摘要
制造业智能化转型中，大量企业投入AI项目后未能实现预期的降本提效目标。据调研，仅9%的企业从AI应用中实现了显著价值；西门子与至顶智库对200家工业企业的调研显示，43%的企业尚未部署工业智能体，广泛部署者仅占8%。本文从认知鸿沟视角切入，系统剖析AI落地效果不及预期的结构性矛盾，涵盖数据碎片化与IT/OT脱节、场景适配偏差、组织能力断层、投资回报周期误判等核心痛点，并在此基础上提出涵盖数据治理、场景选择、组织变革与生态协同的优化路径。文章进一步盘点美的、西门子、中控技术、钉钉、百度智能云五家企业级智能体实践，最后从技术、制度与人才三个维度展望挑战与方向。
关键词：制造业数字化转型；人工智能；工业智能体；认知鸿沟；降本提效
一、引言
2025年，我国规上工业企业开展数字化改造比例已达89.6%，数字化设备普及率达57.7%。制造业数字化转型已从标杆引领走向规模推广阶段。然而，数字化基础的普及并未自动转化为智能化效益的兑现。
一个典型场景颇具代表性：某汽车零部件工厂投入上千万元部署AI驱动的排产计划、质量检测与能耗分析系统，技术总监却坦言系统能精确识别焊接缺陷，却分析不了良率大幅波动的根本原因。山东龙口某汽车安全玻璃企业引入AI视觉检测系统，每条产线投入两三千万元，检测失误率却高达12%以上，不仅未能减少人工，反而增加了人工复检的工作量。类似的困境在制造业中并非孤例。中控技术2024年确立“ALL in AI”战略后，2025年营收同比下降11.9%，净利润下降超五成。老板电器以AI+烹饪为核心引擎推动战略转型，2025年营收下滑9.78%、净利润暴跌20.38%，创上市以来最差纪录。
上述案例揭示了一个深层次问题：制造业企业在引入AI后，普遍面临预期与现实的显著落差。这种落差并非技术本身的失败，而是源于对制造业智能化转型本质的认知偏差——将AI视为可即插即用的效率工具，忽视了其在工业场景中落地所需的系统性条件。国务院发展研究中心的研究指出，现阶段人工智能赋能制造业的瓶颈，不是大模型的能力约束，而是工业体系本身的数据、可靠性、场景碎片化和经济性等要求与大模型的能力特征存在差异。
二、现象背后的结构性矛盾与痛点
（一）数据困境：碎片化与低质量构成的第一道壁垒
工业数据的可用性问题是AI落地最直接的障碍。同一条生产流程中，不同装配线可能采集到格式各异的传感器数据；不同厂商生产的设备，其日志信息互不兼容；训练AI模型所需的历史数据可能不完整，或存储于AI系统无法访问的位置。这种数据碎片化导致试点阶段后的规模化推广，实质上等同于为每个新场景重新设计解决方案。
更深层的问题在于工业数据的质量特征。工业场景中正常工况数据占比通常超过95%，而具备模型训练价值的异常样本极为稀少。传感器可能存在读数丢失、噪声干扰等问题。工业数据孤岛现象突出，数据多、互通弱、利用率低较为普遍。据调研，近62.6%的企业认为数据隐私问题直接限制了数据共享水平。合金配方、精密加工核心工艺参数等关键数据虽具极高训练价值，但企业出于泄露担忧不愿共享。
（二）技术鸿沟：OT与IT的系统性脱节
制造业AI项目中，OT（运营技术）与IT（信息技术）的脱节是另一个核心障碍。OT团队关注生产现场的实时性、可靠性与安全性，IT团队聚焦信息系统架构与数据流转，两者在技术语言、系统接口与工作节奏上存在根本性差异。某仓库可能投入资源引入机器人实现动态分拣，但如果这些机器人无法与仓库管理系统轻松整合，也不能以可用格式共享数据，推广至多个仓库便十分困难。
此外，工业控制系统对可靠性的要求远高于消费级应用。工控系统要求99.999%的可用性，任何停机或事故都可能造成严重安全风险。AI系统本质上是概率性的，其输出存在不可预测性和性能波动。这种概率性本质与工业场景对确定性的刚性需求形成根本性冲突。不同厂商的PLC开发平台协议孤岛化严重，进一步加剧了技术适配的复杂度。
（三）场景迷思：通用能力与碎片化需求的结构性错配
制造业场景的碎片化程度极高——41个工业大类、数百个细分行业、数以万计的具体工艺场景。通用大模型进入工厂车间常常出现水土不服。工业场景要求绝对精准、深度专业和实时响应，而通用大模型可能产生幻觉，缺乏老师傅数十年积累的深度行业知识，更像通才而非专家。在高速度运转的产线上，大模型的反应速度往往跟不上设备节奏。
