—— AI Work Partner 系列 · 场景四：跨机构资产调拨

买车的账好算，调车的账难算

一辆叉车的成本，在签合同那天就清清楚楚：车价、电池、充电机、上牌、保险，每一项都能算出数。但另一笔账很少有人算得清——一台车买回来，究竟有多少时间真正在干活。

车队规模小的时候，这件事靠眼睛就能看出来。车多了、机构多了，就会变成另一种情形：有的机构常年满负荷，车不够用，催着要新增；有的机构车停在场地角落，一个星期没动几次。两边都在报需求，总部两边都不敢不听，于是最常见的做法，是两边各批一点。

真正决定调配效率的信息，其实是分散的：车辆归属在哪个机构、这台车近一个月开机多久、作业多少小时、最后一次干活是哪天。这些数据分别留在各家机构的台账、监控平台的报表和调度员的记忆里。它的影响体现在两个层面。
全局层面，各机构统计利用率的口径并不一致——有的按开机时长算，有的按派单量算，有的干脆凭感觉估一个数。口径不同，数字就无法放在一起比较，跨机构调度只能回到经验与协调。
单车层面，台账上只能看到“在册”与“在用”，看不到“空转”。一台车是没活干，还是坏了没人修，还是司机不会用，在报表上是同一个状态：闲置。

三个后果依次发生：闲置看不见——车在空转，报表上没有这一项；调配没依据——调谁、调几台、调去哪，靠经验和人情，调错了两头都受影响；加购成默认——存量算不清，需求一涨就先报新增，报多少全凭估算。

爱动超越的 ServiceAgent 切入的正是这一环节。在现有车联网数据之上做一次 AI 升级：把散在各机构、各张表里的运行数据，放到同一把尺子下比较，再把比较的结果收敛成一句能执行的建议——哪几台可以调，为什么调，调到哪去。

场景四：跨机构效率对比与调配建议

把这件事拆开看，管理者要的其实只有三样东西：闲置看得见、调配有依据、新增报得准。ServiceAgent 对应给出三步。

其一，闲置看得见。不用导表、不用算，直接问一句，AI 把在空转的车点名到车号。口径由系统统一：同一指标定义、同一时间窗口、按机构归集，跨机构才谈得上比较。

其二，调配有依据。不只给利用率，还给归因：是没有作业需求，是设备状态异常，还是操作与班次没用对。同样叫“闲置”，处理方式完全不同——前两种应该调走，后一种调走等于把问题搬到另一个机构。

其三，新增报得准。先把存量盘清，再谈加购。哪几台真能调、哪几台要先修，心里有数之后，报上去的需求才接近真实——买得对，比买得多更要紧。

▲ 示意：同一时间窗口、同一指标定义，差距才具备可比性

一个真实的提问通常长这样：“A、B 两个机构效率各多少？哪些车可以调配？”ServiceAgent 的回答不是一张需要人再加工的明细表，而是一个带排序的结论：

① 对比：A 机构的车长期接近满负荷，B 机构明显偏闲，差距一眼看得出来。

② 清单：B 机构名下有一批车长期完全空置，两个场区都有分布，优先向高需求机构调配。

③ 下钻：其中一台 A001 车型的车，开机时长不短、作业记录却几乎为零，先排查设备或操作习惯。

第三条尤其关键。开机时长不短、作业却几乎为零，说明这台车并非没人管，而是“上了电却没用起来”。把它归进可调配清单，只是把闲置从一个场地挪到另一个场地；正确答案是先去现场看一眼。

▲ 一台车的运行数据，怎样变成一次调配决定

一次完整的闭环

以某集团两个库区机构为例。角色是运营负责人，时间是季度资产盘点前。

第一步，用业务语言提问，先把口径定下来。

“两个机构效率各多少，哪些车可以调？” Agent 先交代统计边界：统计窗口取近一个月、利用率按作业时长与可用时长之比、按机构归集、排除停用与报废车辆。口径写在回答的第一行，后面所有结论才有依据。

