【环球网科技报道 记者 李文瑶】汽车行业的竞争，正在从一款车型的爆款神话，转向组织效率与产业链协同的持久战。
2026年9月，飞书举办的“AI驭链，整零焕新”汽车行业专场披露了一组数据：2025年中国上市车企市值TOP10中，9家企业的集团、研究院或新能源品牌使用飞书；TOP30新能源车企中，超七成使用飞书。飞书CEO谢欣在峰会上表示：“当Agent进入企业，工作方式将从‘人使用软件’转向‘人和Agent在同一个工作环境里共同完成任务’。”
当汽车从代步工具进化为“超级移动智能空间”，决定企业速度的已不只是一款产品或一项技术，而是整个组织和产业链能否快速行动。一次工程变更、物料异常或质量问题，往往同时跨越多个部门、系统和企业。链条上最慢的环节，可能拖慢整车的研发与交付。
这正是飞书在汽车行业找到的切口：不是推翻企业已有的ERP、PLM等系统，而是把分散在邮件、微信群和线下表格里的数据转化为可追踪的任务，让流程跑起来、让知识留下来、让产业链连起来。当研发、供应链、生产、质量等核心流程在平台上持续沉淀，就形成了连续、可追踪的业务上下文，这也是AI进入企业核心业务流程的前提，而不是反过来从模型出发去找场景。
从“救火式”响应到“预测性”维护：设备管理的模式迁移
汽车制造企业的设备故障处理，长期面临一个尴尬处境：维修高度依赖老师傅的个人经验，故障案例分散在个人脑海、微信群和文件夹里，知识复用率不足30%。一旦资深员工离岗，经验也随之流失。设备管理长期困在“出了问题再抢修”的循环里。
东风奕派工厂的情况颇具代表性。以武汉工厂为例，设备停线每分钟综合成本约1500元，全年设备故障损失高达325万元。紧急故障从上报到修复往往需要10到20分钟，其间涉及查PLC程序、翻电路图、现场排查等一系列环节，对维修工的技能和经验要求极高。
如今，东风奕派没有选择传统的MES系统改造路径，而是依托豆包工作伙伴，将十年积累的停工报告、维修经验沉淀为结构化知识库，打造了“设备大师智能体”。
东风奕派设备维修工程师旷鹏鹏在接受采访时表示，从1.0版本的经验数字化到4.0版本的OpenClaw多智能体协同，这套系统完成了四次迭代。在最新版本中，前台“设备大师”作为统一交互入口，后台由协调、认知、执行、跟踪、学习5个Agent分工配合。当设备发生故障，PLC报警信息通过Webhook接入飞书工作流，系统自动识别内容、完成分析，将处理建议推送至工作群。维修工无需查程序、看图纸，直接根据AI建议执行。
这套系统上线后，紧急故障响应时间从10分钟压缩至4分钟，故障原因分析准确率从70%提升至95%，年度停机损失减少到179万元。 更重要的是，维修经验从少数老师傅手中，沉淀为全员可复用的组织能力，新员工培训周期从3个月缩短至1.5个月。
在旷鹏鹏看来，AI在制造业的落地，不是用算法替代人，而是将隐性知识显性化、将碎片经验系统化。 设备管理正在从“故障发生—停机抢修”的被动模式，转向基于数据驱动的主动预防。设备综合效率（OEE）的提升，不再依赖个别工程师的"“手感”，而是建立在可迭代、可复制的数字能力之上。
从“人眼盯防”到“AI质检”：质量管理的工业级突破
如果说故障处理是“隐形战场”，那么产线质检则是决定品牌信誉的“最后一道闸门”。在汽车制造中，一个零部件的质量缺陷可能导致整车召回，损失数以亿计。
东风康明斯是全球领先的发动机制造商，从重卡到工程车再到城市公交车，到处都有其产品的身影。支撑这家百年企业走到今天的，是对品质几乎苛刻的追求。但即便是这样一家企业，也曾在一个关键环节上陷入困境——发动机连杆的质检。
连杆是发动机的核心零件，制造时拆分为两部分，装配时必须原配。一旦错配，发动机在运行中可能“炸缸”。为此，东风康明斯在新产线上安装了视觉检测系统。然而，这套专业系统的准确率只有70%——每4次检测就有1次误报，一天几十次。工人们实在受不了，直接把系统电源拔了。
“技术本来是来解放人的，结果反而成了折腾人的。”东风康明斯制造工程部智能制造工程师巢正坤回忆道。
当时摆在面前的有两条路：一是改零件工艺，一年投入上百万，涉及10个平台、几十种零件，工程变更遥遥无期；二是上深度学习，需要收集样本、打标、训练、部署算力，投资20万起，落地至少半年。两条路，一条太贵，一条太慢。
转机出现在一个偶然的观察。巢正坤看到一条新闻：有养殖场用大模型数猪。“我当时脑子里‘叮’一下：它能数猪，为什么不能看懂发动机零件？”恰好飞书接入了大模型能力，团队抱着试一试的心态，用提示词让AI读连杆上的配对码。第一轮测试，准确率就冲到95%。
