制造业人工智能怎么落地：从哪三件事开始
制造业人工智能落地的第一步，不是选平台，而是挑一条能算清账的场景。最容易出问题的地方也在这里：把大部分预算花在平台或硬件上，数据没打通、口径没统一，最后没人用。稳妥的起步顺序是三件事——挑一条能算清账的场景、把这条场景的数据通道打通、把涉及的数字口径定下来并写清责任人。三件事做完再谈扩场景。
为什么这三件事的顺序不能反
顺序反了，会出现三种很典型的结果：先买硬件再找场景，设备到货三个月还没定第一个用途；先上大平台再回头补数据，读数不全，结论不敢用；先做看板再定口径，同一件事几个数字互相打架，看两天就没人看了。
政策方向也是一样：工业和信息化部等八部门 2025 年 12 月印发的《「人工智能+制造」专项行动实施意见》提出，到 2027 年推动 3—5 个通用大模型在制造业深度应用、推出 1000 个高水平工业智能体、推广 500 个典型应用场景，同时把「开展制造业企业智能化成熟度评估」和「分类制定行业应用全景图和转型路线图」写成具体措施——先看清现状，再谈路径。
第一件事：挑一条能算清账的场景
判断标准只有一条：这条场景一个月能算出多少钱。算得出来的排前面，算不出来的放后面，哪怕它在方案里看起来更「先进」。
| 候选场景 | 能不能折成钱 | 数据通常在哪 |
|---|---|---|
| 设备停机与非计划检修 | 能：停机工时、产量损失、抢修费用 | 设备台账、点检记录、维修工单 |
| 超期库存与呆滞料 | 能：占压资金、跌价损失 | ERP 库存模块、出入库与批次记录 |
| 质量返工与客诉 | 能：料、工、费与赔付 | 质检记录、返工单、客诉台账 |
| 交期延误 | 部分能：加班、加急运费、违约条款 | 订单、排产、供应商到货记录 |
| 能耗异常 | 能：电费与峰谷结构 | 电表、能源管理系统、抄表记录 |
第二件事：把数据通道打通
起步阶段不需要把所有系统连起来，只需要把这条场景涉及的两三个来源取出来。三条路里至少有一条要走得通，并且写进方案：
| 取数路径 | 常见形态 | 主要障碍 | 维护成本 |
|---|---|---|---|
| 系统官方接口 | ERP、MES、财务系统自带的开放接口 | 需要厂商配合开通、有授权与费用 | 低 |
| 只读库账号 | 给一个只能查、不能改的数据库账号 | 需要 IT 或厂商放行，注意不写回、不影响生产库 | 中 |
| 定时导出目录 | 系统定时把报表导出到指定文件夹 | 字段可能变动，需要核对表头 | 中，最易起步 |
三条路都不通的地方，就是这次先不碰的地方。取数只读、不写回业务库、不控制产线设备，这三条写清楚了，IT 和厂商才敢放行。
第三件事：把口径定下来
「数据不准」在制造业里很少是系统坏了，多数是同一件事在不同表里有不同口径，或者人工补录的环节被跳过。起步时只需要围绕这一条场景做一张口径登记表，写清六项：指标名、定义、来源系统、具体表与字段、刷新时间、责任人。口径由企业自己拍板，服务商只负责登记和核对——这一条不写进合同，后面一定相互推诿。
制造业人工智能的落地进度参照
企业侧的普及速度比多数人估计得快。据 IDC 对 2025 年中国工业企业的调研，应用大模型及智能体的企业占比在一年内从 9.6% 升到 47.5%，同时在研发、制造、供应链等多个环节落地的企业占比从 1.7% 增加到 35%。国务院新闻办 2026 年上半年工业和信息化发展情况发布会披露，规模以上制造业企业人工智能技术应用普及率已超过 30%。
能拿出来看的现场数据也在出现：美的旗下美云智数 2026 年 1 月发布的智能体工厂方案覆盖研发、制造、供应链、营销、管理全价值链，累计落地 158 个核心场景；美的方面称，通过设备与模具智能体做故障预测与工艺优化，可使设备综合效率提升 30%、点检效率翻倍，供应链端端到端交货周期缩短 39%、库存周转天数减少 30%。
合起来看，差别不在「有没有上」，而在「会不会从试点走到日常」——行业测算认为近八成企业启动过智能体试点，但只有约一成半进入生产环境，卡点就在取数、口径和运行归属上。
中小企业起步的三条务实做法
大厂公开的智能体矩阵短期内无法复制，中小制造企业的可行路径反而更简单：只挑一个车间或一条产线做示范，不铺全厂；优先做财务口径能直接取到的数字，先让管理层看见钱；把运行交给能长期负责的一方，不自己养一支团队去跟模型的更新与接口变化。这三条的共同点是规模小、可验证、能延续。
四个常见误区
- 把人工智能当成一次性采购。它更像一项日常运行的工作：口径会变、接口会变、业务会变，需要有人持续维护。
- 一开始就要全覆盖。全流程铺开，验收前最容易停下来；先做一条能算账的场景，跑顺再扩。
- 用模糊指标验收。合同里写「效果良好」等于没写，要写清测试范围、口径和判定方式。
- 不问运行归属。第二年接口一变系统就没人管，谁负责更新与维护，要在方案里点名。
关于取数路径与交付形态的取舍，可以看我们的 企业 AI Agent 部署 与 定制落地 页面。如果拿不准自己厂里第一条场景选哪个，把现在的系统清单和最想盯住的那件事发给我们（联系方式），我们做一次免费的现场诊断。
一句话建议：先选一条能算出钱的场景，把它的数据取准、口径定死，再谈第二步。制造业人工智能的成败不在模型上，在这三件具体的事上。
常见问题
- 制造业人工智能从哪件事开始做最不容易失败？
- 从一条能算清账的场景开始。能折成钱的场景（停机损失、超期库存、质量返工、交期延误）才有判断标准，做完能算出省了多少；反过来先建平台、先买硬件，做完没人用得起来。工业和信息化部等八部门的专项行动意见也把「开展制造业企业智能化成熟度评估」「分类制定行业应用全景图和转型路线图」写进措施，先看清现状再谈路径。
- 要不要先建一个数据中台或数据平台？
- 不建议作为第一步。中台是大规模复用的产物，不是启动条件。起步阶段只要打通一条场景的数据通道（系统官方接口、只读库账号或定时导出目录三条路之一），把这条场景的数字取准，比一次性铺平台更快见效、也更容易纠错。平台化可以在第二、第三个场景稳定运行后再考虑。
- 工厂没有 IT 团队，能不能上？
- 能，但要把三件事写进方案：数据通道谁开、口径谁定、运行谁负责。这三件事都不需要厂里养一支开发团队，但必须有人对接。国内公开实施节奏通常是先勘察与取数，再登记口径、开通指标与预警、试运行转日常；真正拖工期的是取数审批和口径不统一，不是模型本身。
- 制造业人工智能多久能看到效果？
- 按公开项目的实施节奏，第一个场景通常分两段：第一阶段做现场勘察与取数（约 2—3 周），第二阶段做口径登记、指标与预警开通、试运行转日常（约 4—6 周）。能看见的是数字逐步稳定、异常更早被发现；能算出钱通常要到转日常之后的一两个月。承诺「上线即见效」的方案，往往把口径和取数难点省掉了。