SaaS创业路线图系列 | 第250篇

【近期本号在北京、上海循环举办实战研讨课，每场10家软件企业一起探讨《AI产品与全组织AI改造》，欢迎点击了解详情：】

过去十年，工业互联网没有少投入。

很多企业做了设备联网、数据采集、工业大屏、平台建设，也上了MES、ERP、WMS、QMS等系统。但回头看，真正产生持续经营效果的项目并不算多。

这就带来一个问题：

以前IT做工业互联网效果不好，AI来了以后，会不会因为技术阶段不同，出现新的机会？

我的判断是：会。

这不是因为AI可以替代工业软件，也不是因为大模型一来，工业现场的问题就自动解决了。

真正的变化在于：

过去IT主要是“记录系统”和“连接系统”；AI之后，工业互联网第一次有机会从“连接现场”，走向“理解现场”和“参与作业”。

这可能是工业软件与工业互联网的新机会。

一、过去工业互联网为什么效果不好？

过去工业互联网的核心动作，是把设备、系统、数据连起来。

这当然重要。没有连接，就没有数据；没有数据，就谈不上智能制造。

但很多项目的问题是：连接完成之后，价值没有继续往下走。

设备数据采上来了，但没有变成工艺判断；生产过程可视化了，但没有改变班组长的决策；大屏做出来了，但现场异常仍然靠老师傅经验；系统上线了，但质量、交付、成本、能耗并没有形成持续优化闭环……

所以，过去很多工业互联网项目不是没有技术，而是停在了“数字化对象”，没有进入“智能化作业”。

它解决了“看得见”的问题，但没有真正解决“看懂、判断、行动、验证”的问题。

工业现场最难的地方，恰恰不只是数据采集，而是数据背后的语义。

一个温度数据，不只是一个数字。它属于哪台设备？哪个工艺段？哪个批次？哪个物料？当前处于升温、保温还是降温阶段？这个数值偏高是正常波动，还是质量风险？需要谁来处理？处理之后如何验证？

传统IT系统很难回答这些问题。

这也是为什么过去工业互联网经常变成“平台很大，场景很虚；数据很多，结果很少”。

二、AI带来的变化，不只是多了一个工具

AI来了以后带来了真正的变化，技术能力从结构化数据处理，扩展到对非结构化知识、复杂上下文和作业过程的理解。

过去IT系统擅长处理订单、库存、工单、报表、审批这些结构化对象。但工业现场大量知识并不在表格里，而是在操作规程、维修记录、质量偏差报告、工艺文档、图纸、图片、视频、老师傅经验和历史案例里。

