离散制造 · 非标制造 · 工业采购与经营透明。下面每个案例都按"原来的样子 / AI 怎么切进去 / 可迁移的做法 / 落地之后"四段呈现，保留做法与坑，隐去企业与人名。
把 4 个案例放在一起看，这个行业真正反复出现的规律是这几条。
德国一家制造零部件企业（约 70–80 人，多产线、多型号）
痛点：生产知识极细：材料配比、参数调整、设备状态判断大量依赖老师傅的隐性经验；老师傅生产任务重、部分临近退休，新人培养要 2–3 个月甚至更长。
过去的做法：师徒制"人带人"，新人跟着老师傅学，老师傅的时间被反复咨询消耗。
重复性知识传递从老师傅身上卸下来，新人可先自助获得第一次解答，复杂问题再回到人。
一家工业企业（海外，管理大量机械设备、物料与资产，约 15 个团队与 ERP 交互）
痛点：几乎所有部门都抱怨 ERP 不好用：搜索能力弱、数据不干净。找不到物料 → 重新录入 → 重复数据 → 更找不到 → 买错、买重、单位搞错，错误采购的物资在仓库放几年后只能报废。
过去的做法：靠人记忆与反复录入；ERP 已承载长期库存管理，但标准搜索无法支撑实际查找习惯。
错误采购与重复采购有了明确的改善目标，AI 的价值落到可直接影响的经营结果上。
一家非标柔性制造企业（约 200–300 人，多品种小批量，大量非标订单）
痛点：非标售前是一条完整链路：图纸解析、需求拆解、研发协同、生产方案、成本核算、报价。它占用稀缺的技术骨干，报价准确率直接影响利润，响应慢还会直接丢单。
过去的做法：把客户语言翻译成企业能生产的语言全靠人：打开 PDF/CAD 一项项看，再凭经验判断材料、尺寸、工艺与成本。
稀缺技术骨干从重复的看图与拆需求中释放，报价响应不再卡在某个人的时间档期上。
一家汽车供应链企业（上游采购 + 简单加工组装，向下游销售维修零部件）
痛点：ERP 里订单、生产任务、采购、库存、发货数据都有，但老板仍然看不清经营：生产是否正常推进、采购有没有多订、什么时候能发货、应付的钱对应哪些订单。
过去的做法：使用标准化 ERP + 靠人询问与汇报；标准逻辑无法表达"实际发生了、但流程没完整结束"的情况（如订 5000 只到 4980）。
订单全链路的异常可以提前呈现，老板不必再靠逐个询问了解经营状态。
