牧高笛帐篷工厂 · AI Native 报价方案
今天的图纸、BOM、报价和日报，主要靠版师与业务经理逐件衔接。方案落地后，BOM 逐条自动校验、报价 1 小时内产出、日报 1 分钟生成。30 天内先把 BOM 校验做深到工艺员每天使用，报价助手、业务日报、市场调研同步铺开。
第一步
30 天落地
BOM 校验做深至进生产使用，报价助手、业务日报、市场调研同步铺开
之后
持续陪跑
按业务领域逐步扩展，从 4 个场景到 54 个场景
本次要跨的一级
L1 → L2
从个人各自使用，到进入岗位日常
本次场景
1 + 3
1 个做深至进生产使用，3 个同步铺开
一页结论
今天工厂的 AI 只停留在个人层面，
这 30 天要让它进入岗位日常
四件事已经明确：BOM 校验、智能报价、业务日报、市场调研。工厂需要的不是又一套软件，而是这几个岗位每天都会打开、并且依赖它出结果的能力。
我们把企业的 AI 成熟度分为 L1-L5 五级，划分依据不是功能数量，而是系统的自主程度
员工各自使用通用 AI 查资料、写文案。使用情况因人而异，公司层面没有沉淀。
AI 在具体岗位承担单项工作：校验一份 BOM、生成一版报价草稿或一份日报，决策仍由人做出。
系统可独立完成一类任务（例如从询价到报价的完整环节），人只把关关键节点与例外。
多个环节之间自动衔接，覆盖从接单到交付的完整链条，跨环节联动无需人工传递。
每一单业务与每次人工修改都会提升系统准确率，工厂可自行拓展新场景。
后续的 L3、L4、L5 对应转型路线图的各个阶段。每一级都建立在前一级跑通的数据与使用习惯之上，稳定运行后再往上推进。
30 天快速落地
未来持续陪跑
这笔投入买的是一次能力升级：从个人各自使用 AI，到 AI 进入公司流程并沉淀成资产；不是买人天，也不是买功能条数。
项目背景
我们了解到的帐篷工厂
| 项 | 内容 |
|---|---|
| 客户 | 牧高笛帐篷工厂（帐篷为主的户外装备制造商，为全球品牌代工与自研） |
| 行业 | 制造业 · 户外装备 |
| 规模 | 中国 + 越南 + 孟加拉三地工厂，数千 SKU/年，服务迪卡侬等全球客户 |
| 现有系统（待调研更细化确认） | SAP / MES / WMS / 钉钉 OA / 邮件系统。系统内有数据，但彼此不互通，中间靠人工传递 |
| 今天的状态 | 部分同事自行使用通用 AI 工具，公司层面尚无沉淀 |
| 这次要到的状态 | BOM 校验、报价、业务日报、市场调研四项能力进入岗位日常，人只负责判断与例外处理 |
我们对这家工厂的理解
给这家帐篷工厂装一个永远在线的 AI 大脑
这家帐篷工厂的竞争力，来自代工交付的确定性和多年积累的帐篷工程知识：20 年、7000-8000+ SKU 的经验，主要存在版师、设计师、业务经理个人身上。工厂内部目前还没有可复用的 AI 能力，通用工具的使用也停留在个人层面。
因此这件事的关键不是再加一个工具，而是为工厂建立一个持续在线的 AI 大脑：让 图纸 → BOM → 报价 → 排产 → 交付 这条链算得清、查得到、并随使用不断校准，同时把知识从个人身上转移为公司资产。版师退休后，规则和判断依据仍留在系统里；新人上岗时，也有可参照的历史经验。
节奏与预期
30 天、12 个月、以及未来
30 天后
BOM 校验上线：工艺员提交 BOM 后逐条自动校验，异常标红，人只处理例外；业务日报自动生成，不必再用 2-3 小时翻邮件；询价到报价的时间由 1-3 天压缩到 1 小时内。
12 个月后
排产调度、交期预警、客诉处理进入日常使用，管理看板的数据由系统自动汇总；每次人工修改都会回写，工厂内部开始有人能自行调整规则、搭建小工具。
未来
新订单进入后自动拆分 BOM、触发物料需求，并给出排产建议与报价草稿，人只审关键节点；流程重心从执行既定步骤，转向围绕交付目标做决策。
起点与目标
从人工串联，到系统承担
今天
这 30 天之后
全局视角
放长看，这家工厂这 11 件事都会变样
| 方向 | 变成什么样子 |
|---|---|
| 订单履约效率 | 从接单到交付全链路响应大幅提速，准时交付率可承诺 |
