，美的将面向总部、区域和门店的零售数据体系用于DTC经营，并为经营驾驶舱增加AI解读；对ToB业务，利用AI筛选市场情报，为销售拓展提供线索。这些应用共用的不是某一个固定聊天机器人，而是企业已经形成的数据定义、服务接口和业务规则。不同岗位由此可以在自己的流程中使用相同的数据基础，同时保留各自不同的决策任务。

到2026年上半年，美的披露全球四大数据中心、数据总量超过54PB、数据资产总量超过17PB，数据服务累计调用超过60亿次，Data Agent应用扩展至8个业务领域的50多个场景。这里的54PB是数据总量，17PB是数据资产总量，60亿次是数据服务调用量，并非60亿次AI智能体调用。这组数字说明共用的数据能力已具有规模，但不能单独证明数据质量、每次调用的价值，也不能证明所有智能体均已接入统一数据服务。

更具体地看，“数据统一”不是简单把工厂文件都放到同一个数据库。面对同一笔订单，销售部门关心交付承诺，工厂关注物料齐套，供应链关注在途风险；如果订单编号、产品定义与库存状态没有统一的关联关系，智能体即使分别生成了合理建议，也很难在一条业务链中同时生效。美的建设的数据资产目录、统一指标和端到端血缘，正是为跨系统理解同一个经营对象提供条件。这属于从披露的技术安排推导出的经营意义，并非公司已逐笔披露了智能体的全部调用链路。

在运行层面，美的提供了数据目录、指标管理和血缘追踪这类能够支撑维护与复用的基础设施。哪些数据能够由哪些智能体调用、权限如何逐级审批、出现错误数据时由谁纠正，公开材料尚未细化。对于希望学习这一做法的企业，真正值得优先复制的是统一业务口径与可追溯的数据服务，而不是先追求多少PB的数据规模。这一点与企业AI数据怎么准备？从业务场景到数据质量的实施方法中强调的“先定义业务口径，再谈数据规模”一致。

智能制造创新：用工厂大脑连接质检、排产与设备执行

如果说Data Agent主要改变员工获取和分析信息的方式，那么Factory Agent改变的就是生产现场中任务如何被发现、分配和完成。美的在荆州洗衣机工厂部署的方案，以“工厂大脑”为协同中枢，将14个智能体用于38个核心生产业务场景，并连接AI眼镜、机器人、摄像头、传感器和自主移动机器人等工业终端。工厂大脑负责跨智能体的任务调度，具体智能体处理质检、排产、工艺或设备任务，工业终端执行或辅助现场作业。

一个已经公开的业务实例是零部件首检。过去，工人需要查找物料图纸、对照实物并记录检查结果。根据美的官方介绍，改造后的流程是：系统结合市场质量问题与历史首检数据，向佩戴AI眼镜的工人提示易错点；根据当前物料信息调用研发系统中的相应图纸；工人拍摄实物后，视觉能力进行比对；检验结果再返回品质智能体，形成首检信息闭环。美的披露，这一首检流程耗时由15分钟缩短至30秒。值得注意的是，流程中仍然有工人的操作与判断，并非所有检验都变成无人审核。

另一个环节是混线生产中的自动锁附。美的介绍，库卡iico协作机器人与计划智能体协同，通过上传的图片识别产品型号，工厂大脑据此更新匹配的锁附程序，以适应不同型号的生产。与只会重复固定动作的传统自动化相比，这种做法试图让设备随着型号与工艺条件变化调整任务。对于多SKU混线生产的车间，瓶颈经常不只是锁螺丝的单机速度，而是换型需要等待程序确认、生产计划与现场设备无法及时同步。将机型识别、计划信息和设备程序连接起来，才使“柔性制造”落到了工位级的工作顺序。报道未披露错误识别后的人工复核规则，因此这项实践还不能被解释成所有型号切换都已无须人工参与。美的还披露，注塑车间的81台AMR由物流智能体调度，任务与设备状态可以反馈至工厂大脑，维护信息进一步推送给员工。这里的关键是反馈能够回到下一步作业与维护，而不是让多个智能体并排展示在一个看板上。

在结果上，美的官方资料称，荆州工厂多个核心场景平均提效80%以上、排产响应速度提升90%；中国城市报2026年7月的采访还提及，这些应用经过近一年的稳定运行验证。不过，这些是荆州工厂的特定指标，不能替代美的年报中“核心场景平均提效超过30%、排产响应速度提升50%”的另一统计范围。这项首检改善没有提供全厂生产成本变化的直接证据。

