赛美特-国产半导体CIM领军者，软件成就智造

从万亿Token到真实生产力：赛美特AI，更关注“执行”

26-08-2112:00:00

从一天消耗23.6亿Token，到累计使用量突破1千亿，再到如今累计突破1万亿Token，赛美特的AI应用再次迈过新的阶段性节点。

对于一家持续推进AI实践的工业软件企业而言，1万亿Token的意义，并不仅仅在于模型调用规模再次增长。随着大模型、知识检索、工具调用和AI Agent等能力不断发展，企业使用AI的方式正在发生变化：AI正在从生成内容、辅助工作，进一步向理解任务、连接知识和协同完成具体工作延伸。

因此，比“用了多少Token”我们更关注：当AI消耗的Token不断增长，它们最终进入了哪些场景，又支撑AI完成了哪些工作？

从“回答问题”到“完成任务，万亿Token背后的AI变化

过去两年，生成式AI快速进入企业，早期更多以智能助手的形式服务于日常工作。代码生成、文档整理、信息分析和内容创作等场景，让AI逐步成为提升个人效率的重要工具，其基本逻辑仍然是“人提出问题，AI生成答案”。

随着大模型能力、知识检索、工具调用和AI Agent等技术不断发展，企业AI的应用正在进一步深入。真实业务中的大量工作往往并不是一次问答就能完成，一项任务可能涉及需求理解、知识查询、数据分析、业务判断以及后续工具或系统调用。与传统Chat模式相比，Agent能够围绕明确的任务目标，通过多轮模型调用、知识检索和工具协同完成更复杂的工作过程，企业AI也由此逐步从“回答问题”向“参与完成任务”延伸。

这一变化同样体现在赛美特的AI实践中。从2026年5月单日消耗23.6亿Token，到月度累计使用量突破1000亿，再到如今突破1万亿Token，AI已经广泛应用于赛美特研发、交付、销售、咨询、市场、运营等日常工作场景。从代码辅助、知识检索，到文档处理、信息分析和工作协同，AI正在成为企业工作环境中的基础能力。

而随着应用规模不断扩大，赛美特关注的问题也在发生变化。相比“有多少人在使用AI”或“消耗了多少Token”，更重要的是如何将AI能力进一步沉淀，并与企业知识、业务流程和工业软件系统相结合，让AI从完成一次问答，逐步具备理解任务、分析上下文和协同调用相关能力的可能。

这对于工业软件企业尤为重要。与通用办公场景不同，工业软件面对的是高度专业化、规则化的业务环境。以半导体制造为例，生产执行、设备自动化、质量控制和异常处理等业务，往往涉及复杂的专业知识、业务规则和系统逻辑。一个具体问题的处理，不仅依赖通用知识，还需要结合当前生产状态、业务对象、企业规范以及系统数据进行综合判断。

因此，通用大模型要真正进入工业场景，仅具备语言理解和内容生成能力并不足够。AI还需要进一步理解企业知识、业务规则和具体任务所处的上下文，并探索与现有工业软件能力的连接。这也成为赛美特在累计Token突破1万亿之后，进一步关注“执行”的重要原因。

从工业软件AI化到Agent，赛美特的AI能力布局

对于赛美特而言，AI的探索并非建立在单一产品或单一场景之上，而是依托长期工业软件实践，逐步形成了工业软件AI化、企业知识智能化与AI Agent业务化等不同方向的探索。

在工业软件层面，赛美特长期服务于生产执行、设备自动化、过程控制、良率管理和流程自动化等制造场景，并在实际应用中积累了大量业务规则、行业知识和工业数据。随着AI技术的发展，赛美特也正在推动AI能力进一步融入不同工业软件系统，让AI不再只停留在软件之外提供问答和建议，而是进入具体业务场景，参与数据分析、异常识别、质量判断和流程处理。

