從“肉身管理”到"數據巡廠”：一家服裝制造企業的AI改造實驗

在徐州經開區新微加速器二期，一家新工廠引入智能裁床、智能吊掛傳輸系統和AGV物流小車后，智能裁床的裁切效率較傳統人工提升10倍以上，智能吊掛系統實現了從“人找貨”到“貨找人”的轉變，裁片可自動輸送至各縫制工位；工人在終端確認參數后，設備即可完成標準化縫制。而在背后支撐這一切的關鍵是數據，不是分散在各個系統中，而是串聯著整個從“一塊布”到“一件衣”的完整生產流程。

成立于2015年、以羽絨服和沖鋒衣為核心品類的服裝制造企業曼森集團，正讓數據貫通成為5個生產基地、120多條流水線、5000多員工日常的標配，并以此為基礎實現了近幾年每年30%-50%的增長。

更值得玩味的是曼森集團的AI路徑選擇：在同行紛紛追逐大模型、生成式AI的當下，曼森選擇的第一步，不是部署AI Agent，而是先把ERP系統建好——把“大腦”建好，再談“智能”。

服裝行業數字化：領先于均值，但AI落地仍處初級階段

在拆解曼森案例之前，有必要先看一組行業數據。

紡織服裝是中國兩化融合實踐最早、也最充分的行業之一。據中國紡織工業聯合會數據統計，截至2025年9月，紡織服裝行業關鍵業務環節全面數字化的企業比例達到64.9%，高于全國制造業61.3%的平均水平；關鍵工序數控化率65.3%，數字化設備聯網率53.5%，網絡化協同企業比例51.3%——四項核心指標均跑贏制造業大盤。

同時，ERP在紡織行業的普及率已達71.1%，數字化研發設計工具普及率更是高達84.9%。但更精細的MES（制造執行系統）和PLM（產品生命周期管理）普及率分別只有32.3%和30.2%，說明生產過程管理和產品全生命周期管理仍是薄弱環節。

政策層面也在加碼。2025年6月，工信部等六部門印發《紡織工業數字化轉型實施方案》，明確提出到2027年規模以上紡織企業關鍵業務環節全面數字化比例超過70%，并推動AI在研發設計、生產制造等全環節應用。

一個微妙的信號是，Gartner預測到2028年至少15%的日常工作決策將由AI Agent自主完成，而MIT的報告指出，95%的組織尚未從AI投入中獲取實質價值。

換句話說：工具在快速進化，但企業價值回報的鴻溝依然巨大。

讓五套系統、五套語言成為統一大腦

曼森集團總經理杜國亞在SAP中國峰會上回憶，在引入統一ERP之前，公司各個生產基地使用著多套獨立系統——生產系統、財務系統各管各的。

“各個系統看似都有人使用，但是不兼容，數據不互通。每個系統有每個系統的規則，都不相同。”杜國亞說，這種情況下，更促使各個基地都必須要有完整統一的語言去進行約束。

這不是曼森獨有的問題。MES普及率只有32.3%的行業現狀，說明數據孤島在服裝行業是普遍痛點。企業往往在采購、生產、庫存、財務各環節部署了不同的系統，但這些系統之間缺乏統一的數據標準和流程規范，形成了一個個信息黑箱。管理層看到的報表很多，但實際上很難可控。

“整個未來企業發展不在于訂單規模大小，而在于把復雜業務運營好，這對于現在AI快速發展的時段，內部也在不停探索、不停地摸索未來的發展模式。AI到底對一家現在這樣的企業意味著什么？”杜國亞在企業快速增長過程中不斷反思。

2025年12月，曼森集團選擇部署在阿里云上的SAP Cloud ERP，正式開始打破這種信息割裂。選擇云部署而非私有化，杜國亞的邏輯很直接：“我們不需要把所有事情想得那么復雜。我們之所以快速切換，是把這套系統定義成一個全新的系統，把我們公司所有的數據定義成全新的數據。”

一句話：不背歷史包袱，從零開始建。

對于為什么在AI浪潮中選擇先建ERP而非直接上AI應用，杜國亞有一個很樸素的類比：“把ERP比喻成一個大腦。所有的數據來源都必須要有一個歸口，在這個歸口過程中要有清晰的流程，數據要統一走向哪里。它應該是一個安全可信任的長期大腦。"

“AI可不可以回答問題？一定可以。但是它能不能幫助你帶來高效的決策？如果說沒有我們的數據沉淀，沒有我們的知識儲備，可能很難達到我們想要的高效決策。”杜國亞的方法論是先把“內存”里的知識儲存好、沉淀好，再談AI。

