夜雨聆风在新质生产力与数字化转型的浪潮中，AI 已成为绕不开的关键技术。但落地全是坑仍是制造企业普遍面临的问题。制造企业AI到底该怎么落地？AI真的能颠覆工业软件吗？
2026年3月27日，在e-works数字化企业网主办的"第十五届中国智能制造高峰论坛"上，桐昆集团、生益电子、京东方、亨通数科数字化负责人同台，给出了制造业最清醒的答案。e-works CEO黄培博士担任主持人。
从左到右依次是：主持人e-works CEO黄培博士、桐昆集团股份有限公司信息管理部经理许燕辉、生益电子股份有限公司集团信息中心负责人郭荣威、京东方科技集团股份有限公司RD数字化研发部部长吕志超、江苏亨通数字智能科技有限公司CTO陈虎
现在逢会必谈AI，我们都希望能客观、理性地来推进AI。所以第一个议题，在当前AI的汹涌大潮下，制造企业如何考虑自身的数字化转型策略，是否需要All in AI？
桐昆集团股份有限公司信息管理部经理许燕辉
看清自身数字化、智能化基础；分阶段制定适配策略；抓准AI核心要素与落地切入点。
桐昆集团主营大宗原料，属于传统流程型制造企业，我今天的分享和思考，都立足这一行业底色。作为一家传统的制造企业，我们不适合、也不可能盲目All in AI。
围绕AI落地，我有三点思考，供大家参考。
首先企业要做成熟度评估，看清自身数字化、智能化基础。如果企业信息化仍处于初级阶段，建议先夯实底座，不必急于上马AI项目。
二要看清AI技术成熟度，分阶段制定适配策略。不同技术、不同阶段，企业的应对思路和投入节奏应有所区别。
三是要抓准AI核心要素与落地切入点。AI的本质是模型、数据、场景、算力的协同。制造企业要想在AI上取得实效，关键是找准适合自身的切入场景，稳步推进。
生益电子股份有限公司集团信息中心负责人郭荣威
AI无疑是工业发展到现阶段的必然趋势。
对于AI，生益电子整个管理层都高度关注。在AI的应用上，我们认为，首先，AI无疑是工业发展到现阶段的必然趋势。但回顾工业发展历程，我们经历了从人工到机器、从单机设备到自动化连线，再到信息化等多个阶段，每一步升级都没有完全取代上一阶段。
以PCB行业为例，不少企业直到近期才开始自动化连线，很多企业至今仍有不少环节依赖人工。因此，我们不会盲目地All in AI，而是理性看待AI的问题。一是技术仍在高速迭代，新方案、新应用不断涌现；二是AI存在明显的幻觉问题，可靠性有待进一步验证；三是AI与实体设备、生产现场的深度结合还不够成熟。
基于这种情况，我们制定了稳健的应用策略：高度关注、勇于探索，循序渐进、务实落地。优先从离线分析、决策支持等场景切入，验证成熟后，再逐步向生产执行、实体设备联动等环节延伸，这是我们推进AI应用的整体思路。
京东方科技集团股份有限公司RD数字化研发部部长吕志超
对制造企业而言，我们最看重的，始终是质量、稳定、可靠，这是制造业的立身之本。
我们在讨论All in AI这类话题时，必须结合企业自身的发展阶段，看清它在拥抱AI之前的基础与来路。我们的策略是，在"屏之物联"这一长期核心战略基础上，叠加AI+，实现双轮驱动。所以对不同企业而言，单纯跟风提All in AI，我认为是比较冒险的。尤其对制造型企业来说，这并非可持续、可落地的发展策略。这是我的第一个基本判断。
国家战略始终明确，中国企业的数字化转型总体方向，核心是智能制造。所以，无论是AI，还是数字化转型，最终都要围绕智能制造这一核心主题去赋能、去落地。各类使能技术，都应服务于这个根本。
