ARTICLE · 1273339
AI都进工厂了,为什么软件之间还经常“听不懂”?
AI都进工厂了,为什么软件之间还经常“听不懂”?
传统工业数字化的下一道难关，可能不是让机器更聪明。 
在传统工业行业工作久了，会发现一个很有意思的现象。 企业里的软件越来越多了。 设备有监控系统，维修有管理系统，采购有采购系统，财务有财务系统。稍微大一点的企业，还可能有ERP、MES、资产管理平台以及各种数据看板。 每套系统拿出来介绍，功能都不少。 但如果把它们放在一起，事情就未必那么简单了。 举个在设备运维行业很常见的场景。 一台关键设备突然出现故障。 监控系统第一时间发出了报警。维修人员赶到现场，检查后发现，需要更换一个零部件。 问题来了。 维修人员需要知道仓库有没有备件。 仓库需要知道这个备件对应哪个型号。 如果没有库存，采购部门就要联系供应商。 项目经理还得确认这笔费用有没有超出预算。 最后，财务人员需要核对采购合同和付款单据。 按照理想情况，这些事情应该在系统之间自动流转。 但现实中，不同部门往往还需要打电话、发微信、填Excel表格。 每个系统都在工作，每个人也都在工作。 可要把一件事情完整地办下来，依然要靠人从中协调。 这就有些奇怪了。 今天的人工智能，已经可以帮助工程师分析故障、检索技术资料，甚至辅助编写维修方案。 可是，为什么有时候连一张维修工单和一张采购订单，都很难顺畅地联系起来？ 我们已经开始教AI理解人类语言，却还没有完全解决工业软件之间的沟通问题。 这不是一句玩笑。 它可能恰好揭示了传统工业数字化发展到今天，仍然面临的一项重要挑战。 2026年10月21日，工业和信息化部工业软件标准化技术委员会正式成立。 在其职责中，有一个词值得关注。 数据互操作。 说得简单一点，就是让不同的软件和系统能够交换数据，并且尽可能正确地理解和使用这些数据。 这件事为什么重要？ 先看一组数字。 工信部公布的数据显示，截至2026年6月底，我国重点工业企业数字化研发设计工具普及率已经达到86.3%，关键工序数控化率达到69.5%。 这说明，我国工业数字化已经有了相当广泛的应用基础。 但数字化程度提高，不等于不同系统已经实现协同。 一台设备可以自动采集数据，不代表维修系统能够直接使用这些数据。 维修系统能够生成工单，也不代表采购系统能自动理解工单上的物料需求。 即使所有数据最终汇总到了一张大屏幕上，也不代表企业已经具备了跨部门的业务协同能力。 这里存在一个容易被忽略的问题。 过去很多企业建设信息系统，往往是按照部门来进行的。 生产部门需要提高生产效率，于是建设生产管理系统。 设备部门需要提高维修效率，于是建设设备管理系统。 财务部门需要规范核算，于是建设财务系统。 采购部门需要管理供应商，于是建设采购平台。 从每个部门自己的角度看，这些投入都有道理。 但企业的实际经营活动，并不会按照部门边界发生。 一台设备发生故障，可能同时影响生产、维修、采购、库存和成本。 企业是按照完整的业务流程创造价值的，软件却常常是按照部门分工建设的。 这就产生了矛盾。 
最容易想到的原因，是技术接口问题。 不同设备可能使用不同的通信协议，不同软件的数据结构也可能存在差异。 有些设备使用多年，接口没有开放；有些系统由不同供应商开发，想连接起来需要额外的软件开发。 这些问题确实存在。 工业自动化领域已经有OPC UA等技术标准，帮助不同设备和系统进行信息交换。 但我认为，技术上的连接只是第一道门槛。 有时候，两套系统即使成功交换了数据，也未必意味着它们理解的是同一件事。 例如，同一台设备，在监控系统中可能有一个设备编号，在资产管理系统中有另一个编号，在采购系统中又对应不同的物料编码。 如果缺少统一的对应关系，计算机又怎么知道这些记录指向的是同一台设备？ 再举一个例子。 维修系统里的“响应时间”，可能指维修人员接到工单的时间。 监控系统里的“响应时间”，可能指设备报警得到确认的时间。 合同管理系统里的“响应时间”，则可能依据合同约定，从报修通知开始计算。 三个系统里都有“响应时间”，但它们的含义却不完全一样。 把这些数据简单拼接起来，甚至可能得到一份看起来十分漂亮、实际却不准确的管理报表。 更深一层的问题，是管理规则。 维修部门希望尽快恢复设备运行。 采购部门希望采购价格合理、手续合规。 财务部门希望成本受控。 仓储部门则希望在满足维修需求的同时，减少长期积压的库存。 这些目标不一定冲突，但也不总是一致。 究竟谁有权决定紧急采购？什么情况下可以跨项目调拨库存？设备故障产生的额外成本应该计入哪里？ 这些问题，单靠开发软件接口解决不了。 因为它们本质上是企业的管理问题。 过去，我们习惯把数据孤岛理解为技术问题。 但从实际经营角度看，数据孤岛背后，往往还有流程孤岛、职责孤岛和管理目标的差异。 软件可以按照程序运行，却不能替企业决定所有管理规则。 
