工業AI正在走向產線，但規模化仍有卡點丨ToB產業觀察

Leo張ToB雜談2026.09.22 13:51 · 來自江蘇全文3920字00:00 / 11:45工業軟件的玩法，正在從“賣一套標準產品”轉向“幫客戶把AI能力長在自己身上”。過去，一家造船廠給排一份為期三個月的生產計劃，要把時間和空間約束都考慮進去，需要兩個員工，花費超過半個月的時間。而現在AI半個小時能把九成以上的活幹完，員工再花一兩個小時校對即可。這只是AI在工業領域應用的一個縮影。不到一年的時間裡，工業軟件已經近乎被AI重作了一遍，“我們去年年初的時候，對AI能改變工業軟件的格局還曾有疑問。

但隨著大模型技術的發展，尤其是像Claude或者GPT在編程能力上的突破，過了一年多的時間，速度遠超過了我們的預期。”易立德創始人、總經理呂鳳民告訴我們。但在AI快速進入工業場景，並重寫工業軟件的過程中，離工程化、規模化應用還有很多挑戰。工業AI正從概念走向產線如果把時間撥回兩年前，問工業軟件從業者“AI會怎樣改變這個行業？”，得到的回答大概率是謹慎的。呂鳳民自己也承認，去年年初的時候，他對“AI能不能改變工業軟件的格局”還曾有疑問。但僅僅過了一年多，他的態度發生了很大的轉變。這個轉變背後主要的原因是因為AI編程能力的躍升。過去，大型工業系統部署到具體客戶時，最大的痛點是龐大的定製化成本。

對此，呂鳳民告訴我們，僅僅是不到一年前，AI編程的能力還不如一個標準的程序員。而現在，AI編程能力已經超過了絕大多數程序員。這種轉變直接改變了工業軟件的交付邏輯，原先需要幾個月完成的定製開發，現在可能只需要幾分之一的工作量。這也讓工業軟件供應商開始思考一個更深層的問題：未來的工業軟件，是否還需要先做一個標準產品，再到客戶現場去定製？另一方面，不僅是技術能力在增強，政策也在引導著工業AI的發展。

去年12月，工信部等八部門聯合印發《“人工智能+製造”專項行動實施意見》，給出的時間表是到2027年，推動3至5個通用大模型在製造業深度應用，推出1000個高水平工業智能體，打造100個工業領域高質量數據集，推廣500個典型應用場景。正是在技術能力提升與政策引導的雙重影響下，工業AI才在今年實現了快速的發展。據工信部公佈的數據顯示，今年上半年，全國規模以上工業企業數字化改造覆蓋率已達九成，關鍵工序數控化率69.5%，數字化研發設計工具普及率86.3%......規模以上製造業企業人工智能技術應用普及率超過30%。

此外，IDC對2025年中國工業企業的調研顯示，已應用大模型及智能體的企業佔比從2024年的9.6%升到47.5%，一年翻了四倍；把這些能力同時用在研發、製造、供應鏈等多個環節的企業，佔比從1.7%升到35%。IDC同時預測，到2028年中國工業企業的AI支出規模將接近900億元，年複合增長率37.7%。但快速增長的背後，呂鳳民也承認，當前AI在工業軟件方面的應用尚處於早期階段，雖然已經有一些POC場景出現，但距離規模會、工程化應用還為時尚早。工業AI落地為什麼這麼難？正如呂鳳民所說的，AI在工業領域的應用落地尚處於早期階段，在落地的過程中也還好很多挑戰。

工業AI並不像當前火熱的辦公智能體那樣落地簡單，“寫郵件、做紀要、生成PPT，這些任務流程簡單、容錯率高，用戶對偶爾產生的幻覺也相對寬容。但同樣的技術搬到工業車間裡，面臨的是一套完全不同的遊戲規則。”呂鳳民指出。麥肯錫發佈的《The State of AI》系列報告中曾指出，約88%的企業已在至少一個業務職能中使用AI，但只有約7%的組織實現了全組織範圍的規模化；而在分職能統計中，智能體規模化程度最低的恰恰是製造環節，僅為3%。為什麼工業場景的AI落地這麼難？呂鳳民與我們分享了他通過在幫助工業用戶落地AI過程中遇見一些難題。首先是虛擬世界與現實世界的結合。

辦公場景的智能體之所以能快速鋪開，是因為它整體上是單一場景，流程相對簡單。而工業智能體必須同時打通虛擬與現實的邊界，涉及跨系統的協同工程變更，還包括工藝層面的決策。以相對簡單的停產評估為例，其涉及評估庫存和在途訂單會受到哪些影響、涉及哪些產品和報廢風險等多個環節，且需要跨多系統協同完成，“單一的智能體根本做不到，需要一個智能體能夠調取多個系統的信息綜合判斷。”呂鳳民如是說。這種“牽一髮而動全身”的複雜性，是辦公室裡的AI助手無法想象的。其次是數據。正如其他行業落地AI時遇見的阻礙一樣。工業的數據量極其龐大，不像辦公智能體的數據規模較小。

