摘要：AI正在重塑制造业，但一个看似基础的问题，正成为AI落地最大的障碍：数据，无法被信任。
引言
AI正在重塑制造业，但一个看似基础的问题，正成为AI落地最大的障碍：数据，无法被信任。
据霍尼韦尔与Wakefield对1600位制造高管的调研，94%已全面投入AI，91%找到了新用途，真正落地的项目却不到1/5。
不是AI不够强，而是系统没准备好。流程碎片、数据杂乱、责任模糊，技术跑得快，组织却还在原地踏步。
01
制造业的AI
不是从现在才开始
制造业早就有AI。
上世纪70年代，专家系统和规则引擎就已进入产线。今天所谓“工业AI”，只是这条自动化进化链的延续。区别在于——以前的AI是工具，现在的AI在对话；过去是“人教机”，现在开始“机教人”。生成式AI进一步打破了边界，让设备变得“会说话”，让知识得以“传承”。
但许多项目仍止步于最原始的疑问：谁负责？成果归谁？风险由谁承担？
这些不是技术问题，而是制度问题。没有机制，再强的AI也只能停在PPT上。
02
真正的问题不是“AI能不能用”
而是“数据能不能信”
霍尼韦尔调研显示：制造业拥有全行业最丰富的数据，但却最难把这些数据真正用起来。
为什么？
答案很直接：数据问题严重掣肘。
数据分布在几十个系统之间，不同格式、不同接口、不同语义。没有统一的数据标准，也缺少结构化的数据资产观。很多“数据”本质是“信息孤岛”，无法流动，更无法驱动决策。
结果就是：AI开始“胡说八道”时，员工才发现，问题不在AI，而在数据。
这正是制造业的现实悖论：想要AI落地，先得让数据“说人话”；但如果没有一套机制去清理、梳理、治理数据，任何AI落地都是沙上建塔。
03
生成式AI的风险
制造业必须正视
GenAI不是不能用，而是必须用得克制、有边界。
它的“非确定性”特性，在工业领域是风险而非优势。
同一个问题，问三次，三种答案——对生产线来说，意味着误操作与停工隐患。
Forrester提醒：不要从“技术出发”，而要从“问题出发”。
与其说“我们要用GenAI”，不如说“我们要让售后查资料更快”。
04
数据不稳，AI必塌
制造业的地基问题
很多企业误以为：上一套AI软件，加几个算力节点，AI就能落地。
但现实是：AI真正能否带来转变，取决于系统的整体协作能力。
工业AI领域一句话非常准确：没有好数据，就没有好AI；没有好治理，再强的AI也只能“演示”。
问题在哪？
数据源分散接口层封闭部门之间不协同作过程中责任模糊制造企业要做的不是“叠技术”，而是“重构认知”：AI不是给某个部门提效，而是重组整个企业的“问题-数据-流程-责任”逻辑。
05
制造企业必须回答
四个关键问题
01
｜我们要解决的，究竟是什么问题？
不是“我们想用GenAI”，而是“我们要解决哪个具体痛点”。从业务出发，而非从工具出发，是AI真正产生价值的前提。
02
｜我们的数据，能支撑AI吗？
如果数据仍然碎片化、无结构、无标准，AI只能做出“演示级”的输出，无法支撑真实决策。没有数据治理，任何AI应用都只是纸上谈兵。
03
｜我们的流程，有没有为AI预留位置？
流程不标准、系统不打通、没有反馈机制——这些看似“管理问题”，实际是AI落地的拦路虎。
04
｜我们有没有一套清晰的合作机制？
AI项目往往涉及算法提供方、数据提供方与业务交付方。如果权责模糊、成果归属不清，项目推进注定磕磕绊绊。
如果这四个问题没有被系统性解答，AI就无法成为增长引擎，只会演变为预算黑洞。
附录 · 实用建议
如果你正准备开展AI项目，但很多制造企业老板在接触AI供应商或咨询公司时，最大的困扰其实不是技术问题，而是这些问题：
“我的数据真的能用吗？”
“AI真的能解决我们的核心问题吗？”
“对方给的建议靠谱吗？如何确保成果归属清晰？”
我们联合中德制造实践专家，设计了一份《标准AI咨询合同模板》。
涵盖：项目边界、数据归属、安全合规、成果交付、费用机制等核心条款。
| 结语
制造业的AI，不是技术问题，是系统工程
AI不是未来，它早已在场。
真正的挑战，不在“会不会用技术”，而在“有没有搭建好系统”。
这个系统必须包含四个要素：技术能力、数据治理、跨部门协作与风险控制。
AI项目不是技术部门的单打独斗，而是企业级的协同作战。
只有全公司介入，建立清晰的流程机制与合同边界，AI才能稳步落地，释放出它真正的战略价值。
德国工业智库是服务于中德智能制造领域的创新型交流合作平台，专注于智能制造创新技术产业。以德国先进技术及项目经验为源头联动中国制造业企业，以深度行业研究能力和技术分析能力解析中国市场，致力为客户提供专业的技术标的挖掘、项目合作对接、投融资咨询和市场营销等全方位定制化服务。
来源：德国工业智库一点号