“下一轮AI，卖的不是工具，而是收益。”——红杉资本合伙人Pat Grady把这句话称为“万亿美元机会”。而要想获得最大化收益，企业级AI的应用落地是必经之路。一项技术只有在ToB领域获得成功，才能实现收益最大化。
模型、数据、场景，缺一不可
当大模型风浪逐渐趋于平息后，智能体接过了大模型的交接棒，将AI带到了另一个新时代——Agent时代。
企业级Agent若想在行业内得以实现价值，模型、数据、场景，三个要素，缺一不可。对此，创新奇智CEO徐辉告诉笔者，企业级AI若想更好地落地，需要做好三件事，第一是，模型本身能力的提升；第二是，高质量数据集的积累；第三是，应用场景的不断挖掘与拓展。
模型方面，并不是越大的模型就一定越好。企业需要结合场景选择合适的模型或者提供模型的平台。徐辉表示，在生成式AI初期阶段，企业可能还会为了模型的先进性买单，但当发展一定阶段之后，企业会逐渐转变成，为模型创造的商业价值而买单。而徐辉的这个观点，也于红杉资本大会上，150位全球顶尖AI创始人得出的“下一轮的AI，卖的不是工具，而是收益”，不谋而合。
数据方面，IBM大中华区技术销售总经理、首席技术官翟峰曾向笔者表示，企业想要通过AI获得收益的过程中，首先需要面对三个问题：第一，高质量的数据有没有？第二，有没有在用？第三，有没有发挥作用？“企业级AI落地最重要的因素是数据，这是核心生产力，没有数据一切都是空谈，”翟峰进一步指出，“现在大家在谈的大模型，可能有很多互联网数据，但是企业最核心的数据有没有整合出来？这是最关键的因素。”
而在创新奇智CTO张发恩看来，数据是当前以及接下来很长一段时间内企业重要的资产组成部分，一方面企业要重视数据合规的问题；另一方面，如何获取高质量数据，用于训练模型，让模型针对不同场景，达到最理想的状态也很关键。对此，张发恩表示，创新奇智的想法是通过合成数据，为大模型、Agent提供更为高质量的数据，这样一方面可以快速落地AI应用，另一方面，还能弥补一些企业在初期高质量数据不足的困境，“目前，创新奇智的产品，99%的数据都是通过合成数据训练的，通过合成数据来弥补数据的缺失，可以更快速的落地应用。”张发恩如是说。
场景层面，徐辉告诉笔者，模型真正的价值不在于模型本省，而是在于模型应用的场景，他拿电与大模型进行了类比。电刚被发现的时候，就如同当前的AI一样——像是一个奢侈品。但如今电已经是一个普遍的“技术”，而电真正的价值也不在于电本身，而是在于它与诸多用电场景的结合。比如，与空调结合，电为人类在夏日里带来了清凉；与灯泡结合，电为人类在黑暗中带来了光明......“AI亦是如此，当前大家都在谈模型、智能体，”徐辉进一步指出，“但我认为，人工智能不再是单纯比拼模型参数，而是要比谁更能将技术与行业Know-how、工程化能力和商业价值深度融合。”
而当前，对于企业而言，优先级最高的是：需要在众多业务场景中，选择到最值得、最适合被AI“改造”的场景是哪些，率先在这些场景中落地AI应用，才能以最快的速度，更好地落地AI应用。以工业为例，从应用上看，已经有一些场景用大模型技术提高效率、提升良品率等。目前大模型已经在包括PDM（Product Data Management，产品数据管理）、CAD（Computer Aided Design，计算机辅助设计）、PLM等工业软件场景中有所应用。
从具体场景上看，华为、阿里云推出工业大模型解决方案，将CAE仿真效率提升50%；微软Azure推出工业AI助手，可自动生成PLC代码；南京恒略的动态库存系统使汽车零部件库存周转率提升22%，紧急采购频次下降65%；京东工业的Joy industrial大模型通过智能调度优化运维资源，帮助企业降低运维成本......创新奇智也在近日宣布与国际CAD龙头企业Bentley联合发布首款基于多模态工业大模型的生成式AI设计产品——iPID（Intelligent Process Piping and Instrument Diagram智能工艺管道和仪表流程图）。
据悉，iPID融合了创新奇智多模态工业大模型与Bentley基础设施设计软件能力，是一款真正意义上的AI原生工业设计产品。其关键AI技术源自创新奇智针对“CAD”这一工业独有模态开发的ChatCAD生成式辅助工业设计应用。
张发恩告诉笔者，通过AI技术，iPID可将传统图片格式的PID图转化为可交互、可分析、可扩展的智能PID，实现从静态图纸到智能PID的跨越。具体而言，iPID支持多格式、多尺寸图纸的智能解析与生成，而且得益于大模型技术，iPID并非简单读图，而是能真正理解图纸逻辑——精准识别并生成设备、管线、管件、阀门、仪表等多类组件，自动识别设备管口、管线、连页符等关键连接关系，还支持域外组件的智能识别。“据初步测算，在设计场景中，iPID可将工作效率提升10倍以上；在旧改项目场景下，用户只需将老旧PDF图纸导入iPID，即可快速识别老旧图纸内容并可选择新的出图标准，生成新的智能PID图纸，从而提高改造项目的实施效率。”张发恩如是说。
