《人工智能+制造》专项行动落地：制造企业如何从数据治理走到工业智能体？

很多制造企业已经具备MES、ERP、PLM、设备联网和数据中台，但一旦进入人工智能项目阶段，仍会遇到三个现实问题：数据不少，却无法直接用于训练和推理；模型能够演示，却难以嵌入生产流程；试点看似有效，却无法证明投入产出。《“人工智能+制造”专项行动实施意见》释放出的重要信号，是制造业智能化不能只停留在采购模型或建设算力，而要围绕数据、模型、场景和治理形成完整的项目闭环。

对企业而言，政策目标不应被简单理解为“再做一个AI项目”，而应转化为一套可执行的项目计划：先找到值得改造的业务流程，再盘清数据基础，随后完成模型与现有系统集成，最后用业务指标和治理指标共同验收。下面以四个阶段拆解这条落地路径。

一、先把政策目标翻译成企业项目目标

专项行动强调高质量数据集、工业智能体和典型应用场景，背后对应的是制造企业的三类能力建设：

• 数据能力：能够持续获取、治理、标注和调用生产经营数据；
• 模型能力：能够将行业大模型、工业智能体或企业知识库嵌入业务流程；
• 应用能力：能够在研发、生产、质量、设备、供应链和经营管理中形成可衡量的改进结果。

因此，企业立项时不宜使用“建设人工智能平台”“引入行业大模型”这类过于宽泛的目标，而应改写为：

在某一生产线或业务环节中，利用可审计的数据和可控的模型能力，降低某项成本、缩短某个周期、减少某类错误，或提高异常响应速度。

例如，“建设质量智能体”不是完整目标，完整目标应包括：

• 面向哪类产品或工序；
• 解决缺陷判定、原因分析还是质量文件生成；
• 使用哪些数据；
• 是否允许模型直接触发处置动作；
• 由谁审核；
• 在多长时间内达到什么业务结果。

这一步决定了后续数据治理范围、模型选型、系统集成方式和验收标准。

二、第一阶段：场景筛选，优先改造高频、可衡量流程

人工智能+制造的第一道门槛不是模型，而是场景。企业应先建立场景池，再进行分级，而不是让各部门自行申报“想用AI解决的问题”。

1. 用四个维度筛选场景

建议从以下四个维度给候选场景打分：

评估维度	重点问题	优先特征
业务价值	是否影响产能、良率、交付、成本或安全	价值链位置关键，改进结果可量化
数据条件	是否已有连续、稳定、可追溯的数据	数据来源明确，字段和口径相对统一
技术可行性	模型是否能够辅助或完成任务	任务边界清晰，结果可验证
推广能力	是否能复制到其他产线、工厂或产品	流程相似，接口和规则可标准化

通常，设备异常预警、质量缺陷分析、工艺参数推荐、维修知识问答、生产排程辅助、供应商交付风险识别等场景，比较适合作为初期试点。但这并不意味着所有企业都应从同一个场景开始，关键在于业务痛点是否真实、数据是否可用、结果是否能够闭环。

2. 区分“辅助决策”和“自动执行”

工业智能体涉及感知、分析、规划、调用工具和执行任务，风险等级明显高于普通问答系统。企业应在立项阶段就划定权限边界：

• 低风险任务：查询设备历史记录、生成维修报告、检索工艺文件；
• 中风险任务：提出排产建议、推荐工艺参数、生成质量处置方案；
• 高风险任务：直接修改控制参数、自动下发生产指令、触发停机或放行。

试点初期应优先选择低风险和中风险任务，并保留人工确认机制。对于涉及安全、质量放行、设备控制和客户交付的动作，不能仅凭模型输出直接执行。

三、第二阶段：数据盘点，从“有数据”走向“可用数据”

工业数据治理不是简单地把数据集中到一个平台，也不是单纯增加数据标注人员。它要解决的是数据能否被理解、被调用、被验证和被追责。

1. 建立面向场景的数据清单

每个试点场景至少应盘点以下内容：

• 数据来源：设备、传感器、MES、ERP、PLM、WMS、质量系统或人工记录；
• 数据粒度：设备级、工单级、批次级、产品级还是企业级；
• 数据周期：是否覆盖正常状态、异常状态和维修后的状态；
• 数据质量：完整性、准确性、一致性、及时性和唯一性；
• 数据关系：能否将设备、工单、人员、物料、工艺和质量结果关联起来；
• 数据权限：哪些数据可以训练，哪些只能检索，哪些不能离开生产环境；
• 数据责任：谁负责采集、维护、审核和问题纠正。

