迪卡侬 DECATHLON 开润股份 KORRUN

Workshop · 2026.08

AI 驱动智造

开润 PLM 创新实践

郭斌

开润技术开发部  ·  高级开发经理

Agenda

汇报提纲

01

开润简介与 PLM 背景

我们是谁，PLM 一期做了什么，为什么二期是 AI。

02

AI 在 PLM 中的三大落地场景

翻译、物料属性拆分、技术文档解析 —— 含系统界面实拍。

03

技术架构与实施路径

四层架构、技术底座，以及从试点到规模化的节奏。

04

成果与展望

AI 能力如何从 PLM 复制到 MES / SAP / 供应链。

01 / KORRUN Group Introduction

成衣 / 箱包双轮驱动 · 垂直一体化

Strong financial position · Sales revenue on group level

16,703

名员工
2005 箱包公司成立

14,600

名员工
1993 成衣公司成立

10M Yards/M

面料工厂（curr.）
垂直一体化起点

3M PCS/M

背包产能（curr.）

5.6M PCS/M

软包产能（curr.）

200K PCS/M

硬箱产能（curr.）

1中国 2印尼 3印度
1

中国

  • 背包工厂 × 2
  • 服装工厂 × 6
  • 硬箱工厂 × 1
2

印尼

  • 软包工厂 × 2
  • 服装工厂 × 3
  • 硬箱工厂 × 1
3

印度

  • 软包工厂 × 2

History with Decathlon

与迪卡侬合作历史与自研 PLM 背景

2012

建立合作

成为迪卡侬核心供应商。

2015

产能升级

多条产线专供 DKL 订单。

2018

深度协同

参与 DKL 新品研发前端设计。

2024

自研 PLM 一期

迪卡侬推动 PLM 立项，DKL 版单 100% 系统上线。

2026

自研 PLM 二期

AI 赋能，目标研发周期缩短 20%。

2026 · Korrun annual meeting

开润 AI 应用元年

拥抱 AI
拥抱未来

AI 在开润不是研发部门的自选动作 —— 它是 2026 年度大会上定下的集团级战略方向，资源、业务配合和工作口径都是跟着这个方向走的。

2026 年度大会现场 · 范劲松

开润 2026 年度大会现场，主屏显示「2026 拥抱 AI 拥抱未来 —— 开润 AI 应用元年」

主屏标语 —— 「2026 拥抱 AI 拥抱未来 · 开润 AI 应用元年」（点击放大）

01 / The problem

制造业 PLM 的传统开发中 —— 共性难题

翻译慢

客户技术资料包、产前资料涉及英语、印尼语、越南语等多语种。

14 小时

人工翻译平均耗时

物料杂

PLM / SAP / 客户编码未统一，一物多码严重。

多套编码

体系并存

技术包整理耗时 · 版单

客户技术文档格式多样，PDF / Excel / 邮件附件混杂。

3.5 小时

单份录入耗时

AI Vision · AI 愿景

让 PLM 从「流程管理工具」进化为「智能决策中枢」

AI Learning & Execution —— 用 AI 打通从接单到下单的全链路，实现数据驱动、人机协同。

数字化

Digitization

打通 PLM / SAP / MES 数据链路
主数据标准化 · 三码合一
让数据「可看、可比、可用」

智能化

AI Empowerment

AI 嵌入三个核心场景
翻译 / 物料拆分 / 文档解析
让流程「自动、精准、高效」

自主化

Autonomous

术语库持续沉淀
模型持续迭代进化
让系统「自学习、自优化」

下面三个场景，就是 AI 愿景在 PLM 中的落地实践 ↓

Background · PLM 建设历程

一期管流程，二期管数据 + AI

一期 · 管流程

2024 年启动

  • 接单 → 版单 → 大货，全流程信息化
  • 节点标准化、表单线上化
  • DKL 版单上线率 100%

二期 · 管数据 + AI

2026 年启动

  • 统一箱包物料主数据中台
  • 产前资料包 AI 翻译
  • 物料属性拆分 + 相似度查询
  • 技术文档自动解析转版单
PLM 一期业务流程图：项目立项、版单评审、样品制作前期准备、报价、样品检验与业务确认等 Flowable 流程节点