此外，在生产制造过程中，原本工厂就已经应用上了诸如自动化流水线、自动化机器臂等自动化设备，在AI时代，这些传统的自动化设备如何与AI智能体融合，产生更大的力量是个值得关注的方向。
Agent时代，工业领域迎来新变革
在AI时代，工业软件算是走在AI浪潮前头的行业之一。无论是国家，还是企业层面都开始着重在AI+工业方面进行深入布局，
国家层面，加紧部署AI+工业软件专项行动，支持企业试点开发AI+CAE、AI+EDC先导产品，中试验证平台为国产工业软件产品化研发和规模化应用奠定基础。
工信部在今年6月审议的《工业和信息化部信息化和工业化融合2025年工作要点》中也提出，以工业智能体为抓手深化人工智能工业应用，带动工业数据集、工业大模型的创新迭代。
工业和信息化部数据显示，目前全国已建成3万余家基础级智能工厂、1200余家先进级智能工厂、230余家卓越级智能工厂，这些类型的智能工厂覆盖超过80%的制造业行业大类，卓越级智能工厂产品研发周期平均缩短28.4%，生产效率平均提升22.3%。截至今年3月底，工业企业数字化研发设计工具普及率为83.5%，关键工序数控化率为66.2%。
企业层面，除了前文提到的华为、阿里云、微软等国内外科技头部企业之外，诸如鼎捷数智、创新奇智、易立德这些，在工业软件领域垂类软件服务商也都纷纷推出了结合AI能力的产品。鼎捷数智推出了文生图（ChatCAD），能够根据订单需求，自动生成CAD图纸，帮助企业解决标准产品改型设计过程中的高频、重复、知识密集型的挑战；易立德此前发布的ETRX-PDM就植入了AI的能力，涵盖了智能物料推荐、智能合规性检查、智能预测/分析、智能错误检测等方面，从而提升整体的PDM流程效率；而创新奇智，除了与Bentley联合发布植入AI能力的CAD产品之外，还在工业具身智能、工业AI Agent、工业AI+BI方面有着深入布局。比如，创新奇智就与华润数科合作，打造了AI Agent平台，构建了华润微电子晶圆瑕疵图片知识库、华润九新智能问数平台等应用。
除此之外，传统工业企业对于AI也都保持了积极拥抱的态度。比如，富士康的FODT平台已实现数字孪生与物理世界的毫秒级同步，支持全球产线快速迁移和复制；国家电网打造“光明电力大模型”，在70余个场景中实现设备运维、负荷预测的自动化，提升电网稳定性与响应速度。
虽然生成式AI技术已经在工业领域有了许多较为成熟的应用落地，但距离真正的智能体时代还有一段距离。工业大模型与智能体应用正从“功能替代”迈向“认知进化”，推动制造业进入“AI定义一切”的新纪元。
工业领域智能体的四大特性
在AI+制造从“功能替代”迈向“认知进化”的过程中，从应用场景分析来看，目前工业领域应用智能体的场景大多具备一定的共性，主要可以分为四个类别。
第一类是数据治理类。许多工业企业的IT信息化建设投入虽早，但对数据仅限于收集，而并未通过治理及资产化使其发挥更大价值。传统的基于大数据的预测都依赖于应用服务商。生成式AI时代的到来，让这些企业认识到数据的重要性，同时AI技术的发展也令企业在数据价值挖掘层面有了质的飞跃。
比如，某服务商在汽车设计环节将研发周期压缩30%，其核心在于千亿参数中熔炼了数万份设计图纸、材料力学数据及流体动力学公式，将这些数据通过大模型的能力，进行治理并利用，实现了增效。
第二类是通过知识处理，提升员工工作水平。东软集团股份有限公司原法定代表人、董事长刘积仁曾向笔者表示，生成式AI最大的作用不是替代员工，而是让所有员工都具备优秀员工的能力。
工业领域来看，通过建立知识库，并以问答的形式体现在工作流中，以设备维护场景为例，原先有一些设备细小的问题或“疑难杂症”，需要具备多年经验的老员工才能处理，但通过生成式AI的赋能后，即便是经验欠佳的新手，也能通过问答助手获得维护的技巧，从而补足了员工之间的个体差异，拉高了员工平均工作水平。
第三类是优化流程，从流程驱动转向数智驱动。这不仅局限于工业领域，原先在企业内部有很多复杂的业务流程，规模越大的企业，流程也就越复杂。流程的每个环节都需要人工进行相应的审核、操作。但通过数据和智能技术，企业可以简化这些流程，并且在一些环节，通过多模态的模型，AI可以完成审核工作。比如在财务环节，国内一些做财务SaaS软件的公司就推出了通过AI识别技术自动识别报销小票并自动审核的工具，该AI识别还支持多语种，甚至覆盖了阿拉伯语这样的小语种。
第四类是为工业企业提供辅助决策的能力。比如在一些库存管理、原材料进货/出货情况分析等领域，AI大模型/智能体可以根据以往的数据进行分析，从而帮助企业管理者制定更为科学的管理制度和流程，帮助企业实现利益最大化。
目前工业行业应用智能体仍局限于上述四大领域主要有两个方面原因：一方面，生成式AI主要还是在知识密集型领域能发挥重要作用，主要体现在检索、交互、泛化想象的能力上；另一方面，上述四个领域具有一个共性——企业数据资产最密集的地方。而想要开发出更多的应用场景，相应的高质量数据集也是必不可少的需求。
注：文/张申宇，文章来源：钛媒体(公众号ID：taimeiti)，本文为作者独立观点，不代表亿邦动力立场。
