想逃离工业软件的年轻人，恰恰站在AI最大的金矿上

我们都在寻找AI的落地场景，却忽略了最好的场景就在脚下。

前几天，我和一位年轻的同事聊天。

他说他现在做工业软件开发，遇到了很大的困难——行业不够了解，甲方嘴里蹦出来的"注塑工艺"、"SMT回流焊"、"Modbus寄存器"他完全听不懂；项目代码也看不懂，一个MES系统几十万行代码，继承了三代开发者的思路，光搞清楚业务逻辑就得花几个月。

"我想去做智能体开发。"他跟我说这话的时候，眼睛里有光。

我问他："你想做什么样的智能体？"

"知识库！很多工厂都需要知识库，"他兴奋地说，"把设备说明书、操作规程、维修手册灌进去，工人用自然语言就能查。还有智能问数，工厂老板对着屏幕问一句'今天3号线产能多少'，系统自动回答——这些我们也能做啊！"

我沉默了几秒，然后问他一个问题：

"客户，会为这两种功能付费吗？"

一个常见的认知陷阱

这不是这个年轻同事一个人的问题。

过去一年，AI行业出现了大量"通用智能体"产品：企业知识库、智能问答、智能问数、自动化工作流……每一家创业公司都拿着几乎相同的demo去找客户。结果呢？

客户试用的时候很兴奋："这个东西挺有意思的。"然后问价格。"一年5万。"客户的笑容凝固了。

为什么？因为这些功能没有解决客户的"切肤之痛"。

知识库好用吗？好用。但工厂的问题不是"找不到文档"，而是"找到了也看不懂"。智能问数方便吗？方便。但工厂的问题不是"拿不到数据"，而是"拿到了数据也不知道该怎么决策"。

客户不会为"有趣"买单，只会为"有用"买单。 而"有用"的衡量标准只有一个：能不能让他少花钱、多赚钱。

真正的好场景长什么样？

我那天晚上想了很久，突然意识到：我们大多数人在寻找AI落地场景时，都犯了一个错误——我们选的是"好做"的地方，而不是"值得做"的地方。

判断一个场景是否值得AI投入，有三个标准：

通用知识库？三个条件一个都不满足。智能问数？勉强沾边第一个，但门槛太低。

而有一个场景，三个条件全部满格——

工业软件交付。

工业软件交付：被忽视的百亿困局

先看一组数据：

• MES项目成功率仅40%-55%——这意味着有近一半的制造执行系统项目，要么严重超期超预算，要么最终失败搁浅。
• 定制化项目利润率仅20%-25%，超过30%的软件厂商表示定制项目处于亏损状态。而标准化产品的毛利率可以达到35%以上。
• 工程师30%以上的时间花在图纸查阅、历史代码检索、需求文档翻找上——这些时间，本可以用来解决问题。
• 硬件改造成本经常超过软件授权费用——为了让"哑设备"开口说话，加装传感器、PLC接口板、工业网关的费用，往往超出客户预期。
• 2025年工业软件市场达3330亿元，但国产份额仅7.6%。大量交付项目依赖国外软件和昂贵的实施顾问。

这不是一个缺乏需求的市场。恰恰相反，这是一个需求极度旺盛、但交付能力严重不足的市场。

根源在于三个"剪刀差"：

知识剪刀差：甲方有深厚的行业知识（工艺、设备、管理规范），乙方有软件开发能力，二者之间隔着一个巨大的认知鸿沟。实施顾问既需要懂软件、又需要懂自动化、还要懂工艺——这类复合型人才在市场上极度稀缺、极度昂贵。

数据剪刀差：每个工厂都有海量的专有数据——设备参数、工艺路线、质检标准、故障记录。但这些数据锁在Excel里、锁在老师傅的脑子里、锁在异构的PLC和SCADA系统中，无法转化为可复用的知识资产。

效率剪刀差：客户期望MES像安装Office一样立竿见影，但实际上每个项目都需要数月甚至数年的定制开发。需求的反复确认、设备的逐个对接、流程的逐条梳理——交付周期越长，客户满意度越低，厂商利润越薄。

