蓝色星球 ｜ 2026.09.29
七成工业 AI 走不出试点：工厂真正缺的，不是一个更聪明的模型
真正难的，不是让 AI 出现在车间，而是让它读懂车间。
这两年，几乎没有一家制造企业不在谈 AI。
看板上多了智能问答，车间里试点了视觉检测，工程师也开始让大模型帮忙写报告。热闹是真的。
但还有另一组同样真实的数字：大多数工业 AI 项目，没能从“一个试点”走到“全厂在用”。
是模型不够聪明，还是数据不够多？把镜头拉近到真实的工厂，会发现答案在别处。
01一个反差：AI 进了工厂，为什么走不远
先看两组现象。
一边，是软件越上越多。ERP、MES、PLM、WMS、CRM、OA，稍有规模的制造企业都能数出一串系统，它们各自解决了“这一摊由谁来管”的问题。
另一边，是 AI 试点越做越谨慎。everest group（EG） 与 Capgemini Engineering 的一份报告给出了刺眼的判断：超过四分之三的工业 AI 试点，没能走向规模化部署；超过八成的制造商，无法把 AI 从单个用例里扩展开去。报告把原因归结为一句话——卡住工厂的，更多是系统之间的“衔接”，而不是算法本身。
把这些年反复出现的问题摊开，卡点其实是三个。
01 系统是“孤岛”
数据躺在不同系统里，搬不动、对不齐。同一个物料、同一道工序，在不同系统里叫法不同、口径不一，跨系统的业务链路一到交接处就容易断。
02 知识在“人脑”
设备异常怎么判断、非标问题怎么处理、计划为什么这样排，这些值钱的经验往往只存在老师傅脑子里。人民网（603000）曾报道，一批“数字炉长”正在被加紧“修炼”——工厂面临“人走技绝”，这场与时间赛跑的“经验抢救”，本身就说明了问题的紧迫。
03 AI 在“墙外”
不少 AI 应用是“外挂”上去的，能检索文档、回答问题，却进不了主干业务流程。它不理解岗位权责，也不受业务规则约束，试点时惊艳，却很难复制到下一个车间。
单点的智能化，解决不了系统性的问题。
工厂需要的，不是再多一个工具，而是一个让机器真正理解业务、并把业务贯通起来的共同底座。
02换个问法：怎么让机器“读懂”一家工厂
过去谈数字化，默认思路是“把流程固化进软件”；谈 AI，又容易变成“把文档喂给大模型”。
但工厂很快会发现：大模型读得懂通用文字，却读不懂“我们这家企业的规矩”——一张采购单背后是谁的权责、两道工序之间有什么约束、什么情况下必须停下来，这些不在任何公开语料里，也不会因为模型参数变大就自动长出来。
于是问题变成：能不能把一家企业的业务，翻译成机器可以理解、可以推理的样子？这正是“本体”（ontology）想做的事。
“本体”听起来是技术词，其实不难理解：它是一套结构化的业务知识，把企业里有哪些事物、彼此什么关系、每个岗位负责什么、业务必须遵守哪些规则，用机器读得懂的方式描述清楚。它不是又一个数据库，而是让原本沉默的数据，开始有了“业务含义”。
蓝色星球NG-AIOS 把这套知识分成三层：
元本体 · 共同的语言地基
定义事物、行为主体、文档、时间、归属与组成关系等基础概念，与具体行业无关，是所有工厂通用的语义底座。
企业本体 · 这家企业的运行规则
描述业务场景、作业活动、岗位权责、控制点与岗位数字分身；同一套通用模型，通过实例配置就能适配不同制造企业。
业务领域本体 · 具体领域的专业规矩
承载 APS 排程、业财一体化、订单履约、质量管控等领域专属的对象、规则与公理。
部门、岗位、权责先在线立起来，业务才知道该找谁。
有了这层业务语义，工业大模型就不再只是“会聊天”。
它能理解真实业务流程、识别岗位权责边界、自动校验业务是否合规、完成全链路因果追溯；它给出的每条建议，都被约束在企业真实的业务规则之内，而不是凭文本“猜”一个答案。
岗位本身也能被沉淀。岗位数字分身可以承担单据预审、资料归集、信息同步、任务督办这些重复工作；当人员流动，固化在本体里的业务知识不会随之离开——这是对“人走技绝”更直接的回应。
老师傅想留给工厂的，不只是结论，还有“为什么这样判断”。
03从“能看懂”到“能跑通”：让一笔订单走完全程
读懂业务是一回事，价值要兑现，得让业务真正端到端跑起来。
NG-AIOS 给自己的边界很清楚：不替代已有的 ERP、MES，不做多套软件的简单叠加，也拒绝外挂式 AI，而是作为上层业务语义中枢，把销售、研发、计划、采购、生产、委外这条链路贯通，让订单“一单到底、全程在线、全链闭环”。
产品门户把各个模块与入口，收拢到一处。
一个入口，把人和各自的业务连到同一底座上。
每一笔订单走到哪、卡在哪，一屏看得见。
落到具体场景，变化是可以被感知的：
排产时，大模型基于订单、资源、工序与产能的约束知识辅助生成方案，自动识别冲突并完成业务校验，缓解计划与现场脱节；
业务推进中，履约节点与财务结算自动匹配，业务事件驱动财务处理，业务和财务用的是同一套数据；
设备一旦异常，测点数据会自动关联对应流程和责任岗位，触发预警与处置，而不必靠人逐级上报；
质量问题可以沿全链路溯源，售后反馈也能反向回到设计与生产环节。
日常办公与业务流程，跑在同一个平台上。
更关键的，是它回应了开篇“走不出试点”的难题。
当业务规则通过本体实例来配置、而不是写死在代码里，同一套底座就能快速落地同行业多家工厂。一个点上验证过的能力可以被复制、被推广——这才是从试点走向规模化的那条路。
为了让真正落地的样子不跑偏，项目还会先用 FDE Plus 原型系统与业务人员交互确认，所见即所得，再进入正式开发，把需求理解的偏差尽量挡在前面。
04剩下的一道题：技术范式变了，价值该怎么算
如果说前面解决的是“AI 能不能真正干活”，那么剩下的一道题，是“这笔账该怎么算”。
过去，软件卖的是使用权——按 license、按账号席位、按订阅周期（883436）付费；调用 AI，再按 Token、按 API 量计费。企业先付钱，究竟能产生多少业务价值，要自己承担。
NG-AIOS 试行了一种不同的方式：按结果收费
客户不为软件使用权、账号席位、Token 或 API 调用量付费，只为软件与数字分身实际产出的、可度量、可审计的业务成果付费。
工业场景采用“基础服务费 + 业务结果浮动激励”，并设置收益封顶——厂商和客户共担风险，也共享业务增益。
这看似只是计费方式的变化，背后是一个判断：只有当技术真正嵌入业务、并且敢为可衡量的结果负责时，“AI 到底值不值”这个困扰行业的问题，才有了一个更诚实的回答。
企业也可以选择更熟悉的方式：SaaS 在线订阅，或私有化部署下的一次性买断、年度订阅。
制造业的智能化，从来不是一次普通的软件采购。
它更像一场“让机器重新理解工厂”的工程——把老师傅的经验沉淀为知识资产，把割裂的系统贯通为一条链路，把 AI 从“会答题”推进到“能负责”。
当这些发生，工厂得到的就不只是一时的效率，而是一套属于自己、可以持续复用的能力。
如果你的工厂也正站在“试点之后怎么走”的路口，不妨从一个具体场景开始——预约一次产品演示或 POC 验证，让答案先在一条产线、一笔订单上跑给你看。