例如，在SPC过程统计过程中，AI可以进一步参与生产过程数据分析，提升异常识别和质量分析的智能化水平；在YMS良率管理场景中，围绕复杂制造数据和分析需求，AI正在探索提升良率分析与问题定位的效率；在FDC缺陷检测环境中，AI也可以结合设备运行数据和业务信息，辅助识别异常并提升问题分析效率。与此同时，RPA的流程自动化能力，则通过AI与自动化技术的结合，进一步探索任务识别与业务流程自动化之间的协同

这意味着，赛美特对于AI与工业软件的融合，并不是简单地“给每个系统增加一个AI入口”，而是根据不同产品的业务特点，探索AI能够在哪些环节真正发挥作用。对于过程控制系统，重点可能是数据理解与异常分析；对于良率管理系统，重点可能是复杂数据的关联分析与问题定位；对于流程自动化场景，则进一步探索AI如何理解任务并推动流程执行。AI能力正在随着不同工业软件的业务属性，进入不同的制造环节。

与此同时，工业软件之外，企业知识同样是AI进入业务的重要基础。工业企业内部沉淀着大量业务文档、操作规范、项目经验、系统说明和历史案例，这些高度专业化的知识往往分散在不同系统和文档之中。如果AI无法获得准确、可靠的企业知识，就难以真正理解企业正在发生什么，更难进入具体业务场景。

围绕这一需求，赛美特通过PlantU KMS知识库管理系统，将企业专业知识、业务文档、系统说明和项目经验等内容进行沉淀、管理与连接，并结合RAG等技术能力，提升企业知识的检索、理解与应用效率，为AI理解企业业务提供更加可靠的知识基础。对于复杂制造场景而言，这不仅是一个知识管理问题，更是AI能否获得专业业务上下文的重要前提。

在此基础上，赛美特还在进一步探索AI Agent与具体业务场景的结合。与传统工业软件自身的AI能力不同，AI Agent更关注对用户意图、任务目标和业务上下文的理解，并探索围绕一个具体任务进行知识获取、分析判断和业务协同。例如，智能运营Agent正在探索AI与MES业务、企业知识及具体生产运营场景的进一步融合；设备智控Agent则围绕设备管理和自动化场景，探索AI对设备业务知识、运行状态和相关任务的理解与协同。

由此，赛美特当前的AI探索并不是单一路径，而是形成了相互补充的产品和能力布局：一方面推动SPC、YMS、FDC、RPA等工业软件结合AI能力，提升具体制造场景中的分析、识别和处理能力；另一方面通过PlantU KMS构建企业知识基础，并进一步通过智能运营Agent、设备智控Agent等方案，探索AI从理解信息走向理解任务，并参与具体业务协同。

从工业软件的AI化，到企业知识的智能化，再到AI Agent参与具体业务，赛美特正在探索的，并不是简单地“使用AI”，而是如何让不同形态的AI能力进入制造业务的不同环节。

万亿Token之后，企业更需要关注“任务价值”

随着Agent应用不断发展，Token也正在成为企业AI实践中的重要议题。复杂的Agent任务通常需要更多上下文、更频繁的模型调用以及多种工具协同，因此其Token消耗可能明显高于传统的聊天式交互。

但Token数量本身并不能直接等同于AI价值。一次任务可能消耗大量Token，但如果最终没有形成准确结果，或者无法进入实际业务流程，那么Token消耗本身并不代表生产力。因此，随着AI逐步进入企业生产环境，衡量AI价值的方式也需要发生变化。

未来，赛美特需要关注的也不只是AI调用规模，而是如何通过模型选择、知识管理、任务路由、上下文管理和系统协同，提高每一次AI调用的有效性，并将一次次任务实践逐步沉淀为可复用的AI能力。

从一天消耗23.6亿Token，到月度调用规模突破1千亿，再到如今累计突破1万亿，赛美特所经历的并不只是Token使用量的持续增长，也记录了AI从进入企业日常工作，到进一步探索企业知识、业务场景和工业软件融合的发展过程。对于赛美特而言，未来的重点也将更加清晰：持续推动工业软件、企业知识与AI Agent的融合，让AI进一步理解制造业务，并在明确的场景中参与更多具体任务。