夜雨聆风
【DTinsight 深度导读】
在工业AI的落地版图中，机械制造业的OEM们是一个极具代表性的观察窗口。
设备制造商既生产工业设备，也在自身工厂中使用这些设备。因此，它们应用AI时往往要同时回答两类问题：一方面，如何让AI进入产品设计、生产制造和售后服务流程；另一方面，如何把AI能力嵌入设备软件乃至整机产品，并最终交付给客户。观察机械制造业的AI应用进展，也就能看到工业AI从概念验证走向真实现场的实际速度。
一边是聚光灯下的自主导航机器人、工艺优化数字孪生和维修AI助手；另一边则是大量工厂仍面临数据分散、老旧产线接入困难、试点困在单个工位，以及投资回报难以量化等现实问题。两种图景同时存在，构成了当下机械制造业AI应用的真实状态。
IoT Analytics发布的《2026年机械制造业AI应用报告》显示，96%的受访设备制造商已在内部运营中部署AI。行业讨论的重点，已经从“要不要用AI”，转向如何把一个能够演示的试点，沉淀为可复制、可运营、可持续创造价值的工业能力。
那么，设备制造商究竟把AI用在了哪些环节？哪些场景已经进入规模化阶段，又有哪些现实障碍仍在拖慢落地进程？以下是物联网智库基于IoT Analytics研究内容所作的梳理与观察。
【IoT Analytics 最新研究】
96%已入场，但规模化仍未完成
AI已经进入绝大多数设备制造商的运营体系。受访企业中，96%至少已在一个业务环节启动AI部署，但不同企业的应用深度仍存在明显差异：
55%的企业已进入规模化应用阶段：其中，45%已将至少一个AI场景推广至全公司，10%已将相关应用扩展至多个业务环节或生产基地
41%的企业仍处于面向特定场景的概念验证阶段
4%的企业尚在规划，尚未进入实际部署
这组数据表明，AI已不再只是少数创新团队的实验项目，但“已经部署”与“形成规模化价值”之间仍有一段距离。对多数企业而言，下一步的重点不应是继续堆叠零散试点，而是补齐支撑跨产线、跨工厂复制的数据、系统和组织能力。
少数领先企业已经率先跨过了从单点试验到全业务链应用的门槛，约翰迪尔便是其中的代表。
作为美国领先的农业机械设备制造商，约翰迪尔已将AI应用延伸至设计、生产和售后服务等多个环节。
在设计环节，公司利用AI模型模拟产品耐久性和可靠性，减少周期长、成本高的实物测试；生成式AI则用于辅助概念设计、评估材料与零部件组合，并支持物料清单（BOM）规划和整机成本测算。
在生产环节，固定式摄像系统与视觉传感器配合，检查轴承等零部件是否安装到位。视觉模型识别装配异常后，可通过制造执行系统（MES）触发标记，避免缺陷流入后续工序。AI还被用于优化生产排程，减少在制品和库存积压，提高现场空间利用率。
在售后服务环节，服务工程师可通过生成式AI助手快速检索设备零部件、维修记录和服务数据，从而缩短问题响应与故障处理时间。
约翰迪尔的实践说明，成熟的工业AI不应停留在某个算法或单一工位，而应贯穿“设计—制造—服务”全生命周期，并让不同环节的数据相互反馈、持续优化。
不过，对更多设备制造商而言，把AI从单点应用推广到多个工厂和业务环节，首先要跨过成本与数据两道现实门槛。
高成本、弱数据：AI规模化的两道门槛
54%的受访设备制造商认为较高的AI成本阻碍了进一步应用，其中28%将其视为关键障碍，25%认为其产生显著影响。
数据基础设施不足同样影响43%的企业，其中13%将其视为关键障碍，30%认为影响显著。
员工技能缺口也影响43%的企业，其中10%认为这是关键障碍，33%认为影响显著。