第二步，对比出差距，并给出方向判断。

一边接近满负荷、一边明显偏闲，差距摆在一起，结论不是“B 机构管理不好”，而是“B 机构有可输出的运力，A 机构有可承接的空间”。一句话把两家机构从互相争资源，变成同一张调度表上的两端。

第三步，清单点名到车，给出可调拨范围。

长期空置的车辆按场区拆分，两个场区各有分布；每台标注车型、吨位、最后一次作业时间与闲置天数。清单可下钻、可导出，直接作为调配会议的材料，不需要谁再去各系统里捞一遍数据。

第四步，逐台辨因，把“不能调的”剔出去。

对清单里开机却不作业的车辆再查一层：其中一台 A001 车型的车，开机时长不短、作业记录接近零，指向设备状态或操作习惯；同类车里还有几台存在动力或液压相关报警。这几台先转维修与培训流程，不进入调配批次。这批车里真正能调的，往往比清单上的数量少——这一步决定的正是调配的成功率。

第五步，形成调配建议，执行后回填。

Agent 输出建议批次：调出机构、调入机构、车号、建议时间与运输方式，并附预期效果——整体利用率的变化方向、对新增购置的实际影响、可释放的场地面积。决定权仍在人：调多少、什么时候调，由运营与调度确认。车辆转移完成后，归属与运行数据一并更新，下一轮对比自动反映结果，闭环才算成立。

需要说明的是，ServiceAgent 给出的是对比结果、闲置清单与调配建议，是否调拨、调多少台、何时执行，仍由运营与调度确认。跨机构数据的可见范围按组织权限配置，各机构只看得到自己被授权的部分。

你的车队里，有几台车在“假装上班”？

手机扫一扫，问一句“哪些车可以调”，看 ServiceAgent 当场给出跨机构对比、闲置清单和调配建议。

四个场景，到这里收尾

资产调拨，是 ServiceAgent 四个应用场景中的最后一个。从司机端的一次报修，到管理者的一张健康报表，再到售后的一张工单，直至此刻跨机构的一次调配——一条从单车到车队、再到资产的链路，已经走完。

ServiceAgent 场景系列

① 车辆故障 —— 车坏了，它先知道，还会安排好一切

② 车辆健康及效率 —— 该保养的先开口，跑得差的也看得出来

③ 售后运维 —— 早报先看全局，工单旁即见车况与备件

④ 资产调拨 —— 车怎么调、调去哪，它帮你算明白（本篇）

从单车到车队，再到跨机构——让数据主动给出调度依据。如果你也在为“车不够用”和“车没用起来”同时发生而困惑，欢迎从一次提问开始试试。

ServiceAgent · AI Work Partner ｜ 工业车辆 AI 智管数字化平台

爱动超越人工智能科技(北京)有限责任公司是专注于为工业互联网领域提供基于人工智能的资产管理解决方案的科技企业，系国家高新技术企业、中关村高新技术企业、中关村金种子企业、中关村瞪羚企业、北京市“专精特新”中小企业。拥有AIoT、边缘计算、云计算、工业智能和大数据等技术储备，为工业领域用户提供最具竞争力的产品和解决方案，牵头和参与了4项工业设备上云相关国家和行业标准制定。

2020年爱动入选第十批清华科技园“钻石计划企业”，“重点工业设备上云解决方案应用推广公共服务平台”中标工信部工业互联网创新发展工程重大专项。其拥有自主知识产权的“基于人工智能的工业车辆互联网平台”入选2020工信部“支撑疫情防控和复工复产的工业互联网平台解决方案”，“2019年制造业与互联网融合发展试点示范项目”等，并获得北京市科信局科技计划项目、人社局优秀创业项目支持，拥有超过20多个行业700余家头部客户，累计接入设备近100000台，形成行业标杆效应。未来，爱动将继续深耕智能制造产业，聚焦更多数字经济应用场景的技术研发，不断扩充业务经营领域，持续助力“新基建”高质量发展。