如果质量缺陷记录无法关联到具体批次、设备和工艺参数，模型再先进，也很难完成可靠的原因分析。数据治理的首要任务，是补齐业务链条中的关键关联，而不是追求数据总量。

2. 把“老师傅经验”转化为结构化知识

制造现场中大量有价值的经验存在于维修记录、班组日志、工艺变更说明、口头传承和异常处理习惯中。这类数据往往不规整，但对于行业模型和工业智能体具有重要价值。

企业可以分三步处理：

1. 采集：整理维修单、工艺卡、质量分析报告和专家访谈记录；
2. 结构化：统一设备名称、故障编码、工艺术语、原因分类和处置动作；
3. 验证：由工艺、设备和质量专家共同审核，标记适用条件和例外情况。

对知识进行结构化时，不能只保留“问题—答案”，还应保留适用范围、判断依据、操作限制和结果反馈。否则，模型可能生成看似合理、但不适用于当前设备或产品的建议。

3. 用数据质量门槛决定是否进入下一阶段

企业可以为试点设定最低数据门槛，例如：

• 关键字段缺失情况已经明确；
• 数据口径和编码已经统一；
• 训练数据与验证数据能够区分；
• 异常样本不完全缺失；
• 数据来源和处理过程可追溯；
• 敏感数据已经完成脱敏、隔离或权限控制。

如果数据尚未达到门槛，应先缩小场景、补采数据或改为知识检索项目，而不是急于训练复杂模型。

四、第三阶段：模型与系统集成，避免“模型孤岛”

行业大模型、企业知识库和工业智能体各有作用，企业不应把“选一个最大模型”当作技术路线。

1. 根据任务选择技术组合

不同任务可以采用不同组合：

• 规则明确、样本较少的任务：优先使用规则引擎、统计模型或传统算法；
• 文档检索和经验问答：采用知识库加检索增强生成；
• 图像检测和信号识别：采用视觉模型或时序模型；
• 跨系统分析和流程协同：引入行业大模型与工具调用能力；
• 需要多步骤执行的任务：再考虑工业智能体，并设置审批和回退机制。

人工智能不是替代所有既有系统。MES、ERP、PLM和设备控制系统仍然是业务事实和执行结果的重要来源，模型更多承担理解、分析、预测、生成和协同作用。

2. 设计“模型—知识—工具—权限”架构

一个可落地的工业智能体，至少要明确四层：

• 模型层：负责理解问题、生成方案和进行推理；
• 知识层：提供经过审核的工艺、设备、质量和安全知识；
• 工具层：调用查询、计算、报表、工单和仿真等系统能力；
• 权限层：控制可访问的数据、可调用的工具和可执行的动作。

例如，设备维修智能体可以查询设备履历、检索维修手册、分析报警记录并生成工单建议，但是否更改参数、是否申请备件、是否安排停机，应由预设权限和人工审批决定。

3. 先做“影子运行”，再扩大自动化范围

试点上线后，建议经历三个步骤：

1. 离线验证：用历史数据测试模型的准确性、稳定性和覆盖范围；
2. 影子运行：模型给出建议，但不影响实际生产，由员工比较模型建议与最终处置；
3. 受控执行：仅开放低风险动作，并保留审批、日志和回退机制。

这种方式可以避免模型首次进入生产环境就承担过高责任，也有利于发现数据漂移、业务规则变化和人员使用习惯等问题。

五、第四阶段：试点验收，从“能演示”转向“有结果”

制造业数字化转型项目最容易出现的偏差，是把模型准确率、接口数量或使用次数当作主要成果。企业应建立业务、数据、模型和治理四类指标。

1. 业务效果指标

根据具体场景选择指标，例如：

• 单位产品生产周期；
• 设备故障响应时间；
• 首次维修成功率；
• 质量缺陷率和返工率；
• 计划达成率；
• 人工报表和分析耗时；
• 库存周转和缺料次数；
• 专家经验复用次数。

验收时应同时设置基线、试点范围、对照周期和影响因素说明，避免把市场变化、产品变化或人员调整造成的结果误算为AI收益。

2. 数据质量指标

重点检查：

• 数据完整性和及时性；
• 主数据一致性；
• 关键字段可追溯性；
• 异常样本覆盖度；
• 标注一致性；
• 数据权限和使用记录；
• 数据更新后的模型适配情况。

