先从一个画面开始。
总装车间的白板上手写着生产进度，班长每隔两小时擦一次、重写一遍。车间主任想知道当天完成了多少，得走到白板跟前才能看明白。换型的时候，物料齐不齐套，靠打电话问仓库；仓库说缺件，产线停着等料，一个班等下来三四十分钟就没了。月底出报表，班长手工抄，抄一遍两个多小时，还经常对不上。
这不是哪一家工厂的个案。根据 Zebra Technologies 2024 年制造业愿景研究（Manufacturing Vision Study），全球只有 16% 的制造企业领导者报告，他们对整个生产流程拥有实时的在制品（WIP）可见性。绝大多数工厂每天在做排产、调度和成本决策的时候，手上拿的不是“现在正在发生什么”，而是“昨天甚至更早之前发生了什么”。
问题不是没有系统。很多工厂有 ERP，有 MES，有报表。问题是信息在从现场到决策者的路上，被一层一层地延迟了、过滤了、改写了。
第一组原因：信息在组织里每传一层，就失真一次。
一个班组长发现某台设备的参数有漂移迹象，口头跟下一班说了一句“注意一下”。下一班没听清、没在意，几个小时后批量不良出来了，追溯的时候谁也不确定问题是从哪一班开始的。这不是谁不负责，是信息从现场到决策者，要经过好几道手——口头交接、白板记录、班组长统计、车间主任汇总、计划员录入系统。每一道手都在压缩、提炼、改写。等到了能做决策的人手里，它已经不是现场那个信息了，是现场信息的一个摘要，而且是一个延迟了很久的摘要。
第二组原因：反馈的节奏，比问题恶化的速度慢。
月度核算能得到一个整体比较准的利润数，但很难定位到是哪个班组、哪一天、哪一道工序出的问题。等月底报表出来，造成浪费的那个信息缺口已经过去很久了。在制品堆在车间里，管理层看到的是“数量正常”，看不到的是“某个工位已经堵了两天，只是没有人把那个信号传出来”。问题不是算错了，是算的时候用的已经是过期的现实。
第三组原因：系统被用来堵漏洞，而不是让信息流动；经验被当成文档，而不是绑在场景里的判断。
这一组包含两个互相强化的机制，它们经常同时出现。
先看系统。很多工厂上了 ERP、上了 MES，流程里大部分环节本来是正确的，却都被固化防起来。中国机械工业联合会 2024 年调研显示，机械行业 ERP、MES、PLM 等系统的数据互通率只有 28%，设备平均联网率不足 35%——系统上了不少，信息并没有真正连起来。系统更多是用来卡流程、防出错，而不是让该看到的人及时看到。防错本身不创造价值，防得越严，绕过防错的力量也越强，两股力量在内部消耗。
再看经验。老师傅的判断——手搭在机台上靠震动就知道料温差了一点——写进操作手册，新人摸一万次也摸不出来。企业想留，用的方法是让老师傅写文档，而暗知识写不进文档。一线工人摸索出来的更顺手的做法，也出不了这个班组。
这三组原因不是三个独立问题，是一个循环：信息失真导致反馈慢，反馈慢导致只能靠堵漏洞，堵漏洞又让信息更不连通，经验更留不下来。 制造业最持续的浪费，不是某个人做错了什么，是这个循环一直在转。
这个循环转了很多年，过去受限于一个硬约束：要处理这么多维度的信息、要在正确的时刻把正确的那一小块交给正确的人、要把暗知识从场景里萃取出来变成可复用的判断——这些事靠人做不到，靠传统的规则系统也做不到。
现在这个约束第一次开始松动。不是因为某一个模型变强了，而是因为 AI 第一次有能力在信息到达决策点之前，替人完成“整理、比对、提取、提醒、沉淀”这一层工作——让班组长在换型前知道物料齐不齐套，让计划员看到的是当天的消耗而不是昨天的报表，让决策者在开会前拿到的是同一套口径的事实，让老师傅的判断可以在具体场景里被“问”出来、被留下来，而不是靠写一本没人看得懂的手册。
这件事对一家企业的意义是：那些一直知道“应该做”但“做不到”的事——日级反馈、全员信息对齐、经验从个人走向组织——第一次有了可以落地的条件。对一个产业的意义则更大：当最佳实践不再只能靠人传人、靠师傅带徒弟、靠跳槽来扩散，而是可以被结构化地沉淀和复用，整个产业的试错成本会下降，改善的速度会不一样。
Mindix 的 DigitalMind 和 BusinessMind 所承接的，正是上面这些场景里“信息到不了、判断依据不对、经验留不下来”的那一层问题：把制造业现场的信息流、计划流和判断流连起来，让该看到的人及时看到准确的信息，让该留下的判断不随人走。
但具体用什么方式连、先从哪里开始、在你的工厂里哪一条线最值得先跑通——这些不是一篇文章能回答的，也不应该由一篇文章来回答。每一家工厂的信息断点不一样，先改哪一段、用什么节奏改，需要看现场、看数据、看人。
如果你在上面某一个场景里看到了自己工厂的影子，可以做一件事：预约一次针对你现场的信息流诊断。不用先决定买什么，先把你最疼的那一段拿出来，一起看它到底断在哪里。
这篇文章讲的是信息流问题，对应的 Agent 包括：
其余 Agent 专文上线后，会把这里的占位替换成具体链接。
数据来源： Zebra Technologies《2024 Manufacturing Vision Study》；中国机械工业联合会 2024 年调研。