| 质量异常闭环 | 质量问题从发现到根因到纠正全流程自动化 |
| 工程数据准确 | BOM、工艺路线、变更单的版本准确率提升，改动可追溯 |
| 报价精准与成本管控 | 报价误差可控、毛利底线自动守住 |
| 排程效率 | 硬性约束不被违反，插单影响秒级算清 |
| 供应链协同 | 采购、库存、生产计划动态平衡 |
| 设备效率 | 减少非计划停机、提前预测维护 |
| 安全合规 | 安全事故预防、快速响应、整改闭环 |
| 能源效率 | 能耗实时监控、异常预警、持续改善 |
| 人力效能 | 技能精准匹配、排班优化、多能工培养 |
| 经验沉淀 | 知识和经验可检索、可复用，不随人走 |
服务范围
30 天的交付内容
| 模块 | 30 天内交付什么 |
|---|---|
| 业务控制台 | 打通邮件与订单的数据通道，业务经理有各自视图、管理层有全局视图，异常自动推送、日报自动生成 |
| BOM 校验（本次重点，做深到进生产使用） | 六项校验规则上线并进入工艺员日常：材料必填 / 用量比例 / 翻单突变 / 缝线配色 / 规格一致性 / 历史问题复现 |
| 市场调研 | 全球市场数据中心的框架：数据采集、智能分析、区域呈现（本阶段交付可用原型） |
| 底座（含在报价内，不单独收费） | 企业 AI 大脑（帐篷结构知识库、校验规则、统一数据口径）、5-8 条核心数据通道，以及日常 AI 调用算力 |
| 12 个月路线图 | 后续两个阶段做什么、需要哪些人员配合、当前还缺哪些能力，形成一份可执行的路线图 |
本次不包含的内容
- 从 CAD 图纸自动生成 BOM：安排在路线图后续阶段，先把校验做扎实
- 采购生产协同（三地产能分配 / 物料预警 / 质量对标）：路线图第二阶段
- 实时语音同传、会议待办、AI 招聘、谈判参谋：如有需要，另行商定
- 工厂内部系统的接口开放与改造（由工厂 IT 负责）、硬件与算力基础设施、第三方软件许可
今天 vs AI Native · 第一张图
今天的帐篷工厂：一条链，八个节点，七处需要人工衔接
下面是一张订单在工厂实际走过的路径，从市场调研寻找机会开始，一直到交付收款。每两个节点之间标注「✕」的位置，就是流程中断、需要靠邮件、电话和个人记忆补上的环节。
市场调研
依靠展会、行业报告和客户口头反馈人工搜集，没有统一数据源，市场机会主要凭个人经验判断
接单/询价
客户需求进入业务经理邮箱，人工认领并判断能否承接
报价
依靠老师傅经验并翻查历史订单，1-3 天出一版，误差靠经验把控
BOM/工艺
版师手工填写 BOM，耗时半天到 3 天，出错往往由下游发现
排产
计划员凭经验排产，插单影响手工推算，三地靠邮件和电话协调
生产
MES 中有数据但各系统割裂，进度靠人工跟踪
质检/客诉
问题靠人工发现、邮件流转，根因分析依赖回忆
交付/收款
对账与回款靠人工汇总，逾期依靠人工记录
今天 vs AI Native · 第二张图
AI Native 后的帐篷工厂：同一条链，人工接力换成自动流转
节点和顺序都没有变化，变化在节点之间的衔接：原先七处人工接力改为系统自动流转，人只在需要判断的环节介入。
市场调研
持续采集全球市场数据（竞品、区域趋势、客户动态），自动分析并呈现，机会主动推送到相关岗位
接单/询价
邮件与系统中的需求被自动解析、归类、打标，并进入对应流程
报价
基于历史报价库与 BOM 成本，1 小时内给出报价草稿，人确认后发出，误差可控
BOM/工艺
逐条运行六项校验规则，异常标红，工艺员只处理例外
排产
系统给出排产建议，插单影响秒级可算，三地产能集中在一张图上
生产
看板数据自动汇总，异常实时推送，人处理例外
质检/客诉
从发现到根因到纠正全流程自动追踪，问题处理经验可复用
交付/收款
逾期自动预警，对账自动化，管理层可随时查看全貌
本次先解决什么
这 4 个场景，对应同一条链上最突出的 4 个断点
全景图说明这家工厂最终会变成什么样，路线图说明如何分步实现。30 天的 4 个场景是这条路径的起点，它们不是四个独立工具，而是主链上目前影响最大的四处断点。