AI项目的投入远不止模型费用，还包括数据治理、云基础设施、系统集成、算力、人才和长期运维。机械设备生命周期长、生产系统复杂，AI通常需要与PLM、MES、ERP、工业物联网平台及现场自动化系统协同运行。任何一层数据或系统没有打通，都可能抬高部署成本，拖慢项目复制。
食品与饮料机械行业的数据问题尤其突出：80%的企业面临数据基础设施不足，70%的企业受到数据质量问题困扰。终端客户的生产数据往往具有较强的专有属性，设备制造商难以获得访问和使用权限；即便这些数据有助于训练和优化模型，也很难真正进入AI应用闭环。
尽管规模化落地仍受到成本、数据和人才制约，但在部分边界清晰、数据基础较好的业务环节，AI已经率先形成较成熟的应用。机械设计就是其中之一。
机械设计：失效预测率先落地，中等规模企业推进更快
超过三分之一的设备制造商已在设计环节部署基于AI的失效预测工具。受访企业中，37%已实现全面或部分部署，使其成为机械设计领域应用比例最高的AI场景。紧随其后的是AI辅助零部件建模和可制造性设计（DFM），两者的应用比例均为34%。
值得注意的是，中等规模企业在设计类AI应用上的推进速度更快。研究显示，员工人数在5,000至10,000人之间的企业，在几乎所有设计类AI工具的部署进度上，都领先于员工人数超过10,000人的大型企业。例如，52%的中等规模企业已全面或部分部署失效预测工具，而大型企业的这一比例仅为27%。
IoT Analytics认为，中等规模企业更倾向于采用云端设计工具，而这类工具如今往往已经原生集成AI能力。相较之下，大型企业通常面临更复杂的系统环境和更重的遗留架构负担，新工具的引入与推广周期也更长。
与此同时，生成式设计也在加快进入实际应用。约三分之一的设备制造商已经采用相关技术，其中33%的企业使用生成式AI生成CAD模型，25%的企业将其用于概念方案设计。虽然生成式设计整体仍处于早期阶段，但其在缩短设计周期、拓展方案空间和减少重复性工程工作方面的价值，正逐步得到市场认可。
这种价值已经开始在复杂设备配置场景中得到验证。德国设备制造商克朗斯的实践便是一个典型案例。其包装生产线配置高度复杂，20%至30%的客户订单需要定制化工程设计。克朗斯将AI嵌入设备配置、仿真和调试流程，把配置周期从数周压缩至数小时，同时提高配置准确性并减少工程投入。2026年3月，该公司还凭借新一代智能体数字孪生技术获得微软智能制造奖总冠军。
如果说克朗斯展示了AI如何缩短设计与设备配置周期，那么在设备制造商自身的工厂中，AI应用最成熟的方向仍是预测性维护。
生产制造：预测性维护仍是最成熟的AI场景
在设备制造商自身的生产运营中，预测性维护仍是部署最广泛的AI应用。54%的受访企业已在内部生产设备上应用AI预测性维护，其中18%实现全面部署，36%实现部分部署。相比之下，AI工作流自动化和AI机器视觉系统的部署比例分别为37%和35%。值得注意的是，另有38%的企业正在对AI工作流自动化开展PoC或试点，使其成为三类生产应用中试点比例最高的场景，也意味着这一方向可能成为下一轮规模化部署的重点。
中等规模企业在这一场景中的推进速度同样更快：64%的中等规模企业已部署预测性维护，而大型企业的比例为48%。这说明，预测性维护虽然并非新概念，但随着传感器覆盖面扩大、设备联网程度提升和数据分析能力成熟，其应用范围正从少数关键设备延伸至更广泛的生产资产和制造流程。
除设备健康管理外，AI也正在向质量管控、生产优化和自主工厂等更深层场景延伸。DMG MORI的实践体现了这一趋势。该公司进一步将AI用于视觉质量检测、自主工厂AI智能体、对话式技术支持和根因分析。作为自主工厂战略的一部分，AI智能体被用于自动化和优化特定生产流程。该公司表示，这些应用使制造质量缺陷减少66.6%，并将覆盖17个生产基地的生产准备成本降低60%。