這個思路在當前的企業AI實踐中其實并不罕見，但能公開說出來并且嚴格執行的企業并不多。麥肯錫2025年全球企業AI調查數據顯示，88%的企業至少在一個場景里用了AI，但只有6%認為超過5%的EBITDA增長歸功于AI技術——剩下94%的企業投入了真金白銀，卻還沒有看到商業回報。MIT的數據更為殘酷：95%的組織尚未從AI投入中獲取實質價值。

杜國亞的做法，在行業術語里叫做“AI就緒”（AI Readiness）——在讓AI參與決策之前，先把數據基礎、流程標準、知識體系建起來。這恰恰是大多數企業跳過的環節。而在曼森的案例中，這個“就緒”過程本身就帶來了可觀的管理效率提升。

小單快反”倒逼系統升級

與行業一起，曼森的業務結構正在經歷一場典型變化：品牌客戶越來越傾向于小批量、多款式的訂單模式。

系統是核心。統一的ERP打通了從接單到發貨的完整數據鏈路，讓每個節點的信息實時可見。

設備是支撐。曼森引入了智能裁床、自動模板機、智能吊掛傳輸系統、自動化充絨設備和AGV物流小車。智能裁床的裁切效率較傳統人工提升10倍以上，面料利用率大幅提高；智能吊掛系統實現了從"人找貨"到"貨找人"的轉變，裁片精準輸送至各縫制工位，工序無縫銜接。

人機協同是關鍵。在曼森的生產線上，工人不再需要憑經驗去找物料、調設備，而是通過系統預設的參數，在終端確認即可。整個生產線的運作過程"經過人機排位，包括AI算法，得到每一個工序是最科學的、最有效的"。

這套組合拳的效果是可量化的：2025年1-5月曼森集團產值同比增長50%，此前連續三年規模及業務體量保持30%以上增長。新工廠整體生產效率提升約30%，次品率顯著下降。

而在SAP和曼森集團的合作中，雙方對AI落地遞進式層次有一個共識：

第一層：全鏈穿透。從訂單到接單、到發貨的每個節點實時可見，不再需要到處找數據、等數據、看數據，數據實時推送到終端。“每次要開會問這個問那個，現在不需要了，只需要在上面去問需要的東西就OK了。”杜國亞說。

第二層：經營洞察。AI主動發現異常并歸因，提供預警和建議。比如訂單交付預期偏離、客戶風險預警、訂單盈虧分析等，整合成完整的經營視圖推送給管理層。杜國亞期待的核心能力是：“在訂單不確定的情況下，把風險、利潤以及整個進度變成實時看得清、有判斷力的能力。”

第三層：風險閉環。這部分仍在規劃和推進中，但方向已經清晰：AI發現異常、形成建議、推送管理層，決策確認后由SAP智能體在系統中執行操作。它的意義不在于多一個預警報表，而在于讓風險管理從“看見問題”走向“閉環處理”。在杜國亞的表述中，下一階段就是通過人機互聯，把數據洞察提升到讓決策者更有據可依，做出更準確的判斷；部分場景如訂單下達后觸發采購、生產、排單，已經具備實現基礎。

值得注意的是，這三個層次不是孤立的功能疊加，而是建立在統一ERP數據底座之上的遞進。每一層都依賴下一層的數據基礎：沒有全鏈穿透的數據可見性，就沒有經營洞察的分析素材；沒有經營洞察的決策支持，風險閉環的自動執行就無從談起。

先把地基打好，再談在上面蓋什么房子

在杜國亞的描述中，曼森集團最終想打造的圖景被他概括為六個字——人機物互聯。

“人”指兩種：員工個體和機器人；“機”是所有智能化設備；“物”是空間和系統。三者在同一個網絡下協同，"共同發揮讓決策自動執行"。

聽起來很抽象，但落到曼森的日常管理場景中，描述非常具體：

以前，5個生產基地的管理依賴管理人員現場巡廠、固定早會、固定巡廠制度——杜國亞稱之為“肉身管理”，耗費大量時間、物力、人力和精力，“做出來的事可能不太一樣”。

現在，通過系統統一管理，所有工廠在同一標準下運行，數據實時同步、全程可溯。不再去做以前所謂的“肉身管理”方式，整體運營效率更高。

被問到“如果真有一個具身機器人幫你巡檢，你以后干什么”時，杜國亞笑著說：我以后的事可能很多，打游戲、旅游等等。但最終要讓所有管理層都把工作放在最重要的核心管理上，比如說品牌建設、公司運營、未來發展方向。

曼森集團的故事沒有一個戲劇性的“AI顛覆”時刻。它更像是一個傳統制造企業，在面對行業共性痛點時，選擇了一條看起來不那么性感但務實有效的路徑：先把地基打好，再談在上面蓋什么房子。

這恰恰是當前企業AI落地中最被低估的一課，也是當前越多越多企業意識到的一個問題：AI的能力上限，不取決于模型有多聰明，而取決于企業的數據地基和流程標準有多扎實。