| 本次场景 | 打在主链哪个环节 | 解决的断点 | 对应长期目标的第一步 |
|---|---|---|---|
| 市场调研 | 调研 → 接单的入口 | 市场信息依赖人工收集，机会发现依赖个人经验 | 订单增长的第一步：先明确去哪里获取订单 |
| 业务日报 | 接单 → 报价的信息底座 | 业务经理每天 2-3 小时翻邮件，业务状态靠人工汇总 | 管理看板的第一步：先让数据自动流动起来 |
| 报价助手 | 报价节点 | 报价依赖老师傅经验，一版需要 1-3 天 | 报价精准与成本管控的第一步：把历史报价沉淀成数据库 |
| BOM 校验 | BOM / 工艺节点 | BOM 缺少规则校验，错误在后端放大为返工 | 工程数据准确与质量闭环的第一步：先统一 BOM 口径 |
为什么先做这 4 个
这四项离现有数据最近、结果最快可验证，并且覆盖工艺、业务、管理三类岗位。30 天内各岗位都能在自己的工作中看到具体变化，而不是先给一个远期规划。
小和大的关系
这 4 个场景跑通后沉淀下来的 BOM 规则库、历史报价库、市场数据和日报口径，正是第二阶段排产、质量闭环、供应链协同的基础。第二步不需要推倒重来，而是在第一步的数据上继续扩展，沿主链逐步展开。
人与 AI 协同
各岗位的现状与目标状态
| 岗位 | 今天 | AI 驱动后 |
|---|---|---|
| 版师 | 图纸判断依赖经验，BOM 手工填写需半天到 3 天 | 图纸自动转为 BOM 草稿，人只审核关键结构 |
| 工艺员 | 全量人工核对 BOM，问题往往由下游发现 | 六项规则自动全量校验，只需处理标红项 |
| 业务经理 | 每天上午 2-3 小时翻邮件，报价依赖记忆 | 业务日报 1 分钟可读，报价草稿 1 小时内产出 |
| 计划员 | 排产依赖经验，插单影响需手工推算 | 获得排产建议，插单影响秒级可算 |
| 质量员 | 问题靠人工发现、邮件流转 | 质量异常自动追踪，处理经验沉淀复用 |
| 厂长 | 数据人工汇总，看到的是滞后报表 | 实时看板与异常推送，只关注例外 |
| 一号位 | 决策依赖层层汇报，信息损耗较大 | 全局实时视图，系统给建议、人做判断 |
AI 原生的一天 · 产品界面
上线之后，各岗位在屏幕上看到的内容
以下五个画面取自已运行的演示环境（demo.mobigarden.coolai.tech），使用的是贵司实际的客户、订单与 BOM 数据（如翼 2 PLUS、Ampex 2P、迪卡侬 PO-0712），对应一天中五个时间点的实际界面。
08:00
业务经理 · 业务中心
画面 1 / 5
昨夜至今晨的业务情况已汇总完成，可直接查看待处理事项
在途订单额
¥2,340万
83 张在途
交期风险
2 起
需今天处理
活跃客户
47
新询价 5
客户健康度
88 分
2 个转弱
过去需要 2-3 小时在邮箱、系统和同事之间来回确认，现在开机即可看到一屏内容：需要跟进的客户、存在风险的订单，以及系统已完成的处理，业务经理只需确认或调整。
09:30
设计师 · 市场调研数据中台
画面 2 / 5
全球市场数据每周自动更新，趋势与机会主动推送至设计团队
接入市场
6
美 / 德 / 英 / 法 / 澳 / 日
品牌入库
3 / 60
另 4 个待复抓
产品抓取
3 / 92
另 4 款待复抓
刷新节奏
每周一 09:00
推钉钉
设计师不必再依赖展会和零散信息判断趋势。哪些市场在增长、哪些卖点走热、竞品如何定价，均由系统每周固定更新，设计师负责决定是否立项。
10:30
工艺员 · BOM 校验
画面 3 / 5
导入 BOM 文件后 2 秒内完成校验，仅标出待确认项
扫描耗时
< 2 秒
原半天~3 天
启用规则
6 / 6
演示规则，可编辑新增
待确认项
5 处
含 1 处变更未闭环
本日处理
12 张
补全 146 条
演示环境内置了六条规则（必填字段、面料织带配色、缝线配色、翻单关键材料、结构层级、变更未闭环）。上线时按贵司规格书重新梳理，并可持续增补；系统全量校验，工艺员只处理标红项。
11:30
业务经理 · 报价助手
画面 4 / 5