2026年半年报又披露Factory Agent 2.0在试点工厂取得进展：场景数量增长超过两倍，智能触点提升15倍，运营效率提升31%。同样需要区分的是，场景数和Token消耗说明部署与使用强度，31%的运营效率才是更接近业务效果的指标；而其统计工厂、基期及归因方法尚未完整公开。对制造企业而言，这个案例最有借鉴意义的不是“14个智能体”这一数字，而是能找到清楚的触发任务、数据输入、执行岗位、反馈路径和业务结果。这种从“触发到反馈”的闭环，与AI数字员工是什么？从Agent、Copilot到RPA，企业如何判断能否真正上岗中提出的“能否真正上岗”判断标准一致。

运营创新：把AI嵌入预测、排产、分货、补货和国际物流

制造现场之外，美的还把AI放进产销协同和供应链管理。这类工作不适合只用问答助手解决：一个准确的销量预测，如果不能影响排产和补货，最终仍是分析报告。美的2026年半年报显示，国内业务在“美云销”系统基础上建设AI产销智能体和智能补货系统，将智能预测、排产、分货和补货连接起来；云仓数据体系与Data Agent支持共享决策，并向SKU库存共享自动化托管推进。

沿着这个流程，一端是销售与库存信息，另一端是生产和补货决策。业务人员不再只是在单个环节查看AI预测，而是尝试让预测进入实际排产和货物流转。美的报告国内库存周转效率提升4.4%。这个数字的价值在于，它把AI的作用锚定在库存运营，而不是停留在“生成了多少预测”。但公司没有单独披露，4.4%的改善究竟有多少由AI智能体造成、多少来自同期的供应链优化，也未披露这一改善对应的新增利润，因此不应当写成AI已经独立创造了相同幅度的财务收益。

同一份半年报还披露，国内集成化计划调度中心打通业务系统与Agent工作流，形成了人机协同调度决策体系；国内全渠道库存周转改善10%，供方引入等端到端项目效率提升65%。4.4%与10%虽然都涉及库存周转，但统计对象与业务层级不同，不能合并，更不能简单相加。对外部管理者有价值的做法，是先判断每个AI应用对应哪条业务链，再为它选择特定的周转、履约或成本指标，而不是对所有智能体统一统计“调用次数”。

海外业务则提供了另一个有使用者范围的实例。美的自研的AI Load Planner Agent用于从报价到出货的智能装载规划，2026年半年报披露其综合提效超过60%，覆盖试点单位95%的外销业务人员。这同时提供了流程对象、岗位使用者和局部业务效果，比单纯说“已上线装载智能体”更进一步。尤其是装载规划会直接影响集装箱空间利用、发运安排及运输成本；如果只生成建议、但业务员不在报价或履约环节采用，智能体很难改变实际业务。95%的试点人员覆盖数字，至少使管理者能追问从“工具可用”到“岗位使用”的进展，但还不能当作每位员工高频使用或完全自动执行的证明。但95%是试点单位的外销人员覆盖率，不代表全球所有销售人员都在使用，更不能证明60%的效率提升已经转化为集团层面的同等成本节省。

其他例子也能看到AI对运营的渗透：美的在售后网点开展智能派工、预约回访和跟单预警，半年报称月均识别超过400万张预警服务工单。这里的“识别”代表风险发现能力，不能直接写成“自动解决400万张工单”。越是跨销售、生产、物流和售后的连续流程，越需要同时追踪机器发出的建议、实际被业务采用的决策、异常处理与最终结果。这些后续反馈和人工复核比例，公开披露仍不够完整。

组织创新：全员自主搭建智能体，但不放弃统一入口与安全管理

工厂深度改造解决的是少数核心流程的复杂问题，员工自主搭建则试图解决业务需求数量庞大、专业研发人员无法逐一开发的问题。美的2025年年报披露员工自主搭建1.35万个智能体；2026年半年报继续披露累计突破2万个。这是“创建数量”，不能与媒体所说的“每日运行1.3万多个”不加区分，也不能直接视为2万个持续活跃、被业务接受的应用。

对于大规模自主搭建，美的2026年半年报已经给出了较具体的平台安排：美的建设面向全员的统一AI超级入口“小美”，集成六大能力模块，对AI能力进行统一注册、鉴权、治理和跨领域调度；统一智能体平台提供数百款工具与技能，并用沙箱隔离保障代码运行及风险操作的安全。这意味着，美的并不是单纯鼓励员工各自在外部工具上创建助手，而是在建设组织级可调用、可管理的能力环境。