这种错配导致了一个典型困境：AI试点在某个工厂的一条生产线上运行顺畅，但推广到多条产线或多个工厂时，潜在问题集中暴露。少数场景跑通、大量项目停滞，局部效率显著提升但整体效果未达预期。据测算，国内127个制造业AI落地项目中，68%的项目陷入了将传统自动化升级当作AI转型的误区，实际效果不到预期的10%。
（四）组织断层：人才、流程与治理能力的系统性缺失
AI在制造业挣扎的真正原因比数据或信任问题更为深刻——企业根本没有足够的人员来使其发挥作用。复合型人才供需矛盾长期存在，产教融合专业性、系统性不足，人才培养周期过长。制造业还面临互联网行业的人才虹吸效应，互联网高水平软件开发人才的薪酬明显高于制造企业的高端数字人才。
组织层面的挑战不仅限于人才数量。传统制造企业的业务流程、决策机制与考核体系是为确定性环境设计的，而AI系统要求组织具备数据驱动的决策文化、跨部门协同能力与持续迭代的组织学习能力。企业部署工业智能体的三大堵点中，除成本高和技术成熟度不足外，专业人才缺乏位列其中。此外，工程责任边界模糊的问题不容忽视——当智能体执行任务出现问题时，责任归属难以界定。
（五） ROI迷思：投资回报周期与评价体系的错位
制造业AI项目普遍面临投资回报周期被严重低估的问题。据麻省理工学院2025年研究，全球企业在生成式AI领域投入了3000亿至4000亿美元，但95%的公司未能获得可衡量的投资回报。麦肯锡《2025年全球人工智能现状调查报告》显示，88%的组织定期使用AI，但对许多制造商而言，投资回报仍然遥不可期。
这种ROI困境源于多重因素：AI系统的价值创造具有滞后性，需要在数据积累、模型迭代与组织适配后才能逐步显现；传统的财务评价体系难以量化AI带来的隐性效益，如决策质量提升、风险规避与柔性能力增强；部分数字化服务商项目回款周期长，制造企业则面临数字化项目缺少融资授信途径的问题。
三、优化路径：弥合认知鸿沟的系统性框架
（一）夯实数据基座：从采集到治理的全链路建设
数据是AI赋能制造业的起点，也是当前最薄弱的环节。优化路径应从三个层面展开：
设备层：加快老旧设备的数字化改造与联网化升级，推动数字化生产设备普及率从当前的57.7%向更高水平迈进。通过标准化数据协议与轻量化迁移工具，实现多平台间的数据无缝切换与高效流转。
治理层：完善工业数据分类分级指南，构建细分行业数据管理制度。推动龙头企业规模化开展数据治理，引导中小企业提升数据治理能力。面向新材料、高端装备、电子信息、新能源汽车等重点行业，鼓励建设可信数据空间，带动产业链上下游协同开展数据共享流通。
应用层：聚焦研发设计、生产制造、经营管理等关键业务环节，融合应用大数据分析技术，通过对接或采集企业现有业务数据进行建模分析，支撑企业向数据驱动的运营模式转型。
（二）精准场景选择：从小切口验证到规模化复制
遵循场景化、图谱化的推进方法，按照产品全生命周期、生产全过程、供应链全环节将业务拆解为标准化、模块化的典型场景。企业应从收益明确的小场景切入，通过低成本试点、快速复制扩散的方式形成规模化推广路径。
场景选择应遵循三项原则：
价值可量化：聚焦创新、提质、降本、增效、绿色、安全等核心诉求，确保产品服务形成可感知、可量化的实际成效。
技术可落地：优先选择数据基础较好、工艺机理相对清晰、AI技术成熟度较高的场景，避免在数据荒漠或黑箱工艺上过早投入。
规模可复制：选择具有行业共性的场景，确保试点经验能够在同行业、同环节中快速复制，避免为每个新场景重新设计解决方案。
（三）组织能力重构：人机协同的新型生产关系
AI赋能制造业不是用机器替代人，而是重构人机协同的生产关系。优化路径包括：
人才培养：加快完善数实融合人才标准体系，加强院校相关学科建设，推进校企合作开发课程与案例。鼓励企业、科研院所和培训机构开展数实深度融合专题培训。西门子的经验值得借鉴——从低到高进阶，在公司全员普及工业+数据+AI的跨学科知识和意识，发动全员探索实践。
流程再造：数字化转型不仅仅是技术层面的革新，更要实现企业系统性变革——统筹企业战略、组织架构、业务流程、人才结构等方面。建立用户反馈闭环，依托工业互联网平台收集使用评价和意见反馈，基于反馈数据持续改进优化。