一期成果 —— 接单到大货的全流程节点化，这是二期 AI 能接进来的前提

Why now

为什么 2026 年 AI 在开润开始落地？

2024 年 · 一期 · 第一次尝试

产前资料包 AI 翻译 —— 效果不理想 → 搁置

对接阿里 / 小牛翻译服务 + 术语字典。

翻译本质是「语义识别」—— 当时的机器翻译基于规则和统计，无法理解上下文，专业术语翻译结果业务用不了。

结论：不是不想做，是当时的技术做不到。

2026 年 · 二期 · AI 杀回来了

生成式 AI 技术成熟 —— 跑通 → 三大场景

DeepSeek Flash + 本地术语库 + 历史翻译知识库 RAG。

AI 先理解语义、再组织表达 —— 翻译从 1–2 天缩短到 9.5 小时，术语一致率 95%+，一次跑通并推广到物料 / 文档解析。

结论：变的不是我们，是技术变量。

以点看面：翻译这一个点，验证了 AI 在箱包制造落地的可行性。从翻译起步 → 扩展到物料主数据 → 文档解析，形成 PLM 全链路 AI 能力。

02

AI 落地场景

Three Scenarios

Scenario 01

场景一：产前资料包 AI 翻译

01

语义切片

将文档按语义切分为片段。

02

术语注入

将匹配术语加入 Prompt。

03

生成翻译

AI 理解上下文后输出。

人机协同闭环 · 越用越准

AI 初翻 → 人工校验 → 校验数据回流知识库（Milvus）→ 下次翻译 RAG 获取正确上下文。

术语库规模

5,569 条

团队变化

人工全文翻译 → AI 翻译 → 人工质量检查

语言覆盖

中文 → 英语 · 印尼语 · 越南语

Scenario 01 · Screens

场景一 · 产前资料包 AI 翻译

文档翻译上传页：拖拽 docx／xlsx／pptx，选择目标语言、输出方式与业务场景 产前资料包节点内的 AI 翻译弹窗，可多选英语、印尼语、越南语 翻译任务列表，显示文件名、目标语言、业务场景、状态、进度与完成时间 术语字典管理界面，共 5,569 条术语，按业务场景分类
1 / 4 点击放大

Scenario 01 · Expected impact

翻译场景：效率跃升（预期）

耗时对比

32%

单款 14 小时 → 9.5 小时

术语一致性

90%+

覆盖产前资料包 90% 术语

术语库规模

5,569条

按业务场景分类，不断完善中

降本增效

1/3

人效节约 1/3：全文翻译 → 质量检查

Scenario 02

场景二：物料属性拆分 + 申码相似度

「活字典」属性管控体系

38 种 SAP 中类与 PLM 小类对照
物料描述标准化拼接规则
AI 自动识别颜色、规格、供应商

AI 智能解析流程

客户描述贴入系统 → AI 自动拆分属性
→ 与历史记录做相似度匹配
→ 100% 相同直接复用

拆 · 拆分

AI 解析物料描述

中英数字混合描述，按属性规则拆成名称、材质、厚度、色号。

检 · 检索

相似度匹配历史

按相似度分数召回 SAP / PLM 历史物料。

复 · 复用

100% 相同直接复用

命中即替换，从源头压住一物多码。

确 · 确认

物料最终确认

确认后写入 SAP，成为大货原料。

Scenario 02 · Expected impact

物料场景：精准与复用（预期）

「活字典」体系

38种

SAP 中类与 PLM 小类对照

AI 属性拆分准确率

70%+

人工复核工作量减少 60%

相似度查询命中率

85%

100% 属性相同直接复用

准入周期

30%

研发物料转大货准入周期 5 天 → 1.5 天

Scenario 02 · Screens

场景二 · 物料属性拆分 + 申码相似度

产品确认明细页，按 SAP 中类分组列出版单物料，每条带 AI 属性拆分入口与检查状态 AI 属性拆分弹窗，输入中英数字混合的物料描述，按描述输入→属性拆分→回填确认三步 相似度检查结果表，列出候选 SAP 物料编码、描述与相似度分数
1 / 3 点击放大