人的能力同样被纳入这套建设。公司披露，超过1.3万人完成智能体认证，并推进“AI500人才计划”。认证人数代表培训或能力认证进展，不能自动等同于活跃开发者；“AI500”是人才推进计划，也不能当成500名人才已经全部到岗。美的另外发布了员工AI助手，试图将个人工作辅助延伸到办公、研发、服务等场景。公开资料对这一助手与统一入口“小美”的具体技术关系没有完整披露，不宜把两者当作已验证的同一产品功能。

这种组织打法的商业逻辑在于分工：业务人员识别日常高频任务、试用并反馈；统一平台管理可调用能力和风险边界；工厂大脑等复杂业务系统则由专业团队与业务现场共同推进。前一种模式重在发现更多可改善的小任务，后一种模式重在改变高价值业务链。公开材料尚未给出按员工自建、集团平台、Factory Agent分别统计的活跃率、成本、维护责任、下线规则和ROI。美的已披露注册、鉴权、沙箱等基础能力，却不能据此推断每一个自建智能体都经历了完整的生产评审或持续质量检查。这种“全员自建+统一治理”的模式，与企业AI创新案例｜两个月750个GPT：Moderna如何把 AI 创建权交给业务？中的做法有相似之处，但美的更强调统一入口与权限控制。

全球复制：把标杆工厂经验拆为模块，而不是照搬整座工厂

一家标杆工厂跑通AI，不代表其他工厂会自动取得同样效果。不同国家的订单结构、设备、员工语言、供应商和监管要求都可能不同。美的尝试的下一步，是把工厂大脑和Factory Agent的共性能力整理成可重复部署的方案，再围绕当地业务重新适配。2025年年报已提出以智能体工厂为标杆复制推广，2026年半年报确认推出“智能体工厂出海方案”，并披露海外首家智能体工厂及全球制造基地的数字化升级。

2026年6月，美的发布的企业新闻稿进一步说明，该出海方案被拆解为12个模块，覆盖员工培训、跨境供应链、质量等任务，并已在泰国工厂开展验证。新闻稿报告了72个AI应用、13个核心智能体覆盖25个场景的试点实践；其中一项具体流程是用AIGC与VR开展多语言培训，新员工培训周期由8天缩短到3天。另有跨境供应链智能体监控关键节点，将异常处理闭环时间由48小时缩短至12小时以内。公司新闻稿还报告，泰国验证项目的订单前置时间减少43%、客户投诉率下降32%，但没有给出完整的前后绝对值与独立归因方法。上述结果属于公司对泰国试点的披露，不是其他海外工厂的普遍成效。

这一复制逻辑包含两个不同层次：可以迁移的是数据与智能体架构、特定任务的操作方法及标准模块；必须重新适配的是当地的业务知识、语言、合规和设备条件。21世纪经济报道采访美云智数负责人时，也将这种路径概括为“标准底座＋属地适配”。报道提到越南、埃及、巴西等制造基地的推广，但没有逐厂披露与泰国同口径的智能体使用率、提效或降本结果，不能将“计划推广”“数字化系统升级”直接写成全部工厂已完成智能体工厂复制。

美的2026年半年报中“5家新工厂上线数字化套餐、23家现有工厂升级数字化套餐”，反映的是全球工厂数字化建设，统计对象不同于“完整部署13个核心智能体”。把两类数字分开，才能看清技术出海究竟到了哪一层：发布解决方案、在某家工厂验证、部署至更多工厂，以及在不同国家持续产生经营收益，是四个不同阶段。

一年降本7亿元证明了进展，但还不足以算出AI投资回报

回到最初的数字，美的2025年度报告披露全年AI相关应用提效超过1500万小时、降本7亿元；2026年上半年披露提效超过900万小时、降本超过4.5亿元。与“创建多少智能体”相比，这已经向业务结果迈进了一步。荆州工厂的首检用时、集团披露的排产响应、国内库存周转、外销装载规划，以及试点工厂的运营效率，又提供了不同业务层级的观察点。它们共同说明，美的的部分AI应用已经进入真实岗位和流程，而不是只停留在演示或试点立项。