这些知识过去很难进入软件系统。

现在，大语言模型、多模态模型和Agent，使工业软件有机会处理这些“过去IT处理不了的知识”。

这会带来四个变化。

第一，从数据采集走向语义理解。

系统不只是知道“压力升高了”，而是能结合设备、批次、工艺路线、历史异常和质量标准，判断这个压力升高意味着什么。

第二，从人看报表走向AI辅助判断。

过去系统提示异常，下一步仍然靠人查原因。未来系统可以直接提出可能原因、影响范围和处理建议。

第三，从辅助分析走向有限作业。

AI不仅能解释问题，还可以生成工单、推荐排产调整、辅助维修诊断、生成质量偏差分析初稿，甚至在限定权限下触发某些流程动作。

第四，从项目交付走向持续学习。

每一次异常处理、每一次工艺调整、每一次质量验证，都可以沉淀为下一次判断的依据。

这就是AI与过去工业互联网最大的区别：

过去是把现场数字化；现在是让系统逐步理解现场，并参与现场作业。

三、但AI不会绕过工业软件

这里也要避免另一种误解：既然AI这么强，是不是就不需要MES、LIMS、QMS、ERP这些工业软件了？

我认为不会。

恰恰相反，AI越进入工业现场，越需要稳定的工业软件底座。

因为工业不是办公场景。办公场景里，AI写错一段话，重新修改就行；工业现场里，错误可能带来质量事故、安全事故、停线损失和合规风险。

所以，MES、LIMS、QMS、ERP、PLM、SCADA这些系统不会很快消失。它们仍然承担记录、流程、权限、审计、追溯和责任边界。

AI不应该直接替代这些确定性系统，而应该在它们之上形成一个新的智能作业层。

未来工业软件可能会形成四层结构（可对比本号讲述通用软件架构的前作：企业AI软件新架构：新增“治理层”与“行动层” ）

第一层，是确定性控制层，包括PLC、DCS、SCADA、安全联锁和设备控制。

第二层，是业务记录与执行层，包括MES、LIMS、QMS、WMS、ERP、PLM等系统。

第三层，是工业语义与数据层，定义设备、工艺、物料、批次、质量、权限和异常规则。

第四层，是智能作业层，由Copilot和Agent完成查询、诊断、预测、建议、生成、校验和有限执行。

真正有价值的AI，不是悬浮在系统外面的聊天机器人，而是嵌入工业软件体系中的智能作业能力。

四、工业互联网的新机会：从平台能力转向作业能力

过去工业互联网常常讲平台。

平台连接多少设备、采集多少数据、支持多少协议、覆盖多少工厂。

这些能力当然有价值，但客户最终不会为“平台很大”长期付费。客户真正关心的是：

良率有没有提升？能耗有没有下降？老师傅经验有没有沉淀下来？……

所以，AI时代的工业互联网，不应该再重复过去“建大平台”的故事，而是要从平台能力转向作业能力。

所谓作业能力，就是围绕一个具体工业问题，形成“发现问题—判断原因—提出方案—执行动作—验证结果—沉淀经验”的闭环。

例如设备预测性维护，不只是采集振动数据，而是能判断风险、解释原因、生成检修建议、联动备件库存和维修工单，并在维修后验证效果。

例如质量偏差分析，不只是记录不合格批次，而是能追溯工艺参数、设备状态、人员操作、原料批次和历史案例，辅助质量负责人完成调查和CAPA。

例如排产优化，不只是把订单排进计划表，而是结合设备能力、物料供应、工艺约束、交付优先级和异常风险，持续动态调整。

这些才是AI给工业互联网带来的真正机会。

五、工业软件公司的机会，不是“加AI”，而是重构产品能力

对工业软件公司来说，AI时代最大的机会，不是给老系统加一个AI入口。

更大的机会，是重新思考产品能力的结构。

过去工业软件公司的核心资产，通常是功能模块、项目经验和客户关系。

未来更重要的资产，是行业语义、数据上下文、作业流程、验证体系和持续运营能力。

一家优秀的工业软件公司，应该能把项目中的经验沉淀下来。这样，AI才有真正可用的上下文。

否则，AI只能在混乱的数据和文档里猜答案。看起来很聪明，落到现场就不可靠。

所以，工业软件公司未来的竞争力，不只是“谁接入了更强的大模型”，而是：

谁更懂行业对象，谁更懂工艺约束，谁更能把项目经验产品化，谁更能把AI变成可验证的作业结果。

六、AI Coding也会改变工业软件的交付方式

AI对工业软件的另一个影响，是AI Coding。

过去工业软件公司很怕定制。因为定制容易带来版本分叉、升级困难、维护成本上升。

AI Coding会降低一部分成本，例如代码理解、接口开发、脚本编写、测试用例生成、历史代码重构和版本合并。

这意味着工业软件公司未来具备更强的个性化交付能力。

但这件事不能过度乐观。在工业软件里，写代码往往不是最贵的。真正贵的是验证、联调、合规、培训、验收、升级和责任承担。

所以，AI Coding的价值不是鼓励公司写更多定制代码，而是帮助公司把个性化需求变成规则、配置、流程、测试和验证证据。

未来工业软件的好架构，不是无限定制，而是 —— 

稳定内核 + 行业语义模型 + 可配置工作流 + 扩展接口 + 自动化验证体系。

AI Coding越强，这套产品架构越重要。

七、结论：AI让工业互联网进入第二阶段

如果说过去十年，工业互联网的关键词是连接、采集、上云、平台。

那么接下来几年，新的关键词会变成语义、作业、Agent、验证和结果。

工业互联网不会消失，它会变成工业AI的底座。

真正的新机会，不是再建一个更大的工业互联网平台，也不是简单推出一个AI版MES，而是基于确定性的工业软件底座，向上生长出工业语义层和智能作业层。

过去IT实现效果不好，是因为它更多完成了“把现场数字化”；AI带来的新机会，是让系统开始“理解现场，并参与现场作业”。

但最后决定成败的，仍然不是模型本身，而是工业软件公司能否把客户现场的know-how、流程、数据和验证体系，沉淀成可复用的产品能力。

这才是AI给工业软件、工业互联网带来的真正机会。

软件公司的AI改造分级L1-L4：从个人工具到经营重构（含真实案例拆解）

企业AI软件新架构：新增“治理层”与“行动层”

===END===

实战课中我们也会讨论行业软件、通用软件AI新机会，以及组织如何改造等系列话题，感兴趣的同学欢迎报名实战课：《AI产品与全组织改造》。加我助手微信：SaaSroad1咨询及报名。