效果图 → BOM → 报价：新询价进入后，草稿已生成待确认
报价草稿
1 小时内
原 1-3 天
BOM 生成完成度
85%
11 项待版师确认
历史报价命中
可追溯
引用历史单价
待确认项
5 处
只看标红
报价不再依赖个人记忆：系统从效果图拆解到 BOM，再匹配历史报价与成本，业务经理判断的是这个价格是否发出，而不是价格如何算出。
全局
一号位 · 看全局
画面 5 / 5
面向全局的视图：三地负荷、交付与风险集中呈现，异常附带原因说明与处理选项
中国厂
67%
车缝工满负荷
越南厂
82%
面料缺口
孟加拉厂
94%
接近上限
准时交付率
91%
目标 95%
一号位关注的主要是几件事：订单量、风险项、三地产能是否充足、知识库的积累进度。数据由系统计算，判断由人做出。
一个需求从进入到交付的流转路径：人的角色从中间传递转为关键节点决策。
以上画面为演示环境实际截图（当前为 Excel 导入，尚未对接贵司系统）。上线后规则库、客户与产能数据将替换为工厂真实系统数据。可访问 demo.mobigarden.coolai.tech 自行查看。
转型路线图
帐篷工厂分几步走
| 阶段 | 价值画面 | 聚焦方向 | 明确不做什么 |
|---|---|---|---|
| 第一阶段（本次 · 30 天起） | 多个业务场景在相关部门投入使用，BOM 校验进入日常生产 | 打通数据通道，铺开场景广度 | 不追求单点极致，不深挖长尾需求 |
| 第二阶段（次年） | 排产、供应链交期预警、客诉闭环进入生产使用，管理看板与治理机制建立 | 形成业务闭环，支撑决策 | 不再铺场景数量，不承接主线外的零散需求 |
| 第三阶段（后期） | 新订单自动完成 BOM 拆解、排产与报价的全链路流转，流程重心从执行步骤转向达成目标 | 流程再造，系统主动介入 | 不新增孤立场景，不做定制开发 |
| 第四阶段（毕业） | 工厂自主建设新场景，系统持续自我优化，能力完成移交 | 建立内部能力，实现自主运转 | 不长期驻场代做，不形成依赖 |
报价
一共三笔钱
报价不按功能条数累加，而是按这次能力升级本身的价值确定，因此下面每一项都说明了对应的内容。
诊断体检 ¥3-5 万，1 周
30 天启动包 · ¥50 万
| 项 | 内容 |
|---|---|
| 价格 | ¥50 万（我们内部对这类项目的区间是 40-60 万，本项目取标准价） |
| 周期 | 30 天 |
| 包含什么 | 业务控制台、BOM 校验（本次重点）、市场调研、底座（数据通道 / 企业 AI 大脑 / 日常算力，均已包含），以及 12 个月路线图 |
| 交付物 | 一次现状快速扫描、5-8 条数据通道、一套企业 AI 大脑、四个可投入使用的 AI 助手（1 个做深、3 个铺开），以及一份转型路线图 |
| 为什么是这个价 | 本项目同时涉及报价、研发协同与客户调研三类问题，信息复杂度、决策影响面与跨部门协同人数均处于较高水平，按定价标准对应标准价 ¥50 万 |
持续陪跑订阅
| 买什么 | 具体内容 |
|---|---|
| 日常维护 | 问题修复、小幅优化、平台运维，以及已上线 AI 助手的日常运行 |
| 持续校正 | 校验规则随业务更新、已有场景迭代、每月提供系统运行报告，并将人工修改回写至系统 |
| 新增业务领域 | 例如图纸生成 BOM、采购生产协同等，按新增业务领域计价，不按功能条数计价 |
版师修改 BOM、设计师调整推荐、业务经理标注风险，这些操作都会回写至系统。BOM 校验准确率在验收时达到 ≥95%，并在持续陪跑中稳定保持在这一水平之上；另一项指标 BOM 生成完成度（初稿自动完成的比例）则随知识库积累继续提升。反之，如果验收后不再继续维护，规则会停留在交付当天的状态，3-6 个月后随业务变化，效果会逐步下降。持续陪跑的作用不只是问题修复，而是让这套校准机制持续运转。
第 30 天我们提交《30 天进展报告》与《12 个月路线图》，双方在此基础上共同确定后续安排。
AI 算力
日常调用费用已包含在报价内
- 日常 AI 调用费用已打包在报价与订阅中，工厂只需处理一张账单，无需按用量单独结算