但是，不能进一步假定这7亿元就是可在财务报表中逐项核对的现金净节省。年报没有披露1500万小时的计算样本、人工时间如何估值、降本项目是否有重复计算、哪些减少了实际支付、哪些只是释放产能，也没有给出AI应用单独的投入与收益明细。公司披露的产销与制造改进，也可能同时受到精益改善、设备升级和组织管理变化影响；没有独立归因，就不能把整个改进幅度全部记到大模型账上。

把“7亿元降本”直接与某个AI研发投入数字比较，就断言AI“还没有回本”，这个判断并不成立。美的2025年报实际披露，集团已建立超过400人的AI人才团队，当年面向数字化与AI领域的投入超过30亿元，集团全部研发投入为178亿元；同时提出未来三年投入超过600亿元用于人工智能、具身智能、新能源、医疗等前沿研究。30亿元是数字化与AI领域的投入，不是内部智能体降本项目的单独成本；178亿元覆盖集团全部研发，600亿元又属于跨领域、跨年度的未来计划。这几组数字都不能直接和当年的7亿元相除计算投资回报。只有明确项目成本归集、收益确认与时间窗口，才能进一步判断AI整体ROI为正还是为负。

从经营管理角度，美的现阶段较有说服力的证据其实分为三层：第一，有在实际岗位运行的流程，例如荆州质检与外销装载规划；第二，有业务指标的前后变化，例如用时、库存周转和履约效率；第三，集团持续对外披露提效小时与降本估算。第四层——统一计算全生命周期净收益，并能排除关键的重复归因——目前仍缺公开证据。对这一边界说清楚，不会削弱案例价值，反而使它更适合作为企业AI投入决策的参考。这种“证据分层”的思路，与AI试点项目核算：一个部门的试点算出 −7.4%，为什么铺到 20 个部门变成 −16%？中对试点核算的追问一致。

对中国企业的启示：先把一条业务链做深，再决定复制多少智能体

美的最值得借鉴的，不是建成54PB数据体系、拥有数万个自建智能体，也不是照搬一家智能体工厂的机器人配置。它示范的是如何区分AI应用的两种价值：一类让大量员工更便捷地获得信息、完成日常任务；另一类进入产线、订单和供应链，把原本跨岗位的工作真正连接起来。两类应用都可能有价值，却必须采用不同的验证方式。

对于已经有ERP、MES、WMS等系统的制造企业，可以先选择一个边界清楚、重复频繁、损失可以衡量的场景：例如质检首检、异常排产或库存补货。先记录改造前的处理时长、异常数量、返工与人工复核成本，再把数据输入、AI判断、执行人或设备、检查反馈接成闭环。只有当质量没有下降、员工实际采用、收益能够重复出现时，才值得复制到第二个车间或工厂。单次演示成功、应用上线和全面推广之间应当设置不同的判断门槛。

对于希望发展全员AI的集团企业，另一个优先事项是共用的数据口径与工具入口。允许员工发现和搭建高频小应用，同时明确谁负责权限、质量、版本更新及长期不用工具的退出。美的公开资料已经显示注册、鉴权、沙箱和人才认证的投入，但单个应用的实际评测与停用规则仍没有完整披露，其他企业应依据自身的业务风险补足这一环。最终向管理层汇报时，智能体数量只能说明建设规模；真正决定是否继续投入的，应是流程采用率、业务质量、持续改善和能够复核的净经营收益。

数据来源

• • 美的集团股份有限公司2025年年度报告｜美的集团｜2026-03-31
  • 美的集团股份有限公司2026年半年度报告｜美的集团／深圳证券交易所｜2026-08-29
  • 首个智能体工厂获世界纪录认证，美的引领智能制造范式跃迁｜美的集团｜访问于2026-10-10
  • 广东智造向外走：AI智能体重塑制造范式｜中国城市报｜2026-07-20
  • 美的發布「智能體工廠出海解決方案」，標誌著中國企業出海進入新階段｜美的集团／美通社｜2026-06-16
  • 智能体入驻产线，一个“超级大脑”如何指挥一座工厂？｜21世纪经济报道｜2026-06-25

想把这套打法用到你自己的业务上？

如果你正在规划制造或供应链场景的AI落地，但不确定该从哪条业务链切入、怎么界定收益口径，可以用AI顾问做一次针对性诊断，看看你的企业离美的这类实践还差哪几步。

💎 核心承诺：先诊断、再合作，思路不对不推进。

专属咨询热线：400 822 8832

扫码加顾问 Ben 评估