AI 给工业软件带来的机会在哪

工业互联网做了十年左右，设备连了、数据采了，但工厂的作业方式没怎么变。AI 的机会在于让软件具备理解现场、辅助判断与执行的能力。文章围绕四层架构、作业闭环和行业经验沉淀三个方向展开。

工业互联网做了十年左右。该连的设备连了，该采的数据采了，该上的云也上了。但大部分工厂的一线操作方式和十年前没有本质区别。

MES 装了，班组长还是靠 Excel 排单。QMS 上了，品质异常还是靠人盯着发现。SPC 控制图天天在跑，但异常信号出来了要不要停线，还是凭经验拍板。数据大屏亮着，没人看。

引入 AI 之后，一个常见的做法是给这些系统加一个聊天入口。但工厂的人其实不需要聊天。他们需要的是：该做决定的时候，有个东西告诉他——现在情况是这样，可以这么处理，上次类似情况是怎么解决的。

这才是 AI 在工业场景里的切入点。不是替代谁，是在复杂判断的环节搭把手。

工厂里最有价值的东西，系统从来没接住过

一个干了二十年的老师傅，听轴承转动的声音就能判断还能用多久。一个有经验的工艺工程师，看一眼温度曲线就知道这炉料的碳含量偏了。这种能力在工厂里极其值钱，但它只存在于人的脑袋里。

过去的信息化系统——ERP、MES、WMS、QMS——本质上都是记录系统。记录发生了什么，但不记录「为什么这样处理」。

举个例子。订单按时交了，系统知道。但为什么排产的时候把这个订单提前了两天？系统不知道。那是计划员脑子里的判断——客户重要、某台设备明天要保养、上游物料可能晚到一天。这些因素综合在一起，他做了一个决定。这个决定的过程，没有任何系统记录过。

老师傅退休，经验就消失了。新人来了，重新交学费。做过制造业的人应该都有体会。

AI 有可能改变这件事。不是说 AI 能变成老师傅，短期内做不到。但 AI 能把散落在历史数据、操作记录、工艺文档和异常处理日志里的隐性经验，提炼出来，变成系统可用的判断依据。这一步以前做不到。

四层结构：一个实用的思考框架

给工业软件画一张架构图，可以分成四层来看。

最底下是硬控制。PLC、DCS、SCADA、安全联锁。特点是确定性——程序写好了就按程序走，设备该急停的时候必须急停。这一层容不得概率判断。

往上是业务系统。MES、ERP、QMS、LIMS、WMS。处理的是记录和流程，是企业运营的账本。

再往上一层，很多工厂是缺失的——工业语义层。什么意思？就是把行业经验编码成机器能读懂的规则。

比如：这种材料在冷镦工艺中的变形量不能超过多少。这台设备的振动频谱出现某个特征意味着轴承内圈有问题。这个客户的分选标准和国标不一样，要按客户自己的规格来。这些东西散落在工艺卡片、纸质文档、老员工脑子里，或者干脆没有记录。

最顶上才是 AI 作业层。Copilot 也好，Agent 也好，它们在第三层提供的上下文里干活——回答问题、做诊断、跑预测、给建议。

四层的关系其实很简单：第一层和第二层大部分工厂有了。第四层大家都想上。但第四层能不能用，取决于第三层。一个大模型去分析设备异常，如果它不知道这台设备正常工况是什么、历史上出过什么问题、维修记录在哪，很难给出有价值的判断。

所以对工业软件公司来说，当务之急不是抢着上 Agent，是先把第三层搭起来。这一步跳不过去。

企业要的是结果，不是平台有多大

过去工业互联网行业有个习惯：用连接设备数、数据采集量、平台覆盖范围来证明自己的价值。投标的时候比谁的平台接了更多协议，演示的时候秀大屏上跳动的数字。

但企业真正关心的是另一回事。一家轴承厂的老板在意的是：废品率能不能从 3% 降到 2%？换型时间能不能从 40 分钟缩到 25 分钟？老张明年退休了，他知道的那些东西能不能留下来？

