行业参考 · 制造 · 采购 · 证据 E1
LG Innotek Uses AI for Component Selection, Cuts Quotation Time by 70%
这是公开报道的其他企业案例，不是 Alan 交付的项目。内容由 AI 收集整理，以原文为准。
企业遇到的问题
元件选型和报价准备依赖人工查阅分散的内部系统与市场行情，多厂商元件名称/规格/单位不统一，效率低且易出错。
概要
LG Innotek 宣布在全部事业部部署 AI 元件推荐系统，基于覆盖 200 万个元件的数据推荐新产元件，报价准备时间缩短 70% 以上，公司称可靠性超 96%，可在两小时内缩小候选元件池，并能识别停产物料和供应中断时的替代元件。
原文写明的事实
- LG Innotek 于 9 月 20 日宣布在所有业务单元部署 AI 元件推荐系统
- 系统基于覆盖 200 万个元件的数据
- 报价准备时间缩短 70% 以上
- 系统开发约两年
- 标准化了不同厂商的元件名称、规格和单位
- 系统可提供参考价并预测无采购历史的新元件价格，公司称可靠性超 96%
- 可在两小时内缩小候选元件池
- 可识别停产物料和供应中断时的替代元件
还有 2 条细节，见文末原文来源。
怎么做的
- 输入：用户输入所需元件规格
- 处理：AI 基于覆盖 200 万个元件的数据库识别并推荐相似产品
- 数据：覆盖 200 万个元件的内部数据和外部市场数据、供应商信息、价格趋势
- 动作：用户从 AI 推荐的候选元件中选定供应商并检查实际报价
- 输出：候选元件池、参考价格、替代元件清单
如果你也想做：复制评估
AI 初评，供参考。具体能不能做，要看你企业的数据、流程和人。
- 难度：中（需要配置 Skill / Connector）
- 需要的能力：元件规格匹配 Skill、替代料推荐 Skill
- 需要接的数据/系统：ERP/PLM、供应商数据库
- 仍需人工的环节：采购员复核报价并选择供应商
- 风险：推荐错误可能导致采购错误物料或价格误判
- 原文没披露的：元件数据库需企业自行整理和标准化；价格预测模型需要历史采购数据训练
元件检索与推荐草稿可做，价格预测和可靠性需基于企业数据实测确认
来源
证据说明：仅 The Elec 单篇行业媒体报道，数字为企业自述，无独立第二来源