内容来自演讲：王劭禹 | 上海橙木智能科技有限公司 | 联合创始人
摘要
本文介绍上海橙木智能科技有限公司基于明道云，将 Deepseek 与 D2D 结合，构建制造业一体化方案。分享其发展历程、Deepseek 在制造业的创新实践。剖析传统制造业数字化转型困境，提出以管理洞见加技术平台 HAP 实现 AI Ready 的方案，阐述其知识算力、数字化基础、行业知识等核心价值，强调数据透明化破局及 D2D 优势与未来迭代方向。
春节过后，Deepseek 技术迎来了广泛的应用与探索热潮。对于我们来说也是一样，明道云顾问找到我想让我做一个制造业专场分享的时候，我就想做一些创新的东西出来。结合我在制造业多年的实践经验，我们用明道云，将 Deepseek 与 D2D（data to decision，数据驱动决策）产品体系相结合，构建了为制造业服务的 ERP、MES、WMS、QMS 的一体化解决方案。
一、创始人与公司介绍
上海橙木智能自成立以来，始终深耕制造业领域，服务过丹纳赫、三一重工、福迪威等标杆客户。2019 年获得 3000 万融资，但这也是不幸的开始，当时明道云尚未出现，高代码开发模式导致服务成本居高不下，业务发展一度陷入困境。
2020 年明道云的出现成为转折点，依托明道云零代码特性，我们得以构建智能制造一体化解决方案，业务实现快速增长。2022-2023 年，随着明道云完成子流程与封装业务流程闭环，加强 Webhook、代码块等功能升级，让我们可以做出更复杂的系统，服务非制造业的客户，服务范围进一步拓展至金融、装备制造等多个领域，成功服务日立、三菱银行、红太阳、发那科等不同行业客户。
我和另一位创始人龙彪都在制造行业大厂工作过，他在施耐德通用电气工作过10年，我在ABB、英格索兰、伊莱克斯这些大厂做过，而且我们在甲方并不是做IT角色,而是运营角色。
这段经历让我们对制造行业难点与痛点有着深刻洞察，明晰制造业管理者亟需通过数字化手段驱动决策的迫切需求，知道能样才能更好地服务于制造业的管理者。
二、Deepseek 在制造业的创新应用实践
自 2025 年春节 Deepseek 技术走红后，我们积极开展实践探索：
- 2 月 18 日：尝试通过 AI 生成式对话,实现数据智能读取与分析。
- 2 月 23 日：针对客户现场物料编码问题，将历史编码规则和数据库与 Deepseek 融合，完成物料编码的重构与优化。
- 3 月 3 日：协助新材料制造的上市企业，利用 Deepseek 对大量检测数据进行拟合分析，确定数据偏移、均值、曲线比对以及导数计算等关键参数。
- 3 月 10 日：基于 Deepseek 的视觉识别与数据库比对技术，帮助工贸行业客户快速检索类似产品，实现快速报价和工艺推荐。
- 3 月 15 – 17 日：突破传统制造业排产难题，运用 Deepseek 完成无限交期排产模拟和固定交期内动态资源调整。
- 近期：实现 Deepseek、智能体与明道云结合的对话式排程，进一步提升系统智能化水平。
三、传统制造业数字化转型困境
传统制造业数字化转型路径通常是先部署信息化套件，再搭建数据中台，整合边缘系统并进行数据治理，再往后是数据消费、AI洞察与辅助分析。但是传统业务流程在AI应用方面很滞后，传统企业数字化转型想要做到AI Ready的程度很困难。
传统制造业利润微薄，净利润率仅约 5%，在低盈利状况下，企业难以投入大量资源进行数字化转型。而想要达到AI Ready的状态，企业需组建包括 CIO、前端后端开发、数据工程师、业务专家、AI 工程师等在内的专业团队，年成本高达 200 万元，多数传统制造业企业难以承受。
