夜雨聆风
KPMG 制造业AI报告：49%已落地，但数据悖论才是真障碍
工业制造业常被认为是AI落地的「硬骨头」——链条长、场景复杂、对可靠性和安全性要求极高。但KPMG《2026全球科技报告：工业制造业》给出了一个出人意料的结论：制造业反而是AI部署的急先锋。
报告对258位来自航空航天与国防、金属与先进材料等子行业的全球高管进行了调研，核心发现既令人振奋又发人深省——制造业的AI落地率领先于多数行业，但一道「数据悖论」正在阻碍价值的规模化释放。
49%的AI部署率：制造业打破刻板印象
报告最震撼的数据是：工业制造业中49%的受访高管确认正在积极部署AI用例并已实现商业价值，远高于跨行业平均水平的28%。这意味着在制造业这种「硬核」行业，AI已经找到了明确的切入点——预测性质量控制、供应链优化、降本增效——并开始实实在在地产生财务回报。
这个数据对中国的制造企业是一个强烈的正面信号。它打破了「AI只在科技、金融等行业大行其道」的刻板印象，证明在复杂的制造场景中，AI同样能创造可量化的价值。
数据信心的悖论：83%说基础好，76%说数据不可靠
这是报告最核心也最矛盾的发现。83%的高管认为自家企业正在构建强大的AI数据基础，但与此同时，76%的高管将「数据不可靠」列为未来两年内AI面临的首要风险。
这一悖论直指制造业AI落地的阿喀琉斯之踵。高管们可能认为投资了数据湖、引入了数据仓库就是「基础良好」，但他们忽略了数据的质量、准确性、实时性以及跨部门流动的难度。ERP系统、SCADA系统、MES系统——这些来自不同年代、不同供应商的系统产生的数据，在格式、语义和粒度上的差异，远比想象中更大。
报告引入了一个极具前瞻性的概念——「数据本体论」——利用知识图谱和AI来创建数据的数字孪生。这为解决传统制造业数据孤岛、语义不统一等顽疾提供了一条新思路。
网络安全投资大幅加码：48%计划显著增加投入
48%的高管计划在未来12个月内「显著增加」网络安全投资。这一比例高得惊人，表明工业制造业已将网络安全从IT部门的成本中心升级为董事会层面的核心战略议题。
背后的驱动因素有三个：智能制造带来的攻击面扩大（OT与IT融合）、AI本身带来的新安全威胁、地缘政治不稳定导致的供应链攻击风险增加。这意味着未来几年，工业级网络安全解决方案、OT安全专家以及AI安全芯片等细分领域将迎来巨大的市场机会。
报告还清晰地阐述了AI在工业安全中的双面性——既是提升防御能力的利器，也是攻击者可以利用的高级武器。这种辩证视角比单纯强调一个方面更具洞察力。
KPI正在失效：传统指标无法衡量人机协作
59%的高管认为传统KPI已不足以衡量AI增强后的绩效。当AI接管了部分决策和预测任务，传统的「工时」「产出率」等KPI无法衡量人机协作的效率和AI决策的正确性。
同时，89%的高管同意「管理AI代理」将在未来5年内成为重要的工作技能。这意味着未来的工人不再是「按键员」，而是「AI驯兽师」或「AI教练」。制造业需要设计全新的、能够评估AI系统本身性能和其对人机团队整体贡献度的指标体系。
从概念验证到平台化：告别孤立的试点项目
报告明确批评了「孤立试点」的策略，提出了「通过平台进行规模化」的行动建议。这一建议触及了许多制造企业AI部署「雷声大雨点小」的症结——企业往往在多个部门同时开展十几个AI试点，但这些试点之间缺乏协同，数据无法流动，模型无法复用，最终沦为一场昂贵的证明游戏。
报告建议企业集中力量攻克一到两个高价值、已验证的AI用例，快速见成效建立信心，同时同步启动数据基础这一长期工程。这种「双轨并行」策略，既解决了短期信心问题，又为长期规模化奠定了基础。
批判性视角：报告的三个未解之问
第一，报告提到「技术债务」但未深入剖析其在工业制造业的具体体现。大量老旧PLC和DCS系统、定制化严重的ERP系统，才是AI落地的真正绊脚石——这些问题远比「建立数据湖」更棘手。
第二，报告未深入探讨AI的价值对齐问题。一个被训练为追求「最大产出」的AI，是否会做出牺牲产品质量或员工安全的决策？在质量与安全要求极高的制造业，AI的可解释性和可控性比模型精度更为关键。
第三，258份样本对于一个全球性、多子行业的制造业而言，样本量相对有限。且受访者大多是年营收超10亿美元的规模化企业，报告未能充分反映广大中小型制造企业在数字化转型中面临的更严峻挑战。
对中国制造业的启示
对中国制造企业来说，最务实的第一步不是购买昂贵的服务器或大模型，而是扎扎实实地进行数据治理——打通OT和IT系统数据的壁垒，建立统一的工业数据标准和数据本体。
同时，报告指出的边缘计算与AI结合的巨大潜力，与中国的现实需求高度吻合。中国制造业有大量老旧产线和分散车间，对实时性、安全性和成本敏感。推动AI模型轻量化，使其能在边缘设备上运行，结合本地数据进行快速决策，是落地的最务实路径。
结语
这份报告是一份优秀的战略导航图——它成功定义了方向、指出了关键障碍（数据）、强调了核心风险（安全、人才）。但正如报告自己揭示的数据悖论所暗示的，知道问题所在和解决问题之间，还有一条很长的路要走。真正的挑战不在于技术本身，而在于如何将技术无缝、安全、可信地嵌入到已经存在了上百年的工业体系中。从「智造」的马拉松才刚开始。