人类专家与数字专家，如何在同一条生产责任链上协作？

先说结论：协作的单位应该是任务，不是岗位

讨论数字专家时，最容易出现的问题是把它画成一个完整的虚拟员工：持续监控、判断原因、决定处置并推动执行。

这样的叙事简单，但在制造组织中会立刻遇到权限、责任和安全问题。

更可行的做法，是把一个岗位中的工作拆成不同任务：

• 哪些工作是重复、可说明、可验证的；
• 哪些工作需要现场经验和跨目标权衡；
• 哪些决定必须由授权岗位承担；
• 哪些动作只能由确定性业务系统执行；
• 哪些结果需要回到知识治理流程。

数字专家适合持续汇集事实、检查必需证据、准备候选路径和记录结果。人类专家负责情境判断、处理例外、确认业务决定并承担责任。系统负责权限、流程、审计和安全失败。

用一次质量风险看清八步协作

假设一个待出货批次的关键质量指标尚未越线，但过程趋势已经进入风险窗口。一个可信的人机协同流程可以这样展开。

一、系统建立事实入口

现有业务或监测系统记录事件时间、对象身份和适用规则。此时只说明“需要复核”，不提前宣布根因。

风险进入制造任务空间时，应自动带入批次、工单、时间窗和证据索引，避免人员重新转发截图、口述背景。

二、按责任组织参与者

系统根据班次、职责和权限邀请当班负责人、工艺工程师与质量负责人，同时调用本任务需要的数字专家资产。

这不是把所有机器人拉进一个群，而是让正确的能力在正确的制造任务中出现。无关岗位和专家不应默认看到全部数据。

三、数字专家并行准备专业判断

质量专家圈定可能受影响的批次和时间窗；工艺专家检查过程约束；计划专家评估隔离或复检对交付的影响。

每个数字专家交付结构化工作结果，而不只是轮流发表一段自然语言意见。

四、人类补充现场事实

现场人员可能观察到原料状态、设备声音、仪表外观或临时操作变化。这些信息往往无法完全由现有系统采集。

人员记录应带有身份与时间，并与传感器事实分开保存。它是证据的一部分，但不能反向改写原始数据。

五、公开专业分歧

工艺专家可能建议在批准窗口内温和纠偏，质量专家可能要求隔离一个质量滞后窗口，计划专家则提示交付影响。

真实制造决策经常存在目标冲突。可信系统应公开这些分歧、共同约束和数据缺口，而不是让模型把它们压成一个看似完美的答案。

六、形成联合决策包

系统把专业意见整理为可比较的候选方案，分别说明质量、产量、交期、前置条件、失效条件和回退路径。

数字专家的价值不是替人宣布“最佳方案”，而是让负责人能够在同一组事实和清晰权衡上作出决定。

七、人类批准，系统受控分派

质量处置、计划调整或复检由有权限岗位批准。系统通过正式动作接口创建任务、记录责任人和 SLA。

涉及 DCS 操作的建议只发送给有权限岗位确认。数字专家不能因为生成了建议，就直接写数据库、修改设定值或绕过 SIS。

八、结果回写并进入复盘

后续检验、实际处置和业务结果与原任务关联。知识责任人再决定这次经验是否值得进入评测和知识更新候选。

协同不应在群里出现“已处理”三个字时结束，而应在结果被验证、责任被关闭时结束。

三类角色分别负责什么

数字专家负责准备判断

它持续观察经批准的数据、组织上下文、匹配规则、声明缺口并形成候选建议。

它的工作成果应该可核查，例如证据包、影响范围、候选方案、数据缺口和任务草稿，而不只是聊天内容。

人类专家负责作出判断

人需要处理目标冲突、异常工况、隐性现场信息和责任性决定。人也应有权质疑模型、要求补证、修改方案或拒绝建议，而不是只能在“确认”按钮上签字。

确定性系统负责守住边界

身份、权限、状态机、幂等、审批、审计和失败回退由业务系统执行。DCS、PLC 与 SIS 继续承担既定控制和安全职责；通用数字专家默认不直接改变控制逻辑或安全状态。

三类角色缺一不可：

• 只有人而没有数字支持，知识难以持续复制；
• 只有 AI 而没有责任人，建议无法进入可信业务链；
• 只有流程系统而没有解释能力，人员仍需花大量时间拼接上下文。

协同入口不是智能与责任的唯一载体

钉钉、企业微信、飞书或 Teams 等协同平台，可以成为人类与数字专家共同工作的入口。人员可以在熟悉的地方接收提醒、补充现场信息、要求解释和进行审批。

但工业智能不能只存在于群聊窗口。生产对象、证据、规则、权限、动作状态和审计记录应由底层系统承载。协同平台负责连接人，不替代 MES、LIMS、DCS 或治理底座。

否则，更换一个聊天工具就会带走业务上下文和责任记录，数字专家也会退化成另一个会说话的机器人。

分歧、故障与例外必须被设计进去

真实协作不会总是“AI 建议—人点击同意”。

当人员驳回建议时，系统应保存原因，但不能把每次驳回都自动当成模型错误。可能是现场存在未数字化的信息，也可能是人员判断本身需要进一步复核。

当不同专家意见不一致时，应启动既有责任和升级机制，而不是让模型投票决定。

当模型不可用、响应超时或证据不足时，业务流程必须能够回到人工路径。AI 原生不意味着基本业务依赖模型才能继续运行。

当某项建议可能触及控制或安全边界时，应停止在建议层，转入既有控制工程、变更审批和安全验证流程。

如何评价人机协同是否有效

早期不必急于承诺产量、质量或人员效率收益。可以先评价协作链是否健康：

• 建议是否关联可追踪证据；
• 事实、推断和决定是否被清楚区分；
• 待复核事项是否有明确责任人；
• 驳回与修改原因是否被记录；
• 未经授权的动作是否被系统拒绝；
• 模型不可用时是否能够安全回退；
• 最终结果是否回到原案例；
• 知识更新是否经过评测与版本审批。

这些指标不能直接证明业务收益，却能证明数字专家是否具备进入生产责任链的基本条件。

适用边界：不是所有任务都需要 AI

低频、非结构化或责任高度集中的任务，可能继续由人直接处理更合适。

数字专家也不会替代现场经验、质量责任、控制工程或安全岗位。它的价值是把可以标准化的准备工作持续做好，让人类专家在同一组事实和清晰边界上作出决定。

因此，数字专家作为“劳动力”发挥价值，不是因为它像人，而是因为它能够稳定承担明确工作项、交付可核查成果，并在人的责任体系内持续运行。