Scenario 03

场景三：技术文档解析 → 下单转版单

01

文档识别

PDF / Excel / 邮件

02

字段抽取

款号 / 数量 / 交期

03

BOM 物料匹配

相似度标绿

04

版单生成

自动立项

05

转版单

内部流转

读取 PDF → 提取版单 / 物料信息 → 物料相似度匹配 → 勾选使用

Scenario 03 · Expected impact

文档解析场景：人工到 AI 解析（预期）

单份处理时间

60 → 40min

提效 30%+

解析准确率

90%+

AI 自动识别文档关键字段

BOM 物料相似度检索

70%

映射 PLM / SAP 历史物料准确率

文档 AI 系统化解析

90%+

由人工整理到 AI 自动化处理

Scenario 03 · Screens

场景三 · 技术文档解析 → 下单转版单

PDF 解析结果页：配色数、物料行数、图稿页数统计，产品基础信息与分配色物料清单 物料匹配界面，逐行给出 SAP 物料编码与中文描述，差异部分标红，可勾选导入
1 / 2 点击放大

Value overview

三大场景价值总览

翻译

耗时 ↓96%
术语一致性 95%+

1–2 天 → 30 分钟

让文档可读

→

物料

准入周期 ↓75%
重复申码率 ↓50%

5 天 → 1.5 天

让编码可匹配

→

文档解析

处理时间 ↓90%+
准确率 90%+

人工整理 → AI 自动化

让下单可自动化

环环相扣：翻译让文档可读 → 物料让编码可匹配 → 文档解析让下单可自动化。

03

技术架构与实施路径

Architecture & Roadmap

Architecture

开润 PLM-AI 技术架构图

应用层

PLM 各功能模块无缝集成，用户零感知切换

PLM 各功能模块
一站式工作台
服务层

AI 层 / 工作流 / PLM / 系统层应用 · 四个微服务独立部署

AI 能力层智能翻译 · 拆码 · 解析
工作流层Flowable
PLM 服务业务核心
系统层应用集成网关
模型层

云端大模型 + 向量化知识库 + Spring AI 底座

云端大模型DeepSeek Flash
向量知识库Milvus · RAG
Spring AI 底座Alibaba
数据层

PLM 主数据源头，实时同步 SAP / MES / 排版系统

PLM 主数据统一数据源
SAP
MES
排版系统
技术底座
Spring Cloud 微服务框架 DeepSeek Flash 云端大模型 Milvus 向量数据库 Spring AI Alibaba Flowable 工作流引擎 RabbitMQ 消息队列 飞书集成平台 术语库 / 物料库向量化 RAG 检索增强生成 Claude Code Vibe Coding

Roadmap

实施路径：从试点到规模化

2024 – 2025

一期流程

标准化流程 —— 接单到大货全流程信息化，节点标准化、表单线上化。

2026

二期数据

AI 应用三大场景
物料主数据标准化
预期提效 30%

2027+

DKL 协同

打通 SPARK、DKL DATA COST，实现「技术附件 → 自动下单 → 报价」闭环。

业务深度参与

版师与跟单直接定义属性规则，不是 IT 闭门造车。

术语库持续沉淀

每一次人工校验都回流知识库，成为下一次的上下文。

模型迭代闭环

人工复核 → 反馈训练，准确率随使用量爬坡。

04

成果与展望

Results & Vision

Results & Vision

AI 落地路径：从 PLM 走向全系统

现在 · PLM

三大场景已落地

  • 产前资料包 AI 翻译
  • 物料属性拆分 · 相似度
  • 技术文档解析 · 转版单
  • PLM 主数据源头 · 三码合一
→演进

未来 · AI 向全系统延伸

MES

生产执行

AI 智能排产
插单响应 · 产线平衡

S&OP

供应链

需求预测协同
安全库存 · 产销联动

SAP

业财一体化

成本预测 · 智能采购
供应商协同

CAD

排版系统

物料成本自动估算
报价提速

AI 能力沉淀在 PLM，逐步复制到 MES / SAP / 供应链 / 排版系统，支撑全链路智能化 —— 以 PLM 为起点，构建开润全域 AI 能力平台。

云雾中的雪山山脊

AI 驱动智造

携手客户共创
智造未来工厂

迪卡侬 DECATHLON 开润股份 KORRUN

汇报人  郭斌  ·  开润技术开发部 高级开发经理

1 / 26
← / → 翻页 · N 演讲备注 · 点击图片放大