这些问题是否有办法解决？ 有。 而且一些企业已经在实践中取得了可量化的成果。 2026年，《城市轨道交通研究》发表了一篇名为《城市轨道交通车辆维护质量与仓储数字化协同管理实践》的论文。 研究对象是申通阿尔斯通（上海）轨道交通车辆有限公司的数字化转型项目。 这个项目要解决的问题，并不是什么遥远的未来技术。 而是车辆维修过程中的质量管理和仓储协同。 过去，维修质量信息、仓储记录和业务系统之间存在信息割裂，跨部门协调效率受到影响。 为此，企业在自研维修数字化系统中增加了质量管理和仓储管理模块，并通过接口与Maximo系统实现了23类业务单据的实时双向同步。 同时，企业引入条码、RFID等技术，对来料检验、过程质检、委外维修和仓储作业进行数字化管理。 在上海地铁12号线相关车辆大修项目中，论文报告了这样一组结果： 来料检验周期从4.6小时缩短到了2.8小时。 仓储账实相符率从85.3%提升到了99.6%。 质量决策响应时间从48小时压缩到了4小时以内。 这些数字不是整个行业的平均水平，而是特定项目的实施效果。 但它们说明了一件事。 工业软件的价值，不仅来自单个系统功能的增加，也来自不同业务环节之间的衔接。 过去需要人工反复确认的信息，通过更规范的数据和流程，可以更快地传递到需要它的人手中。 这还只是维修行业的案例。 在制造业，还有一个更有意思的故事。 2022年，百威中国与日立合作，将一套名为AI for MRO的系统部署到了全国26家工厂。 MRO指的是维护、维修与运营相关物料。 简单理解，就是工厂日常维修设备所需的备件和物资。 这类物资有一个特点。 备少了，可能影响设备维修。 备多了，又容易造成库存积压。 过去，部分备件采购和库存管理需要依赖人工经验。 哪个备件未来可能会用得多？哪个仓库有多余库存？是否可以在不同工厂之间调拨？ 想把这些问题回答清楚并不容易。 日立与百威从佛山工厂开始验证方案，通过需求预测、库存分析、智能采购与调拨等方式，尝试改善备件管理。 根据日立2023年公开的项目介绍，这套方案上线后，帮助百威削减了呆滞库存、改善库存周转，并减少了一线员工处理相关数据的时间。 日立还披露了库存削减和工作时间缩短的量化成果，不过相关数据来自其内部调研，需要注意统计口径。 在我看来，这个案例最有意思的地方，不是它用了AI。 而是它找到了一个非常具体的经营问题。 企业为什么要建立数字化系统？不是为了让报表更漂亮，而是为了减少不必要的库存、提高资金使用效率，让设备维修更加可靠。 这才是工业数据创造价值的地方。 
这里还有一个值得继续思考的问题。 过去，要让不同系统协同，通常需要工程师开发接口、建立数据映射、设计业务流程。 现在，大语言模型已经具备理解自然语言、读取技术文档、辅助处理数据和调用外部工具的能力。 那么，未来AI能不能成为不同工业软件之间的协调者？ 我认为，方向是值得期待的。 想象这样一个场景。 一台设备发生异常。 AI先根据监控数据和历史维修记录，向工程师提供可能的故障原因。 工程师确认故障之后，AI读取维修工单，查询库存系统中的备件情况。 如果仓库没有库存，它可以进一步检索已批准的供应商资料，形成采购建议。 同时，它还可以根据已有合同和项目数据，帮助项目经理估算维修成本。 整个过程，不再需要工作人员反复登录不同系统，进行大量重复的数据查询和录入。 听起来确实很方便。 但这里有一个前提。 AI首先得知道，不同系统中的数据究竟是什么意思。 如果一台设备有三个编号，而系统没有建立准确的对应关系，AI就可能把错误的维修记录关联到设备上。 如果采购权限没有定义清楚，AI也不应该擅自下单。 如果维修方案涉及安全风险，更不能让模型未经工程师审核就直接操作设备。 所以，AI能够改善信息交互的方式，却无法凭空消除企业长期积累的数据和管理问题。 AI可以帮助软件沟通，但前提是这些软件提供的信息可靠，企业的业务规则也足够清楚。 这也解释了为什么工业软件标准化值得关注。 