上述应用主要发生在设备制造商自身的工厂内部。与此同时，当设备交付给客户后，AI的价值还会沿着设备生命周期继续延伸至远程诊断、维修支持和售后服务。
设备服务：AI“数字技术员”走向现场
在面向客户交付的智能设备中，AI远程诊断是应用比例最高的服务场景，达到48%；其后是服务流程自动化（43%）和AI增强型AR工具（30%）。
从后续应用储备看，远程诊断仍有23%的企业处于PoC或试点阶段，服务流程自动化的试点比例则达到32%，显示两类场景仍有较大的扩展空间。相比之下，AI增强型AR工具整体成熟度较低，25%的企业尚处于评估阶段，另有10%明确表示暂无采用计划。
61%的受访者认为，AI能够有效缓解技术人员技能短缺。随着资深技术人员陆续退休、设备复杂度不断提高，AI辅助诊断和培训工具正在成为弥补经验断层、提升一次修复率的重要手段。
通力展示了一条典型的“工业物联网+生成式AI”落地路径。公司将电梯和自动扶梯接入云端分析平台，在用户察觉故障前识别潜在问题；同时基于Amazon Bedrock开发“技术人员助手”，综合调用设备手册、历史维护记录和联网设备产生的物联网数据，以自然语言回答现场技术问题，帮助技术人员在无需等待后台技术支持的情况下完成初步诊断和故障处置。
该工具最初面向100名用户开展了为期3个月的试点，期间无人退出。此后，产品已推广至11个国家，活跃用户约1,500名；通力计划先将用户规模扩大至6,000名，最终覆盖约4万名技术人员。这一方案的关键，不只是让AI能够回答问题，而是将实时设备状态、企业知识库和历史经验连接起来，转化为现场人员可以直接使用的诊断与处置建议。通力认为，该工具的直接价值在于节省现场作业时间、缩短电梯停机时间，并由此改善客户服务体验。
通力的案例也表明，不同行业对AI价值的定义并不相同：有的重视设备可靠性，有的关注生产精度，也有的优先解决安全与无人化问题。正因如此，22个机械细分行业的AI应用水平呈现出明显差异。
智能设备：机器人与半导体设备行业领跑
IoT Analytics对22个机械细分行业的AI应用情况进行了评估。排名前四的分别是机器人与自动化、半导体制造设备、工程机械和矿山机械；纺织机械、铸造机械等行业则相对滞后。
这种差异与各行业的核心价值诉求密切相关：机器人需要形成感知、决策与执行闭环；半导体设备高度依赖工艺精度和缺陷控制；矿山机械则对安全生产和无人化作业有着强烈需求。
这些不同的业务诉求，也塑造了各细分行业领先企业的AI产品路线。
ABB机器人已推出EyeMotion AI视觉系统、基于Sevensense视觉SLAM的自主导航、准确率超过99.5%的物品拣选，以及通过RobotStudio AI Assistant实现的自然语言机器人编程。小松的FrontRunner无人驾驶运输卡车系统已投运1,000辆卡车，累计运输物料达到115亿公吨；其Smart Construction Edge还利用AI处理无人机测绘数据。在半导体设备领域，应用材料公司则通过AIx和ChamberAI优化工艺参数，利用SEMVision H20开展缺陷复检，并提供基于AI的故障诊断与处置建议。
不同细分行业的AI优先级，本质上由业务压力决定。通力关注的是服务可靠性和设备正常运行时间，小松希望减少人员进入危险矿区的需求，约翰迪尔则试图推动农业生产季的持续自动化。因此，设备制造业并不存在一套适用于所有细分行业的AI实施模板。
下一步：智能体AI与AI商业化