文化培育：推动从经验驱动向数据驱动的决策文化转变。建立数据可信、算法可信、结果可信的信任机制，克服工厂员工对黑箱AI解决方案的自然抵制。
（四）生态协同：从单点突破到体系化推进
制造业数字化转型是一项涵盖全要素、贯穿全链条、融合多维度的系统性工程。优化路径应从点、线、面三个维度协同推进：
点上突破：以链主企业、专精特新中小企业为重点，围绕典型场景加快数字化转型，打造一批数字化转型标杆。
线上延伸：推动产业链上下游企业的链式转型，鼓励龙头企业、平台企业带动产业链供应链上下游聚焦共性问题找准转型切入点。
面上覆盖：提升园区和集群数字化水平，畅通园区内数据链、创新链、产业链、供应链，建设一批高标准数字园区。
依托制造业数字化转型促进中心等公共服务载体，提供评估诊断、供需对接、资源整合和改造实施等一揽子服务。到2027年，工业和信息化部将指导培育100家左右制造业数字化转型促进中心，构建全国性转型服务骨干中枢。
四、制造业转型企业级智能体实践盘点
2025年被业界称为智能体元年。以下选取五家在制造业智能体领域具有代表性的企业进行盘点。
（一）美的集团：多智能体协同的智能体工厂
美的洗衣机荆州工厂获得WRCA世界卓越的首个多场景覆盖的智能体工厂认证。该工厂部署14个智能体，覆盖38个核心生产业务场景，依托美的工厂大脑进行协同调度，融合制造经验、大模型技术与具身机器人技术。工厂采用高可用、可扩展的分布式多智能体架构，通过Agent-to-Agent通信实现智能体自治协同。
关键数据：智能体以秒级响应完成传统人工小时级任务，平均提效80%以上，排产响应速度提升90%。首检效率由15分钟减少到30秒。
技术特点：人机料法环各要素不再是孤立单元，具身机器人、机械臂、AMR、注塑机、摄像头、传感器等均被赋予感知、理解、决策及行动能力。
（二）西门子：工业副驾驶的规模化验证
西门子发布Industrial Copilot生成式工业人工智能助手，在中国市场的首个试点应用于中科摩通EMB智能装配设备。西门子与至顶智库联合发布《2025工业智能体趋势展望报告》，对200家工业企业展开深度调研。
关键数据：Industrial Copilot助力中科摩通将程序开发时间减少30%，产线现场调试周期缩短30%，人工与物料损耗降低10%。西门子与中国十五冶金建设集团联合开发的铜冶炼AI智能体，推荐参数采纳率达94%以上，冰铜品位稳定性提升15%。
技术特点：西门子强调工业AI的真正落地始于对需求场景的精准捕捉，成于将技术、数据与行业机理深度融合。通过全栈软硬件产品打通IT与OT壁垒，让数据在产品、生产、运营、决策各环节自由流动。
（三）实在智能：非侵入式智能体的规模化落地
实在智能成立于2018年，是国家级专精特新小巨人企业，已服务超6000家行业头部客户（世界500强及央国企占90%以上）。公司以TARS垂直大模型为大脑，ISSUT屏幕语义理解技术为眼睛，RPA自动化引擎为手脚，构建了API+GUI双轨并行的智能体执行体系——优先调用系统API，在老旧系统无接口时自动切换至屏幕模拟操作，无需改造原系统即可跨平台打通数据孤岛。
关键数据：2026年7月，实在Agent以90.2%任务成功率登顶全球AI智能体基准OSWorld总榜，为全球首个突破90%大关的Computer-Use Agent。在赛力斯财务场景中，覆盖90%以上高频对账场景，自动化率95%，每月80小时工作量压缩至10小时，准确率100%。三花控股769名业务员工（多来自生产一线）通过认证成为开发者，不到一年落地340余个自动化场景，累计节省超20万工时。
技术特点：ISSUT技术模拟人类视觉识别软件界面，无需依赖API即可操控任意Windows/Linux/Mac系统，部署周期从传统API集成的6-12个月缩短至周级。AgentLoop人机协同机制允许业务人员在执行过程中实时纠偏，模型准确率随使用频次自提升。获中国信通院智能体最高5级认证，工信部《2025年人工智能应用典型案例》入选者。
（四）钉钉：AgentOS驱动的制造业场景智能体