技术浪潮一直在迭代，今天是大模型，明天可能还会有新的热点出现。但对制造企业而言，我们最看重的，始终是质量、稳定、可靠，这是制造业的立身之本。在技术浪潮中，未来智能工厂、智能制造的大趋势不会改变，我们要做的，是抓住AI真正能带来价值的赋能点。
江苏亨通数字智能科技有限公司CTO陈虎
AI在工业里真正能创造核心价值的，不是解决单点问题，而是解决综合性业务问题。
我主要从两个维度来探讨。首先要厘清什么是工业AI。它和我们日常理解的大模型、通用大语言模型完全不同，工业AI的核心，是解决制造业真实场景的问题，比如成本、质量、效率这些实实在在的痛点。第二，在推进AI落地的过程中，我们必须坚持一个原则：坚决避免"言过其实"。
我认为，工业AI的价值，绝不止于大家熟知的视觉检测这类单点场景。
AI的本质，是把人的经验转化为可描述、可解释、可传承、并且做得更好的能力。
除了质量检测，它还可以深度应用在质量分析、质量控制、成本优化、能耗管理、工艺优化等全链条环节。
AI在工业里真正能创造核心价值的，不是解决单点问题，而是解决综合性业务问题：比如降本，涉及原料、能耗、人工、设备等多个环节；比如提质：关联到原材料、工艺、设备、人员操作等全流程因素。在这些综合场景里落地AI，价值才是最大、最可持续的。
在具体推进时，我们还要重点考虑三点：一是自身行业基础与上下游的接受度；二是企业整体预算与投入节奏；三是对外提供解决方案时，坚持顶层设计、分步实施、循序渐进。
AI智能体的推进策略如何，在制造企业有哪些实用的应用场景？AI智能体真的能够颠覆企业软件吗？
桐昆集团股份有限公司信息管理部经理许燕辉
未来AI确实有可能重构企业软件，但现阶段仍面临诸多阻力，全面替代还需要一个过程。
目前，我们在企业内部落地AI智能体，主要还是以通用场景为主，比如办公类的智能问答、合同审核等；在生产领域也集中在工业质检这类相对成熟的应用。
主要是我们发现，通用大模型很难真正解决制造业深度场景的专业问题。因此，我们正联合专业机构，计划打造化纤行业专属的垂直领域大模型。
关于第二个问题，AI智能体是否会颠覆企业软件。我们目前已经实现了部分场景落地，比如员工报销时，只需上传发票，AI就能自动生成报销单并发起流程。但从本质上看，底层的报销系统并没有被替换，只是前端交互和操作流程被AI优化了。
未来AI确实有可能重构企业软件，但现阶段仍面临诸多阻力，全面替代还需要一个过程。
生益电子股份有限公司集团信息中心负责人郭荣威
当前技术正处于高速发展、多路径并行的阶段，未来一定是多样化共存的格局。在我看来，企业应用大模型与AI，大致可以分为三个层次。
第一种是直接使用通用大模型，类似把它当作升级版的搜索引擎，以问答方式使用。第二种是在现有软件中集成AI能力，这也是目前最常见的落地形式。第三种才是独立的AI智能体。独立智能体又可以分为两种模式，实际应用中往往是混合的。一是智能体直接调用大模型能力，实现软件功能；二是由智能体替代人工，去操作和使用各类业务系统，我们目前就属于这种模式。
从这个逻辑来看，我认为AI智能体并不会完全颠覆企业软件。当前技术正处于高速发展、多路径并行的阶段，未来一定是多样化共存的格局。
京东方科技集团股份有限公司RD数字化研发部部长吕志超
对企业而言，这是最稳妥的第一步：在一个可控、封闭的垂直领域，小切口切入。
对我们来说，"AI+"整体分成三大方向：AI+产品、AI+制造、AI+运营。
我本人主要负责AI+产品，聚焦AI与研发设计相关的领域。这几年我们也做了大量探索，我们内部称之为Agent，但目前还不敢直接叫AI Agent。它更多是基于优质数据训练出来、用来替代传统工业软件中某个单一功能的小型专用代理模型。