四、创新解决方案与核心价值
1、解决方案
我们在思考能不能通过新技术去解决老问题。我们给出的解决方案是通过管理洞见，加上技术平台HAP，去实现AI Ready。
- 零代码平台支撑
我们都知道，明道云HAP平台最为关键的特性在于它具有灵活调整的能力。而企业本质上是人员的集合体，在某些特定时刻看似处于稳定状态，但实际上，绝大多数企业的业务会随时间推移而发生动态变化。要及时适应这种变化并对业务系统进行调整，明道云HAP可以很好地解决这个问题。
客户常常让我介绍产品，我会开宗明义地指出，D2D 与传统的 CRM、ERP、MES 等套件系统截然不同。那些传统系统是为了解决特定范围内的固定问题，有着清晰明确的边界；而 D2D 以数据驱动决策为核心，不受固定边界的限制。真正有价值的决策，必然是融入了管理洞见的决策。
- 管理经验植入
因为我在甲方有多年的管理经验，我深入参与了除销售和财务之外的所有运营环节。因此，我会将自身的管理经验充分融入系统。
- DS推理模型、企业自有知识库、智能体
在融合了管理经验和平台能力之后，引入 DS 推理模型，然后再加上企业原来就有的一系列的数据，形成企业内部的数据库，最后再和智能体结合，它就能解决 AI Ready问题.
2、核心价值
AI Ready究竟能如何为企业赋能呢？这套融合方案解决了企业面临的三个问题。
- 知识与算力
通过知识库、推理模型以及灵活配置的智能体，解决了企业算力瓶颈问题。以排产为例，实际操作中困难重重。部分原因在于数据缺失，更重要的是人力排产难以应对大量数据变化。当订单量增加时，人工排产容易陷入混乱，无法保证排产的准确性和及时性。
这本质上是算力不足的问题，如果能提供足够的算力支持，排产难题将迎刃而解。而我们的解决方案，正是为企业提供强大的算力保障，确保企业在面对复杂业务时能够高效运转。
- 数字化基础
通过明道云HAP平台，解决了数字化技术难题。即使不具备编程知识，也能轻松搭建和调整业务系统，实现数字化转型。
- 行业专业知识
以往，企业决策往往依赖老专家、资深工程师以及领导的经验判断，缺乏科学依据。现在，可以借助企业内部知识库与和DS 推理模型，解决行业专业知识应用难题，做出更精准的决策，为企业发展提供有力支持。
五、转型的目的与破局之道
1、核心目的：降本增效
企业推进信息化、数字化与智能化转型，核心目标始终围绕降本增效展开，而降本增效的目的是为了服务于业务。实现降本增效的核心路径，主要聚焦于两大维度：降低成本以增强市场竞争力与提升效率以强化组织运营能力。
2、成本困局：隐性成本才是真正的利润黑洞
之前泰科电子 CIO 给我分享了他的一个观点：在当今竞争格局中，企业的竞争优势分为两类 ——成本优势（以更低的成本提供产品或服务）与个性化优势（满足客户独特需求的差异化能力）。
企业往往将目光聚焦于显性成本，如办公费用、原材料采购等。但这类成本的压缩存在天然上限，且必须建立在不牺牲服务质量的基础上。我曾与一家合作十年的客户交流，他们从年销售额3亿的小企业成长为规模超 15 亿、工厂遍布全球的大公司。去年，企业已通过优化运营降低了 3% 的成本，但今年面临进一步降本的挑战时，单纯削减显性成本已难以为继。
事实上，企业真正的 “成本黑洞” 藏在沟通成本、决策成本与试错成本这三类隐性成本中。企业管理者作为决策核心，若缺乏数据支撑与科学依据，因信息不畅导致的重复沟通、因经验判断引发的决策失误，以及试错过程中消耗的时间与资源，都在无形之中侵蚀企业利润。