数据质量指标不应由IT部门单独确认，必须由业务部门参与，因为只有业务人员能够判断数据是否符合实际生产含义。

3. 模型可靠性指标

不能只看平均准确率，还要关注：

• 不同产品、设备和班次下的表现差异；
• 异常和边界场景的识别能力；
• 输出是否有依据和来源；
• 是否存在虚构、遗漏或前后矛盾；
• 模型失效时能否被及时发现；
• 版本变更后结果是否可比较。

对于涉及质量、安全和生产控制的场景，还应设置“拒答”和“转人工”条件。无法确认时不输出确定性结论，本身也是可靠性的一部分。

4. 治理与安全指标

试点验收还应包括：

• 数据分类分级是否完成；
• 模型输入输出是否留痕；
• 访问权限是否符合最小授权原则；
• 敏感信息是否得到保护；
• 工具调用是否有审批和审计；
• 供应商、模型版本和数据来源是否可追溯；
• 出现错误时是否能够暂停、回滚和复盘。

工业智能体一旦连接生产系统，风险就从“信息错误”扩大到“业务动作错误”。因此，安全机制必须和系统集成同时设计，而不是等项目上线后再补充。

六、如何判断投入产出，而不是只计算软件采购费

企业评估人工智能项目，应将成本拆成四类：

• 基础成本：算力、软件、接口、存储和安全设施；
• 数据成本：数据清洗、标注、治理、采集和知识整理；
• 组织成本：业务专家、项目管理、培训和流程调整；
• 持续成本：模型评测、版本维护、数据更新和运行监控。

收益也不能只计算“节省了多少人工”，还应考虑质量损失减少、设备停机减少、交付稳定性提升、知识沉淀和管理响应速度提高。

可以采用一个简单的项目判断公式：

预期年度净收益 = 可确认的业务收益 − 年度运行成本 − 一次性建设成本的年度摊销

但在试点阶段，不宜过早要求完整的财务回报。更合理的做法是设置分阶段闸门：

• 立项闸门：场景价值和数据条件是否成立；
• 开发闸门：模型效果是否达到最低标准；
• 上线闸门：安全、权限和系统集成是否通过；
• 扩展闸门：业务收益是否稳定，能否复制推广。

只有通过上一道闸门，项目才进入下一阶段，避免在数据条件不足时持续追加投入。

七、组织机制：让业务部门真正拥有项目

人工智能项目失败，很多时候不是技术问题，而是责任关系不清。建议建立由管理层牵引、业务部门主导、技术团队支撑的组织结构。

管理层负责三件事

• 明确项目服务于成本、质量、交付还是安全目标；
• 决定跨部门数据和流程协调机制；
• 为试点设置预算、周期和退出条件。

业务部门负责三件事

• 定义业务问题和验收标准；
• 提供领域知识并审核模型结果；
• 推动流程变化和员工使用。

数字化与技术团队负责三件事

• 建设数据、模型和系统集成能力；
• 维护权限、日志、评测和监控机制；
• 管理供应商、模型版本和技术风险。

对于规模较大的制造企业，还可以设置数据负责人或场景负责人，避免数据治理和应用建设长期停留在项目制状态。

八、企业可以采用的90天启动计划

如果企业尚未形成完整的人工智能项目体系，可以用90天完成第一轮准备：

第1—30天：确定场景和基线

完成重点流程访谈、候选场景评分、业务指标定义、数据清单和风险分级。此阶段不急于采购模型，先确认问题是否值得解决。

第31—60天：完成数据准备和原型验证

清洗关键数据，整理知识资料，建立最小可用数据集，选择合适的模型组合，完成离线测试和原型演示。

第61—90天：进入受控试点

在限定产线、班组或产品范围内影子运行，记录模型建议、人工决策和实际结果，完成第一轮业务、数据、模型和安全评估。

90天的目标不是打造完整的工业智能体平台，而是回答三个问题：数据是否足够、业务是否愿意使用、收益是否能够测量。如果这三个问题没有答案，继续扩大系统范围往往只会增加复杂度。

结语：政策落地的关键，是把“建设能力”变成“交付结果”

《“人工智能+制造”专项行动实施意见》所强调的高质量数据集、行业模型、工业智能体和典型应用场景，最终都要落到企业的具体流程和经营结果上。制造企业真正需要建设的，不是一个孤立的模型项目，而是一套能够持续发现问题、治理数据、调用模型、控制风险并复用成果的机制。

从场景筛选开始，以数据治理为基础，以系统集成为抓手，以受控试点验证价值，再用业务效果、数据质量、模型可靠性和治理安全共同验收，这才是人工智能+制造从政策目标走向企业项目计划的可行路径。