机械制造业中的AI，正在从辅助决策和单点应用，进一步走向更高程度的自主化，同时也开始进入商业模式探索阶段。展望下一阶段，两条主线已经逐渐清晰：一条是探索AI能力的商业化路径，另一条是推动智能体AI真正进入业务流程。
首先是AI商业化。
随着AI功能逐渐成为智能设备的标准配置，企业仍需解决一个现实问题：这些能力究竟该如何定价？是与设备捆绑销售，作为订阅服务单独收费，还是根据实际效果计费？
目前，许多设备制造商尚未形成清晰答案。如果缺少可持续的商业模式，对智能设备AI功能的投入就可能长期停留在成本中心，难以转化为新的收入来源。
在与IoT Analytics的交流中，一些企业表示，现阶段更倾向于把AI视为提升产品吸引力和形成差异化竞争的附加能力，因此暂不计划单独收费。另一些企业则已看到明确的商业机会，准备将AI功能封装为增值模块，纳入整体平台或设备产品体系中销售。
另一条主线是智能体AI。
与主要负责生成内容的传统生成式AI不同，智能体AI不仅能够自主检索数据、整合多个信息源，还可以在具体工作流程中执行操作。对设备制造商而言，这意味着AI的角色正从“提供答案”，逐步转向“参与流程”。
不过，目前真正建立完整智能体AI战略的设备制造商仍然很少。蒂升电梯（TK Elevator）是少数先行者之一。该公司在2026年汉诺威工业博览会上展示了一套面向电梯服务与维护的AI智能体。
其中，蒂升电梯已经部署支持语音交互的任务简报和作业复盘智能体，用于规范现场技术人员的工作流程。服务人员在抵达电梯现场前，即可提前掌握设备状况、任务要求和维修重点，从而减少信息准备时间，提高现场作业效率。
从这一趋势看，智能体AI的价值并不只是“回答得更好”，而是能否进入工单、诊断、派工、维护和服务等实际流程，并在明确权限和规则的约束下完成具体任务。
写在最后
无论是智能体AI，还是AI能力商业化，本质上都指向同一个问题：设备制造商能否把分散的技术能力，沉淀为可复制、可交付、可持续创造收益的工业产品。
96%的采用率很容易让人产生“AI已经成熟”的错觉。事实上，它只说明几乎每家企业都找到了至少一个可用场景，并不代表AI已经在各业务环节全面铺开，更不代表数据、成本、人才、组织和商业模式等问题已经解决。
因此，下一阶段真正拉开企业差距的，不会是是否使用AI，而是能否形成以下三种能力。
第一是复制力。企业能否把一个成功用例从一条产线复制到十条产线，从一个基地推广至全球运营网络？这考验的不只是算法性能，更包括数据底座、标准化接口、模型运维、组织协同和变革管理。
第二是生态力。22个细分行业呈现出的不同路径说明，工业AI无法依靠一个通用技术模块解决所有问题。只有把AI与行业工艺知识、设备特性、工业物联网数据和客户使用场景深度结合，企业才有可能形成长期壁垒。
第三是变现力。随着AI从附加功能逐步成为智能设备的标准配置，企业必须回答如何定价与收费：与设备打包销售、按订阅收费，还是依据实际效果计费？如果缺乏可持续的商业模式，面向客户的AI投入就可能长期停留在成本中心。
而企业规模的不同，又决定了这三种能力的形成路径并不相同。
中等规模设备制造商在内部AI部署上推进更快，但大型企业在面向客户的AI产品化方面更具优势。在BAUMA、EMO、automatica和Interpack等行业展会上，独立AI产品线、品牌化平台和大规模客户部署更多出现在大型设备制造商中。这些企业拥有更强的持续研发能力、渠道体系和存量装机基础，更容易将内部AI能力封装成可销售、可维护、可规模交付的产品。
真正的分水岭，不是谁最早宣布使用AI，而是谁能把AI嵌入机械设备的全生命周期，并最终沉淀为能够持续复制、稳定交付和实现商业回报的工业能力。