3、破局之道：数据透明化构建增效引擎
破解这一困局的关键在于数据透明化：通过系统化的数据采集与分析，将隐性成本显性化，让管理者精准定位问题根源。
而在降本的基础上实现增效，则需要将管理者解决问题的能力转化为组织的长期竞争力。这一过程依赖个人能力提升、反馈机制优化与沟通体系完善的协同作用 —— 当管理者的经验沉淀为可复用的最佳实践，并通过高效的反馈与沟通在团队内扩散，全员组织能力的提升水到渠成。
4、当前现状：眼见不为实
我特别想向大家推荐陈果的《业务流程》这本书。书中有一个观点：”ERP里面没有流程”，我在我的一本书里也说过：“企业资源计划（ERP）无法帮助企业管理者调动企业资源”。就像 “老婆饼里没有老婆”，“牛肉面里没有牛肉” 一样，名称与实际功能产生了错位。
这揭示了一个普遍问题：当前绝大多数经营管理系统在决策层面缺乏数据支撑。这导致了沟通成本、决策成本和试错成本这三大隐性成本居高不下，同时又缺少有效的数据反馈机制，最终影响了组织效能。我个人下了一个定论：只服务于作业需求的管理软件，不能称之为真正的管理软件。
5、解决方案：D2D系统如何重构管理逻辑
不妨来看一组对比。传统 ERP 系统的界面往往信息繁杂、缺乏重点。上图是我们一个友商系统的订单界面，虽然罗列了订单金额、客户信息、交货日期等信息，但管理者很难从中快速抓取关键内容。我自己也问过一些管理者，约95%的管理者坦言很少主动查看 ERP 系统，因为 “不知道该看什么”—— 他们打开系统后，根本无法第一时间定位核心问题、判断各部门优先级。
而我们的 D2D系统，正好可以解决这一痛点。上图是D2D系统的订单界面，通过红、黄、绿三色标记，关键信息一目了然，管理者能瞬间定位需要关注的重点事项，结合订单预期、回款进度、生产状态等实时数据，轻松筛选出异常进行中的任务。
同样的数据基础，我们的系统实现了 “事事有追踪，件件有反馈”—— 从订单下达后的任务下推，到执行过程中的状态更新，每一个环节的操作都清晰留痕，下游任务的完成情况、异常问题也能及时呈现。
这正是我们 D2D 系统的管理内核所在——快速识别问题、高效调配资源。通过数据驱动决策的方式消除沟通、决策与试错成本，从根本上提升组织运营效能。
虽然今天无法完整演示系统，但这张计划界面详情图也足以展现其核心优势：销售订单与计划单的强关联关系、MRP 运算后精准的生产采购需求预测、WMS 模块对库存可用性及在制品状态的及时追踪，再加上后续的生产工单、领料记录、采购需求、生产入库等全流程数据贯通，构建起完整的业务闭环。
我在反思为什么很多企业在数字化转型的过程中，即便部署了 ERP 等系统，仍难以实现 AI Ready。传统的分析是手动导出数据，再通过Excel制作报表，做的好一点的通过 BI 工具自动分析的模式去生成报表，这些方法都差了一点 ——数据资产化缺失。只有将业务数据转化为可被 AI 与 BI 自主分析的资产，才能实现移动端实时预警与异常捕捉，这是我们探索出的破局之道。
6、未来的DS+D2D迭代地图
展望未来，AI 技术在制造业仍有巨大想象空间。比如，我们可以利用智能体分析供应链物料短缺风险；抓取行业头部企业的运营指标优化自身效率；通过考勤与发货数据的对比，精准匹配组织架构与业务需求，发现最合适的配置；绘制真实的人效地图，支撑企业在业务增长的同时实现人力的高效配置。
我们的最终目标是帮助企业在数字化浪潮中掌握主动权，以技术驱动业务突破，而不是被动应对市场变化。期待与各位携手，拥抱 AI 时代，让企业在竞争中抢占先机！