这，才是AI应该上场的地方。

用三步方法论验证：为什么这是AI的黄金场景

我们内部有一套AI应用定义方法论，分三步：①角色定义 → ②场景再现 → ③价值评估。用这个框架来审视工业软件交付，你会发现它完美吻合。

第一步：角色定义（Who）

关键洞察：决策者不是在看"有没有AI功能"，而是在看"能不能让我的产线尽快跑起来"。付费意愿不是来自"新奇"，而是来自"刚需"。

第二步：场景再现（Where & How）

让我们走进一个真实的交付现场：

物理场景：某电子厂SMT车间，6条产线，设备品牌五花八门——松下贴片机、HELLER回流焊、德律AOI，还有几台用了十年的老设备，连网口都没有。

操作流程（当前状态）：

1. 实施工程师拿着Excel工艺卡，一条一条录入系统（3天）
2. 逐个设备调试通信协议——松下的用SECS/GEM，HELLER的用Modbus TCP，老设备没有接口得加装IO模块（2周）
3. 根据客户的质检标准配置检验规则——外观、尺寸、电气性能，每种缺陷的判断逻辑都不一样（1周）
4. 客户说"我们还有一个手工组装线也要上系统"，推到重来……

AI能做什么：

• 自动解析设备协议：上传设备说明书PDF，AI自动识别通信协议和寄存器地址，生成数据采集驱动代码
• 理解工艺流程并生成配置：客户口述流程，AI自动转化为系统配置和检验规则
• 自然语言生成报表：客户说"我要看每条线的OEE和直通率"，AI自动编排数据逻辑和报表布局
• 异常场景自动处理：设备通信中断、数据超限、流程跳转——AI根据历史经验自动推荐处理方案

第三步：价值评估（Value）

这才是最让人兴奋的部分。我们不谈"提升效率"这种模糊表述，我们把每个维度的价值换算成钱：

综合ROI：项目盈利从"勉强保本"翻转为"高速增长"——这才是客户（和软件厂商）愿意买单的根本理由。

先行者已经在路上了

这不是未来时，而是进行时。

科远智慧：针对能源、化工、冶金行业的智能软件工厂。过去一套工业运维管控工具，5人团队需要45天才能交付；现在1名研发人员借助AI智能体，20天完成，代码缺陷减少一半，7×24小时自动监控。

南高智能装备创新中心：打通需求、设计、开发、测试、部署全链路，项目开发周期缩短30%，单版本缺陷从200个降至30个以内。

西门子Eigen Engineering Agent：原生集成TIA Portal平台，AI自动生成PLC代码、HMI界面和硬件配置。100+全球项目验证，工程效率提升50%，开发速度提升2-5倍。

天洑软件：仿真智能体支持自然语言驱动——过去工程师做一次汽车碰撞仿真需要建模、参数设置、网格划分等复杂步骤，耗时10小时；现在说一句话"计算30米/秒风速下的风阻"，AI几分钟出结果。

这些案例的共同特征是：AI不是在替代工业软件，而是在降低工业软件的生产成本。

回到那个年轻人

我把这些想法发给了那位年轻同事。

"你有没有想过，"我说，"你遇到的困难——看不懂行业、看不懂代码、每个项目都是从头学——这些恰恰是AI最擅长解决的问题？"

他沉默了很久。

"可是做知识库和智能问数容易多了啊。"他最后说。

"对，容易。"我回他，"但容易的事情，人人都会做。而困难的事情做成了，才是真正的壁垒。"

工业软件交付的"困难"——庞杂的行业知识、割裂的专有数据、复杂的个性化需求——这些不是AI的障碍，而是AI的护城河。

因为AI擅长的不就是：在海量知识中快速检索、在异构数据间建立关联、在重复劳动中不断提效吗？

你不需要逃离工业软件。你只需要带着AI，重新杀回去。

本文由 工业AI小胖 原创，第31篇。欢迎转发，转载请联系授权。

数据来源：e-works《2025 MES厂商生存大挑战》、工信部《2025年全国软件业经济运行情况》、2026南京软件大会公开报道、西门子官方新闻稿