工业AI正从概念验证阶段加速走向产线。据工信部数据，今年上半年全国规模以上工业企业数字化改造覆盖率已达九成，关键工序数控化率69.5％，数字化研发设计工具普及率86.3％，规模以上制造业企业人工智能技术应用普及率超过30％。IDC调研显示，已应用大模型及智能体的工业企业占比从2024年的9.6％升至47.5％，一年内增长约四倍；将这些能力同时用于研发、制造、供应链等多个环节的企业占比从1.7％升至35％。IDC预测，到2028年中国工业企业AI支出规模将接近900亿元，年复合增长率37.7％。
这一增长背后，AI编程能力的跃升是核心驱动力。易立德创始人、总经理吕凤民表示，去年年初对AI能否改变工业软件格局仍有疑问，但随着大模型在编程能力上的突破，行业变化速度远超预期。他透露，此前大型工业系统部署到客户现场时，最大的痛点是庞大的定制化成本，原先需要几个月完成的定制开发，现在可能只需要几分之一的工作量。以造船厂排产为例，过去两名员工需花费超过半个月编制一份三个月生产计划，现在AI半小时可完成九成以上工作，员工仅需一至两小时校对。
政策层面也在同步推进。去年12月，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》，提出到2027年推动3至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，打造100个工业领域高质量数据集，推广500个典型应用场景。
不过，工业AI距离规模化、工程化应用仍有明显距离。麦肯锡报告指出，约88％的企业已在至少一个业务职能中使用AI，但仅约7％的组织实现全组织范围规模化，制造环节的智能体规模化程度最低，仅为3％。吕凤民认为，工业场景与办公场景存在本质差异：办公智能体流程简单、容错率高，而工业智能体需打通虚拟与现实边界，涉及跨系统协同工程变更与工艺决策。以停产评估为例，需综合评估库存、在途订单、受影响产品及报废风险等多个环节，单一智能体无法完成。
数据层面，工业数据量庞大且对精确性要求极高，对大模型幻觉问题几乎零容忍。吕凤民强调，数据准备和清洗本身是巨大工程，其质量直接决定工业智能体的成色。安全方面，军工、国企及民营企业普遍不愿将私有数据放入公有大模型，本地化部署成为常见选择，但涉及大参数模型训练推理时仍需云端API调用。他建议工业企业秉持“本地优先”原则，明确数据存放、流向与访问权限，关键领域保留人工干预。此外，如何将资深工程师的经验转化为结构化数据，也是当前ERP、PLM等系统长期未能覆盖的空白。易立德通过组建FDE团队驻场交付，将现场知识沉淀为通用性知识库。
吕凤民判断，工业领域可能两年后不再有标准软件，取而代之的是底座和工具，由供应商帮客户搭建所需系统。他透露，易立德基于原有研发套件开发了六十多个Skill，POC工作量降至从前的十分之一。若这一趋势成立，中小企业也将有能力负担过去仅大企业可承担的定制化系统。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