实践下来，我认为这条路非常有意义：它能让工程师真正摆脱原有软件的束缚，开始接受和使用AI应用。一旦感受到价值，他们就会提出更多真实需求。目前我们已经在光、电、热、力等多个方向，落地了一批单领域智能体。
对企业而言，这是最稳妥的第一步：在一个可控、封闭的垂直领域，小切口切入。在这个基础上，我们再去观察哪些Agent未来具备串联整合的潜力，像to C场景那样打通协同；再依托整个研发域的数据积累，去打造一个真正的"龙虾"。
Agent再往下发展，一定是创新型Agent、组织型Agent，能够真正辅助工程师做决策，这样的Agent才有长期价值。真正的方向，是做能扮演角色、能辅助工程师干活的智能体。
再回到刚才第二个问题：AI能不能颠覆企业软件？
我的判断是，短期有冲击，长期会重构，但不会完全颠覆。那些边界清晰、流程清晰、规则明确的软件和SaaS产品，受到的冲击会比较大。
但对工业软件而言，反而是机遇。因为工业领域几十年来积累的机理、逻辑、知识，不可能在短期内被AI完全学会，企业也很难立刻做到100%信任并完全依赖AI。这注定是一个长期渐进的过程。
所以我有时候在想，我们理解Agent其实可以换个思路。就像早年很多企业用国外的系统，因为授权费用太高，大家就会做很多轻应用来补能力。
Agent有点类似这个逻辑，核心系统我们继续用，保证稳定和底座不变；但那些对外协同、流程衔接、高频操作、人工重复的部分，我们用Agent去做轻量化的应用和增强。
江苏亨通数字智能科技有限公司CTO陈虎
把人的综合分析能力AI化，是智能体未来的大趋势。
其实我对智能体这件事是非常认可的，但还是那句话：我们一定要认清本质、找准定位。
关于AI落地场景，我比较认同2022年某份白皮书里的分类，一共三大类：第一类是感知识别，比如我们常见的质检，替代人工目视检测，这是最基础的一类；第二类是运筹优化，比如设备预测性维护、APS排产优化、AGV路径优化，核心是降本增效，这也是目前行业的主流方向；第三类是经验决策，比如订单预测、销售增量判断等，这是更靠近管理与决策的层面。
例如，质量包含三个环节：检测、分析、追溯与控制。现在大家谈得最多的，基本还停留在检测环节，但真正的核心，其实在分析和追溯。
比如面板良率出了问题，通常是QA先发现，然后去找IE制程工程师分析原因。到底是物料问题、工艺问题，还是设备问题？这个过程需要跨岗位、跨部门协同，反复排查，没有两三天很难得出结论，而且往往只能解决当前这一批次的问题，很难沉淀成可复用的方法论去持续改善。
我们真正想通过AI做的，是把这类资深IE工程师的经验、判断、逻辑从隐性变成显性，把主观经验模型化、体系化，形成方法论。我认为这对企业的质量管控与质量优化，会是非常大的提升。
所以我想表达一个核心观点：把人的综合分析能力AI化，是智能体未来的大趋势。
这也是它和传统系统最大的区别，因为传统系统只能解决单点、规则明确的问题，而企业真正的核心痛点，往往是质量、成本这类跨域、综合、依赖经验的业务问题。智能体的价值，恰恰就在这里。
非常精辟。这里我简单做个小结：现阶段，我们还是应该把分析式AI作为主要突破口。基于数据、模型和算力做深度分析，输出真正有价值的结论，来解决实际问题。而不是一味追求内容生成、代码生成、数控代码生成这些，这些固然重要，但不是当前最紧迫的。
我们制造业推进AI、推进智能制造，根本还是要回到QCD本身：提升质量（Quality）、降低成本（Cost）、保障交付（Delivery）。这才是我们最核心、最务实的目标。