但95%在工业现场远远不够——每20个零件错一次，照样扛不住。真正的突破来自一个“顿悟时刻”：团队把所有错装的照片摆在一起，突然发现一个惊人规律——只要配错的连杆，结合处都有一道明显的裂痕。
原来，连杆是一整块料胀开的，断面如同人的指纹，独一无二。装错了就合不拢，一定会留下裂痕。以前团队总想着教AI认出“什么是对的”，其实根本不用——AI只要认出“什么是错的”，就够了。
顺着这个思路，团队设计了三道检测保险：先看裂痕，有裂痕直接判错；再读数字，判错的提取配对码二次校对；第三道模糊匹配，四个数字对上三个就过。三层嵌套，每一层都不是理论设计的，而是从产线上干了二十年的老师傅口中总结出来的。
依托飞书的底座，团队用多维表格做数据中枢，用字段捷径调用大模型，用工作流做自动报警，8周就把整套系统跑通了。从1个平台复制到6个，从连杆延伸到活塞环、卡环，每个新场景两周就能搞定。
这套系统上线9个月，跑了20万张图，准确率稳定在99.5%以上，零漏检。
但这个案例最值得关注的，不仅是成本与效率的数字对比，而是工业AI的核心竞争力，从来不是算法有多先进、算力有多强大，而是你能不能把老师傅二十年积累的隐性经验，翻译成机器能执行的规则。 当算法工程师还在调参优化“识别率”时，一线工程师已经用提示词和业务洞察完成了超越。
一年前，这套质检系统被工人亲手关掉，因为它添麻烦；一年后，工人们上班第一件事就是打开它，因为信任它。“从被放弃到被信赖，这中间的距离，就是我们工程师存在的意义。”巢正坤说。
从“文件传递”到“流程拉通”：整零协同的产业实践
如果单点应用是飞书在汽车行业的第一阶段，那么连接主机厂与零部件企业的“整零协同”，正在成为其更深层的价值所在。
整零协同的难点通常不在一家企业内部的流程管理，而在于流程一旦跨出企业边界，就容易重新回到会议对齐、邮件传文件和人工催进度。主机厂的设计需求通过Word文档传递，零部件公司完成开发后再通过邮件回传，中间存在大量信息损耗，过程数据几乎无法沉淀。
上汽集团与联合电子的合作是一个突破性样本。双方基于飞书搭建的整零协同项目，覆盖数百名工程师和187项主流程节点。以前，全部计划排期需要一至两小时，现在缩短至五分钟。
上汽集团研发总院相关负责人张健琼在采访中打了一个比方：“以前是人肉搬砖——发邮件、写会议纪要、催进度。现在工具链帮你传递，不会掉地上，而且能形成闭环。”他透露，目前该项目框架已搭建约50%，后续将进一步完成知识的条目化迁移，让AI能够基于结构化数据进行分析和辅助决策。
保隆科技CIO黄军林透露，公司已在飞书上搭建项目管理中台，连接ALM、PLM、FMEA等内部系统。据内部评估，流程标准化提升50%，信息透明度与可追溯性提升30%。更值得关注的是，保隆正计划将这套能力向自己的二级供应商延伸。“我们会甄选有数字化能力的供应商，要求他们与我们的飞书体系打通，实现全链路信息的实时同步。”
这两个案例指向一个共同判断：汽车产业的竞争正在从“单体企业效率”转向“产业链协同效率”。 当一款车型的开发周期从36个月压缩到24个月甚至18个月，主机厂与供应商之间的信息传递效率就不再是一个可有可无的变量，而是决定能否按时交付的关键瓶颈。
AI深入产业的前提：流程在线、知识沉淀、产业链打通
从这些案例中可以观察到几个关键变化：飞书正在从“人用的工具”变成“流程运行的载体”。 研发、供应链、质量、生产——这些核心流程的数据、知识和协作记录，正在飞书上持续沉淀，形成连续、可追踪的业务上下文。这是AI进入企业核心业务流程的前提。
同时，汽车产业链的协同正在从“点对点”走向“网状”。 主机厂与一级供应商、一级与二级供应商之间的信息壁垒正在被打破。当产业链上下游在同一个平台上运行，AI才有机会读取端到端的真实数据，而不是仅仅处理某个环节的局部信息。
此外，AI的应用正在从“个人提效”走向“系统降本”。 无论是东风奕派的设备管理、东风康明斯的质量检测，还是上汽与保隆的整零协同，真正的价值不是让某个人省了几分钟，而是让整个系统减少了停机损失、降低了库存占用、缩短了开发周期。
飞书CEO谢欣在峰会上的一段话，或许能概括这一进程的本质：“飞书提供工作发生的场景、知识、流程和权限，协同平台也由此成为 Agent 理解上下文、调用工具并与人协作的重要基础设施。”