达索系统LEO 虚拟AI 助手如何重塑数字化工艺工程

LEO 并非简易对话窗口，它可直接读取 3DEXPERIENCE 平台内的设计与工艺上下文，自动完成工程物料清单（EBOM）至制造物料清单（MBOM）的复杂转换。通过消除重复性人工规划工作，制造工程效率提升 50%，产品工业化周期缩短 25%。

我听过无数面向制造工程师的软件推介，结局大多是工程师礼貌点头，之后搁置不用。工程师日常工作繁重，同时对各类工具持审慎态度，他们坚守自有工作方式自有道理。但今天我想清晰说明，LEO 值得各位投入精力了解，以下数据均来自真实落地案例，不含新品发布营销渲染。

LEO 是达索系统内置在3DEXPERIENCE 3D 体验平台中的 AI 虚拟助手之一。它与外挂式聊天机器人有本质区别：深度读取平台内已有的设计、工艺与全量数据，并基于上下文自动执行操作，而非仅做信息描述。它贯通设计、制造、仿真全领域，同一套助手既可辅助零件方案推演，也能定义零件加工方式，还能在实际开料前完成虚拟验证。工厂大量成本损耗、业务断档问题，恰恰隐藏在设计到实物制造的衔接环节，而 LEO 可打通这一全链路。

制造企业为什么借助 AI 沉淀隐性经验知识

企业绝大多数制造实操经验没有形成书面文档，只留存于少数资深工程师、一线操作人员脑中。新人上岗都要跟随这些老师傅学习，只有他们清楚 3 号线工装夹具的微调技巧。如今这批经验丰富的从业者正在逐步退休：美国近四分之一制造业从业人员年龄达到 55 岁及以上，资深工程师离职时，最多 70% 无书面记录的实操经验会随之流失。填补这类经验缺口周期漫长，新人需要 6 至 9 个月才能达到满负荷产出；依赖经验识别的岗位，上手周期最长可达 18 个月。

工艺定义工作至今仍大量依靠人工操作：工程师研读图纸、规划工序与流程、选配生产资源、编写作业指导书，同时对照无成文的工厂规范逐项核对。即便去年存在高度相似的工艺方案，本次依旧要从零梳理，最终拉长产品交付周期、造成工艺质量参差不齐，企业一旦流失一名资深人员，甚至会出现产品制造工艺断层。

LEO 虚拟助手核心效率指标与投资回报数据

抛开营销话术，LEO 核心落地价值分为三点：自动检索工程师需要花费大量时间查找的制造约束、依赖关系；承接以往需要占用一下午的 MBOM 编制、工艺规划、作业指导书重复性工作；基于设计文件与沉淀的实操经验自动生成全新 MBOM、工艺路线与作业文件。

面向生产负责人的真实落地量化指标：

• 制造工程效率提升 50%

• 产品工业化周期缩短 25%

• 不良质量成本降低 50%

• 等效增加 1 名全职工程师的产能

以往需要两个半小时完成的任务：查阅海量文档、手动重建 MBOM、解读行业标准、逐条更新作业指导书，如今仅需十分钟，工程师只需向 LEO 下达指令，无需手动重构整套数据。

这并非单纯替代人力的自动化工具，更像是为每位工程师配备一名博览全厂工艺、过目不忘的资深助理。最终决策依旧由资深工程师把控，LEO 仅省去决策前后数小时的资料检索、重复录入工作。

LEO 如何自动化完成 EBOM 转 MBOM 复杂转换流程

想要直观看到虚拟助手的核心价值，就要看制造物料清单（MBOM）。工程物料清单（EBOM）定义产品设计结构，制造物料清单（MBOM）定义产品实际装配顺序、配套生产资源与设计未提及的加工步骤。EBOM 转换为 MBOM 绝非简单复制粘贴，整套转换流程难度极高。

调研 173 家离散制造企业数据显示，EBOM 转 MBOM 过程中平均需要重新调整 76% 零部件结构，新增约 195 项专属制造物料；该流程平均占用新品导入（NPI）12%~18% 资源，汽车行业占比近 24%，航空航天行业高达 26%。且投产首年 MB 平均需经历 8 次以上变更迭代。

LEO 分三步完成 MBOM 全流程处理：

依据设计文件与沉淀的实操经验自动生成 MBOM 初稿，完全匹配本厂装配组织逻辑，原本需要数天的结构整理工作，仅需人工微调初稿；

自动比对设计状态与实物制造状态，持续校验并标记不匹配项、重复件、单位冲突，近 75% 质量问题根源均可提前识别，将定期集中整改转为后台实时校验；

变更全链路管控，追踪工程变更波及的装配体、工序、作业指导书，按生效范围同步更新，全程完整留存追溯记录。

整套流程不会替代工程师，只是剥离 MBOM 编制中无技术含量的重复劳动。

AI 驱动的工艺工程对新能源车、航空制造为何至关重要

产品结构复杂、配置变体繁多、试错成本高昂的行业，LEO 价值最为突出。新能源车企业新品导入中，EBOM 转 MBOM 工作占用近四分之一资源；整车物料清单围绕电池、软件定义系统重构，车型变体持续增加，迭代周期大幅压缩，人工编制工艺已难以支撑。若电池模组在开发中途改版，变更信息必须在数天内同步至产线。现代汽车厂商现代已与我们基于该平台合作，完成优化电池包、轻量化车架开发。

航空航天与国防行业则呈现另一种痛点：小批量、超高复杂度、海量配置，且合规认证、产品寿命管控带来严苛追溯要求，该行业 EBOM 转 MBOM 成本居各行业首位，约占用新品导入 26% 资源；调研显示 41% 航空企业已试点生成式 AI 三维建模。该行业使用 LEO，速度并非核心收益，一致性与可追溯凭证才是关键：沉淀仅掌握在少数资深人员手中的配置经验，精准追踪每一处变更，装配顺序在仿真环境完成验证后再开展实物紧固件装配。在虚拟环境验证通过的工艺，可直接向客户、审核机构提供合规依据。

落地制造 AI 所需的数据基础与系统架构

这套 AI 工具并非开箱即用。虚拟助手能力完全依托底层数据与沉淀的实操经验。如果企业工艺历史分散在互不连通的表格中，LEO 虽可提供辅助，但首要工作是将全部数据归集至 3DEXPERIENCE 平台。文中效率指标均为真实落地结果，但会受企业数据基础影响；工程师依旧掌握最终决策权，工具核心价值并非取代人工判断，而是剔除消耗资深工程师精力的冗余工作。

依托 DELMIA 价值发现方案规模化生成式工艺规划

前文所述均为 LEO 单点辅助各项工作，这只是落地起点，而非最终目标。终极形态是生成式工艺规划：工程师仅描述设计需求与工厂产能约束，系统自动输出完整工艺路线、装配工序、生产资源、MBOM 与作业指导书，工程师从文档编写者转为方案审核者。

若你希望在自有产品上验证价值，而非观看通用演示案例，DELMIA 价值发现方案正是为此设计：在企业自有虚拟孪生环境内部署 LEO 工艺工程模块，基于自家产品测算落地收益。如有合作意向，我们将共同规划落地路径、梳理优先试点场景、完善底层数据、同步量化落地价值。

每多等待一个季度，工厂沉淀的核心实操经验就多一分流失，且无法复原。