钉钉推出全球首个企业级智能体操作系统AgentOS，调度对象从CPU、内存转向智能体。AgentOS通过DingTalkReal硬件实现内网授权数据访问，通过AgentLoop人机协同闭环解决大模型幻觉问题。
关键数据：某外贸制造企业引入订单Agent后，非结构化订单处理时间从平均1.4小时压缩至半分钟内。深圳某电动汽车传感器厂商部署AI质检Agent，将12%的缺陷品漏检率显著降低。钉钉联合生态推出制造业智能体质小Q，聚焦生产质量管控。
技术特点：DEAP平台提供从数据标注、模型精调到安全审计的全链路支持，AI驱动的标注体系将人工参与率从100%降至20%，标注效率提升300%。AgentOS通过从模型解析到自动编程、从人机交互到自我迭代的闭环机制，使模型准确率从60%逐步提升至100%。
（五）百度智能云：芯云模体全栈能力的产业渗透
百度智能云发布2025年十大企业级AI智能体案例，基于芯云模体全栈自研能力。案例覆盖电力巡检、汽车设计、航天仪器、消费电子、金融、交通与能源等多个领域。
关键数据：阿尔特汽车借助伐谋智能体，将风阻测试从10小时缩短至分钟级。北京工业大学运用伐谋自我演化智能体进行空间站微型色谱仪设计，较人工设计误差降低8%。OPPO客服智能体高频问题处理效率提升一倍。
技术特点：百度智能云强调大模型已进入以应用定义价值的新阶段。伐谋自我演化智能体可将物理约束与设计特征融入算法，实现自主计算与迭代优化。
五、挑战与展望
（一）技术挑战：从点状突破到规模落地
工业智能体从单点试验走向规模落地面临多重技术挑战。高可靠性要求下，工控系统99.999%的可用性标准与AI系统的概率性本质之间的张力短期内难以消解。底层协议孤岛化导致不同厂商设备与平台难以深度协同。工业高实时推理难、通用大模型轻量化部署存在短板。智能装备国产化替代不彻底，核心部件依赖进口的局面尚未根本改变。
工信部等八部门联合印发《人工智能+制造专项行动实施意见》，明确提出到2027年培育1000个高水平工业智能体的目标。实现这一目标，需要在工业实时推理、轻量化部署、多智能体协同等关键技术领域实现突破。
（二）制度挑战：标准、安全与治理的滞后
关键技术标准缺失和已有标准兼容映射不足，导致工业设备接口协议和数据格式难以互联互通。工业自动化领域Profinet、Modbus TCP、EtherCAT等多种协议并存，缺乏统一的转换与集成规范。工业数据主权归属不明、使用权限控制手段不足等实操问题尚未解决。
随着IT与OT融合加深，工业生产设备、控制系统的威胁暴露面不断延展。防护模式需从被动防御向主动智能防护转型升级。可信数据空间的建设为数据共享流通提供了方向，但其标准化建设路径和规模化部署仍有待推进。
（三）人才挑战：复合型能力的长期培育
复合型人才供需矛盾是制约制造业AI落地的长期性因素。制造业需要的不是纯粹的算法工程师，而是既懂工业生产工艺又理解数据科学与AI技术的复合型人才。这类人才的培养周期长、难度大，产教融合的专业性和系统性仍有待提升。
西门子的经验表明，从低到高进阶、在公司全员普及跨学科知识和意识是可行路径。但这一过程需要时间的积累和组织的持续投入。工业智能体更大的价值在于承担大量的重复性、标准化和知识密集型工作，帮助工程师提高效率，而非取代工程师。
（四）展望：从认知鸿沟到价值闭环
制造业智能化转型的本质，不是将AI技术简单叠加于现有生产体系之上，而是通过技术与组织的协同进化，重构制造体系的价值创造逻辑。弥合认知鸿沟需要企业、服务商与政策制定者三方的共同努力：
对企业而言，需要建立对AI价值创造的合理预期，从场景验证入手、以数据治理筑基、以组织变革保障，走出一条符合自身实际的智能化转型路径。对服务商而言，需要从产品交付转向全周期服务，在陪伴式服务中积累行业知识、迭代产品能力。对政策制定者而言，需要持续完善标准体系、加大资金与人才支持、推动公共服务载体的一体化网络化发展。
制造业数字化转型正从数字赋能向智能应用跨越。这一跨越不仅考验技术的成熟度，更考验产业对智能化本质的理解深度。唯有正视认知鸿沟、系统性地弥合差距，AI才能真正成为制造业降本提效的加速器，而非耗费资源的试验场。