- 如出现超出日常量级的大规模批处理，按成本价结算，费用明细公开
- 工厂也可自行采购算力，此情况下底座订阅费用减少 15-20%，AI 能力范围不变
交付物与时间
30 天，每周一个明确节点
W1
完成帐篷结构知识建模
调取历史 BOM 数据、建立帐篷结构知识库、确认 SAP 接口
W2
校验引擎上线
BOM 六项校验规则引擎跑通，工艺员开始试用
W3
广度铺开
报价助手、业务日报与市场调研框架并行上线
W4
全链验收
BOM 校验在工艺岗日常使用率达 100%，输出改善前后对比报告，签署路线图并确认后续陪跑安排
效果对比
同一件事，在系统支撑前后的差别
这里不做收益测算，只对比同一件事在当前做法与系统支撑后的差别，以下各项均可在 30 天内直接验证。
| 同一件事 | 今天怎么做 | 大脑驱动后怎么做 |
|---|---|---|
| 图纸 → BOM | 工艺员全量人工核对，半天到 3 天 | 系统逐条完成全量校验，人只审核例外，单笔处理时间为分钟级 |
| 询价 → 报价 | 来回确认 1-3 天 | 1 小时内给出报价区间（含人工确认） |
| 早上看客户状态 | 业务经理查阅邮件与群消息 2-3 小时 | 1 分钟查看业务日报，风险项已按优先级排列 |
| 看市场/竞品 | 设计师零散搜集信息，依靠个人经验判断 | 数据集中在同一界面，可基于趋势确定款式 |
过程中共同关注的指标
更长期的变化
验收标准
每一项都有基线、目标、验收人、验收方法
| 验收项 | 现状基线 | 本期目标 | 谁来验收 | 怎么验 |
|---|---|---|---|---|
| BOM 校验准确率 | 人工全量核对，暂无基线 | ≥95% | 客户技术负责人 + 工艺专家 | 抽样 100 条真实 BOM，系统结果与人工判定逐条比对 |
| 报价时效 | 1-3 天 | ≤1 小时（含人确认） | 客户业务负责人 | 10 单真实询价计时测试 |
| 业务日报 | 业务经理人工处理 2-3 小时 | ≤3 分钟自动生成 | 业务经理 | 上线后连续 5 个工作日验证 |
| 异常预警推送 | 无自动推送 | ≤3 分钟 | 厂长 / 业务经理 | 模拟异常事件计时测试 |
| 核心场景进生产率 | 0 | 目标岗位日常使用率 100% | 工厂项目负责人 | 系统使用日志统计 |
| 改善前后对比 | 现状记录留存 | 报告呈现全链改善 | 双方联合 | W4 联合验收会，双方签字确认 |
零锁定
数据归工厂所有，随时可导出
归工厂（客户资产）
归酷爱
我们不做的事
- 不替换 SAP / MES / WMS / 钉钉：AI 大脑运行在现有系统之上，不改动既有基础
- 不改客户内部系统 API（由客户 IT 负责，我们提供接口清单与联调支持）
- 不要求购买任何第三方软件许可、不绑定算力供应商（可选自建算力）
- 数据可随时全量导出（数据、知识、规则），不做锁定；移交后年度维护为可选项，不强制续约
为什么是酷爱
我们提供的是企业级 AI 能力，而非单一工具
建设企业 AI 大脑
交付的是企业 AI 大脑，包含统一的知识库、规则与各方认可的数据口径，而不是若干互不连通的 AI 工具
30 天看得见
先把一个核心场景做深并跑通，再讨论扩展范围，30 天内即有可验证的结果
经验资产化
把个人经验转化为公司资产，人员流动不影响知识留存，且随使用持续积累
主权归客户
数据可导出、不做锁定、支持完整移交，不以依赖关系维系合作
制造业深耕
酷爱长期服务制造业客户，方法论经过多行业验证，熟悉工厂的实际运转方式
下一步动作
分工与时间安排
| 动作 | 谁 | 时间 |
|---|---|---|
| 方案与报价确认 | 工厂管理层 | 本周内 |
| 指定项目负责人与专家名单 | 工厂 | 签约前 |
| 启动会 + 数据源盘点 | 双方 | 签约后 3 天内 |
| W1 数据通道打通 | 酷爱 + 客户 IT | 第 1 周 |
| 每周联合周会 | 双方 | 每周固定 |
| W4 验收 + 路线图签署 | 双方 | 第 30 天 |