技术标准、设备信息模型、统一的资产编码、规范的数据接口，以及清晰的业务权限，看起来没有AI大模型那么令人兴奋。 但在真实的工业环境里，它们可能恰恰决定了一套AI系统能否安全可靠地发挥作用。 如果把视角再往外拉一点，就会发现一个更大的商业问题。 过去，工业软件企业主要销售软件许可、实施服务和后续维护。 企业需要什么功能，软件厂商就开发什么模块。 但当越来越多的企业已经拥有了ERP、MES、设备管理和采购管理系统，继续销售一套独立的软件，未必就能解决客户最迫切的问题。 客户更关心的是： 设备故障能不能减少？ 库存资金能不能降下来？ 项目成本能不能核算得更清楚？ 生产和维修效率能不能真正提高？ 这意味着工业软件的竞争，可能逐渐从单个产品的功能竞争，延伸到跨系统协同能力和行业解决方案的竞争。 当然，这并不意味着传统软件会被AI轻易取代。 像ERP这样的企业管理系统，承担着记录交易、控制权限、规范业务流程等重要职能。 AI应用要想真正进入企业经营过程，很多时候反而需要依赖这些系统提供可靠的数据和业务执行能力。 未来更有机会的企业，可能不仅需要懂算法、懂软件，还需要懂实际业务。 比如设备维修为什么需要储备安全库存，工程项目成本为什么难以实时核算，供应商的最低价格为什么不一定代表最低采购成本。 这些问题的答案，并不都写在软件开发手册里。 它们来自工厂、项目现场，以及企业长期积累的经营经验。 最近参与供应链相关管理工作时，我对这一点也有更深的感受。 很多企业真正需要做的第一步，可能并不是采购一套昂贵的AI系统。 而是先把供应商台账整理清楚，把采购品类梳理明白，把物料和项目成本之间的关系建立起来。 这些事情听上去很基础。 但如果连基础数据都不完整，未来又如何让AI帮助企业判断供应链风险、优化采购决策？ 从这个角度看，工业AI的机会，不只是卖模型、卖算力。 围绕数据治理、业务流程整合、行业知识和智能决策，也可能逐渐形成新的服务市场。 至于这些服务最终能创造多大的商业空间，还需要看企业是否真的愿意为可量化的效率和经营收益持续付费。 回头看过去二十年的工业数字化，会发现很多变化。 越来越多的设备接入了网络。 越来越多的业务告别了纸质表格。 越来越多的企业能够实时查看生产、维修和经营数据。 这是非常重要的进步。 但软件数量增加，并不必然意味着企业的管理效率同步提高。 因为企业创造价值的过程，从来不局限在某一个部门、某一套软件当中。 一件产品从设计到制造，再到销售和售后，需要不同部门共同完成。 一次设备故障从报警到修复，同样需要维修、仓储、采购、财务等环节相互配合。 过去我们投入了大量资源，让这些环节分别实现数字化。 到了AI时代，也许应该更认真地思考，如何让它们真正协同起来。 这不只是软件公司的事情，也不只是IT部门的事情。 它同样考验企业管理者是否愿意重新梳理业务流程、明确数据责任，并且改变原有的部门协作方式。 我做了很多年工程技术，后来又接触市场经营和供应链管理。 这些经历让我慢慢意识到： 技术问题有时可以通过增加设备、升级系统来解决。 但经营管理中的很多问题，最终需要人们改变原来的工作方式。 AI会不会成为下一轮工业革命的重要力量？ 我相信它有这样的潜力。 不过，在它真正改变工厂之前，我们或许还有一些看起来不起眼的基础工作需要完成。 工业数字化的上半场，我们忙着让每个部门都有自己的软件。 到了AI时代，也许该认真考虑，如何让这些软件像一个真正的团队那样工作了。
工业和信息化部：工业软件标准化技术委员会成立，2026年10月22日 工业和信息化部：2026年上半年工业和信息化发展情况 王俊：《城市轨道交通车辆维护质量与仓储数字化协同管理实践》，2026年 日立：《以数据驱动协创循环，实现数字化价值的叠加式提升——日立与百威的数字化转型合作》，2023年 OPC Foundation：OPC Unified Architecture技术介绍 注：文章中的设备故障处理流程为典型业务场景举例；企业案例及相关指标来自公开论文和企业披露资料，不代表所有工业企业的实际水平。
一、一台设备坏了，为什么还要打那么多电话？
二、企业不缺软件，缺的是软件之间的共同语言
三、为什么软件之间会“听不懂”？
四、当软件真正开始协同，能创造多大的价值？
五、AI来了，会不会改变工业软件的游戏规则？
六、未来工业软件企业，靠什么赚钱？
七、我们可能需要重新理解数字化
参考资料