这个差距不是话术问题，是产品设计问题。

拿排产举例。大部分排产系统做的事情是：拿到订单，按交期排进甘特图，考虑一下设备产能，输出一张计划表。

实际排产要复杂得多。这台设备明天上午要做预防性保养。那个模具打了 8000 件该换了。客户 A 的单虽然交期晚但他是大客户不能拖。上游的钢材供应商说可能晚到一天。这些因素每天都在变，排产计划每天都要调。做过排产的人都知道这种感觉。

传统排产软件处理不了这种动态性。AI 能做的是持续监控这些变量，在某个条件变化时重新评估影响，给出调整建议，计划员确认后更新排程。说白了，不是排一张计划，是维护一个持续适应变化的计划。

质量追溯也是类似的逻辑。客户退回来一批货说尺寸超差，品质部门去翻记录——查这批货是哪天生产的、用的什么材料、在哪台设备上做的、当班操作员是谁。这个过程可能花半天到一天。AI 能在收到退货信息的那一刻自动关联生产批次，回溯当时的工艺参数和设备状态，找出最可能的偏差原因，甚至检查当前还在线上的同批次材料有没有同样的风险。

工业软件公司该建什么样的壁垒

大模型的 API 调用门槛已经很低了。接一个 DeepSeek 或者 Qwen 的接口，让用户能跟系统对话，技术上用不了几天。但这不构成壁垒，因为同样的接口谁都能调。

真正难复制的东西在更深的地方。

第一是行业对象的建模能力。轴承行业的质量标准长什么样，冷镦、热处理、磨削、装配这几个工序之间的质量传递关系是什么，不同客户对同一个产品的检验标准差异在哪里。这些知识需要长期扎在行业里才能积累。

第二是工艺约束的编码能力。工艺有硬约束——超过这个温度材料就废了；也有软约束——理论上可以但良率会掉。把这些约束变成系统能理解和执行的规则，需要同时懂工艺和懂软件的人。这种人市场上极少。

第三是项目经验的产品化。每做一个项目，都会碰到新的异常模式、新的工艺变体、新的管理需求。关键是这些经验能不能沉淀下来，变成可复用的规则和模板。能做到这一步的公司，才有可能从做项目变成做产品。

说到底，大模型提供的是通用的推理和生成能力。喂给它什么上下文，它就输出什么质量的结果。行业知识、工艺规则、历史案例——这些上下文的质量，才是决定 AI 应用是否可靠的关键。

AI Coding 会改变交付，但幅度可能没那么大

AI 辅助编码确实在降低软件开发的部分成本。读遗留代码、写适配接口、生成单元测试、做代码重构——这些环节的效率提升是实在的。

但工业软件项目的成本结构得看清楚：编码大概占 15-20%。剩下的是需求调研、方案设计、系统联调、数据迁移、用户培训、现场验收、合规审查和后期运维。AI Coding 能加速的是那 15-20%，剩下 80% 基本动不了。

所以 AI Coding 带来的机会不是「可以接更多定制项目」——那条路通向的是更多的版本分叉和更高的维护成本。正确的方向是用 AI Coding 的生产力来构建更好的产品架构：稳定的内核、灵活的配置机制、标准化的扩展接口、自动化的测试验证。让企业的个性化需求通过配置和扩展来满足，而不是改源码。

接下来几年会发生什么

工业互联网不会消失，但角色会变。数据采集和设备连接的能力仍然需要，但它们会退到后台，变成 AI 作业层的基础设施。

变化大概率从离散制造的几个高频场景开始——排产、质量追溯、设备维护。这些场景有个共同特点：数据相对齐全、判断逻辑可以编码、错误的代价可控。流程工业涉及更多安全和合规约束，渗透速度会慢一些。

对工业软件公司来说，未来两三年最该投入的两件事：

一是建设工业语义层。把行业知识、工艺规则、异常模式结构化地沉淀下来。这是 AI 能力的地基。没有这一层，再强的大模型也只是一个能说会道但不懂行的外行。

二是在每个项目中有意识地做行业经验的提取。不只是交付一套系统然后走人，而是把获得的行业理解留下来——变成规则库、案例库、工艺模板。这些积累做到一定厚度，产品化和规模化就有了基础。