—— 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