更關鍵的是，工業應用講究精確，對大模型常見的幻覺問題幾乎是零容忍。而當前的大模型主要建立在大語言模型之上，在工程應用的正確性方面存在天然的不確定性，需要通過不斷的訓練和驗證來逼近精準。呂鳳民特別強調，工業數據的質量非常重要，數據準備和清洗本身就是一項巨大的工程，而這項工程的質量，直接決定了一個工業智能體的成色。第三是AI權限和安全相關的問題。這方面目前行業內常見的是本地化部署，但有一些需要大參數模型計算推理的環節，企業還是需要採用雲端API調用模型的方式，“但現實是，沒有任何一家軍工、國企或民營企業願意把自己的私有數據放到公有大模型上去。”呂鳳民指出。

針對此，呂鳳民給出的建議是，工業企業應該秉持著“本地優先”的原則，每一類數據存放在哪裡、會流到哪裡、誰能夠訪問，都要能說清楚、能驗證，關鍵領域甚至要保留人工干預。當然，本地優先是有代價的：推理對硬件的要求相對可控，但一旦涉及訓練——比如易立德正在推進的AI CAD業務，對GPU的要求就比較高，這筆硬件投入，對任何企業來說都不是小數目。第四是如何將老師傅的經驗，轉變為工業AI能“看懂”的結構化數據。而在呂鳳民看來，這恰恰是如今ERP、PLM這類信息系統長期無法覆蓋的空白，而智能體是一種補充。

易立德的做法是組建FDE團隊，同時將與企業高級工程師溝通中獲得的知識沉澱下來，“這些知識一定要具有通用性，不能是個例，才能進入本體的知識庫。”呂鳳民進一步指出，“知識庫中相當一部分，就來自FDE長期駐場交付中的知識化沉澱，這是一種笨辦法，但可能是目前唯一走得通的辦法。”工業軟件的下一個十年“工業領域可能兩年以後就沒有標準軟件了，取而代之的是底座和工具，通過這些幫客戶搭建需要的系統。”這是呂鳳民對未來工業軟件發展路徑的判斷。這句話聽起來有些激進，但放在工業AI快速演進的背景下，或許並非痴人說夢。如果把視線放長一點，工業AI接下來幾年的變化，大概會落在幾條線上。第一條線是軟件的交付方式。

傳統的工業軟件模式是“先做一個標準軟件，再到客戶現場去定製化”，這個過程的成本非常高，很多企業為此投入大量的售前資源。但如果AI能夠根據需求文檔直接生成定製化系統，這個邏輯就被徹底改變了。呂鳳民透露，用新的AI開發平臺來做概念驗證，速度比以前降低了很多，可能只需要以前十分之一的工作量。這種效率的提升，意味著中小企業也能用得起過去只有大企業才負擔得起的定製化系統。具體到驗證層面，呂鳳民表示，他們拿原有研發套件做了六十多個Skill，做POC的工作量降到了從前的十分之一，這是可以被驗證的部分。而在驗收環節，他們目前用的指標包括結果質量、端到端耗時、人工介入的工作量、權限是否守得住、異常能不能恢復。

這幾項都很實在，也都很容易被做砸。第二條線是模型變成“可替換件”。今天企業最貴的隱性成本，往往不是模型調用費，而是選錯模型之後的反覆試錯。而這也是易立德想要突破的環節，據呂鳳民介紹，他們將不同任務匹配不同模型，同時讓輸出結果保持一致。邏輯分兩層，調用層適配解決能不能接上的問題，業務層判斷解決結果對不對的問題。據悉，易立德準備將模型匹配本身當成一種商業能力來賣。這個思路如果成立，意味著工業AI的商業價值會從Token消耗轉移到選準模型層面。第三條線是從買智能體到造智能體。企業第一次採購，通常是買幾個現成的數字員工來用；用過一輪之後，真正想要的是自己造的能力。

這也是FDE這類角色會變得搶手的原因：他站在業務和平臺中間，把需求翻譯成可以運行的東西。麥肯錫的調研裡，AI高績效企業有一個共同點，他們重新設計了工作該怎麼幹，而不是把AI塞進原來的流程裡。能做到這一點，往往靠的正是這類人。正是為了契合上述三條工業AI的發展線路，易立德選擇在這個時間點發布三款了產品（Lumen、LuBan和CoCoAI）。其中，Lumen作為統一管智能體資產、身份、權限與運行治理的底座，LuBan作為智能體開發工作臺，CoCoAI則面向普通員工作為數字員工的運行與協作工作臺。

呂鳳民對這個產品組合的解釋非常直白：客戶都在關注AI，但在工業應用上，一個問題是“怎麼找到場景的切入點”，另一個問題是“有沒有能力去進行落地”。而光啟平臺系列就是找到場景去試用，並且不斷幫用戶提升工業AI的能力。在他看來，如果企業自身具備了在具體應用場景中持續發展的能力，這才是中國製造業最需要的能力。工業AI正在從概念驗證走向生產業務場景，而工業軟件的玩法，正在從“賣一套標準產品”轉向“幫客戶把AI能力長在自己身上”。這場重估才剛剛開始。（文｜Leo張ToB雜談，作者｜張申宇，編輯丨楊林）