非标制造报价，AI 先读懂图纸再回到企业自己的成本规则
非标产品报价不是一个识图功能，而是从图纸解析、需求拆解、工艺匹配到成本核算的完整业务链路。
文章目录
一家约两三百人的柔性制造企业，营业规模在一二十亿元左右，订单多品种、小批量，很多客户需求都从一张非标准图纸开始。企业需要判断材料、尺寸、结构、性能、工艺、成本和最终报价。
过去，业务人员、技术人员或老师傅打开 PDF、CAD 或扫描件，依靠经验理解需求，再查询物料、供应商和历史价格。报价看似是一个数字，实际是一条从图纸解析到研发协同、生产方案和成本核算的链路。
这个案例的落地边界很关键：AI 先把非结构化图纸信息抽取并结构化，再和企业自己的物料、供应商、历史报价和规则匹配，最终每单经过人工校准。模型不能凭通用知识直接报一个看起来合理的价格。
落地场景：让报价能力不再被少数老师傅卡住#
非标制造没有固定 SKU 和价格。客户发来的可能是 PDF、CAD 或其他资料，企业要把客户语言转换成内部可生产的语言，再判断物料、工艺和成本。
这个环节同时影响三件事：技术骨干是否被大量售前工作占满；报价报高或报低会不会影响订单和利润；客户询价能否在等待时间内得到响应。
因此，场景不是单独“识别图纸”，而是把稀缺技术人员从信息理解、整理和反复核对中释放出来，让他们把精力放回工艺判断、客户沟通和订单承接。
落地难点：图纸看懂只是第一关#
不同格式的输入必须先变成结构化数据#
PDF、CAD、扫描件、手写标注和特殊符号的质量不同。只有把材料、尺寸、结构要求等内容变成结构化信息，后面的物料匹配、工艺判断和成本核算才有入口。
企业报价逻辑写在老师傅脑中#
一个材料对应哪个供应商、某种工艺大概需要多少成本、什么时候给客户留余量，往往没有被标准化记录。通用模型即使看懂图纸，也不知道这家企业为什么这样报价。
识别错误会直接影响对外价格#
尺寸抽错、单位理解错误或结构漏识别，都可能让成本估算偏离。干净样例上的识别效果不能直接代表真实报价场景，人工校准必须成为闭环。
组织会担心效率提升带来岗位变化#
原本需要 3–5 个人参与的工作如果改成 1–2 个人，员工的第一反应可能是担心岗位和职责，而不是接受新系统。生产力释放之后怎么安排，必须在立项时由企业一号位明确方向。
如何落地：从图纸入口到数据飞轮#
第一步，先还原真实业务流和数据流#
FDE 进入车间，查看订单从图纸到交付经过哪些环节，翻历史报价单，和业务人员、老师傅分别确认谁看图纸、谁拆需求、谁定物料、谁判工艺、谁核成本、谁报价以及如何交接。
第二步，先让多模态能力解决输入结构化#
系统提取图纸中的材料、尺寸、结构和其他关键要求，但输出必须进入结构化字段，而不是停留在一段自然语言描述。
第三步，用企业自己的规则和数据完成匹配#
结构化需求与企业物料库、供应商体系、历史数据和报价规则匹配，再通过垂类 Agent 串联这些环节。模型不直接凭自己的知识报价格。
第四步，用人工校准建立数据飞轮#
每单先由系统生成，业务人员只校准模型把握不足的字段和结果，修正内容再回填数据、向量库或相关模型。形成“AI 生成 → 人工校准 → 数据回填 → 下一次更好”的循环。
第五步，关键人试用，再逐步推广#
先让最懂业务的人拿真实订单试，再让一个业务小组试运行。项目围绕真实订单验证约 1–2 个月，等结果基本可用后，再进行部署、数据集成、启动会和全员培训。
落地成果：相关工作量减少 50% 以上，人回到更高价值环节#
项目上线前两个月处于磨合和微调。当前案例评估显示，相关工作量至少减少 50% 以上；原来一套工作可能需要 3–5 人参与，AI 接管部分重复劳动后，实际投入人力明显减少。
企业没有简单裁掉剩余人员，而是调整工作安排和 KPI，让释放出来的时间用于联系客户、谈项目和承接更多订单。识图、报价结果和运营价值仍然需要持续看，50% 以上是案例阶段性评估，不是所有制造企业的通用结果。
| 变化前 | 落地后的变化 |
|---|---|
| 业务和老师傅人工理解多格式图纸 | 多模态能力先抽取并结构化需求 |
| 报价依赖个人经验与零散查询 | 与企业物料、供应商、历史数据和规则匹配 |
| 每次错误都重新人工处理 | 人工校准结果回填，形成数据飞轮 |
| 3–5 人大量时间耗在重复整理 | 相关工作量阶段性减少 50% 以上，人员转向客户与业务增长 |
非标制造 AI 的交付物不是一个会识图的模型，而是一条能被企业采用的报价流程。图纸解析解决入口，企业规则解决可信度，人工校准解决风险，组织调整解决持续使用。
这个案例给 FDE 的四个提醒#
第一，选择 AI 场景要看知识密集、历史数据和明确瓶颈是否同时存在。
第二，不要把识图功能当成全部价值，必须跟到物料、工艺、成本和报价的端到端链路。
第三，数据清洗、结构化和老师傅经验复盘本身就是项目，不是等客户准备好之后才开始的前置条件。
第四，生产力释放会影响岗位、KPI 和组织结构，AI 转型需要一号位推动，不能只靠乙方 FDE 解决。
来源与边界#
- 原始资料：Datawhale《FDE案例100.pdf》，案例十七“从图纸识别到智能报价：FDE推动非标制造业售前流程升级”，案例访谈正文位于 PDF 第 170–180 页。
- 案例事实：客户约两三百人，营业规模一二十亿元；多品种、小批量非标制造；输入包含 PDF、CAD 等图纸；项目采用多模态抽取、企业物料和供应商匹配、人工校准、数据回填；试运行约 1–2 个月；相关工作量阶段性减少 50% 以上。
- 结果边界：50% 以上是案例阶段性评估，资料没有给出统一样本、报价准确率或长期利润数据；工作量减少不等于直接裁员。
- 产品化解读：关于“识图只是入口”、企业规则和数据飞轮的总结，是基于案例事实的产品化分析。