在中国制造业的管理层会议上，经常出现这样一个场景：

企业已经部署了ERP、MES、PLM、WMS和工业互联网平台，但当被问及"为什么订单延期""为什么能耗上升""为什么质量波动"时，回答这些问题往往需要生产、质量、采购、IT多个部门分别打开各自系统，导出数据，在会议室里拼凑半天。

数据都在，但答案迟迟出不来。

我们把这种情况称为"看不懂工厂"，即当企业面对经营或生产异常时，无法在合理时间内基于现有数字化系统快速定位问题根因并做出决策。

这不是个别企业的困境——

中国信息通信研究院2026年2月发布的报告显示，截至2025年12月，全国规模以上工业企业开展数字化改造的比例已经达到89.6%，数字化设备普及率达到57.7%。数字基础设施已经铺到了绝大多数工厂的车间里，这意味着大多数规上制造企业已经开展了数字化改造，ERP、MES、PLM、工业互联网平台等系统在不同企业有不同程度的部署。

多年的数字化建设解决了"数据有没有"的问题，但"有没有"和"看不看得懂"之间，隔着一道语义鸿沟。

01 为什么系统越多，越看不懂？

这个问题并非新发现。

早在2022年，行业专家褚健就曾归纳出工业企业数字化转型的八个典型痛点，其中三个与本文直接相关：

• 数据孤岛众多——"杂牌军式"的工厂系统导致数据不统一；
• 业务决策难——企业不能全面掌握工厂运行情况；
• 数据利用率低——如何在企业历史数据中消除"数据雾霾"，挖掘数据新价值。

这些结构性问题并未因系统建设加速而自动消解。

中国信通院2025年的报告将"高质量工业数据供给与流通不畅、价值释放不充分"列为当前最突出的深层次挑战之一。2026年1月，工信部等八部门在《"人工智能+制造"专项行动实施意见》中进一步将问题归因于"数据孤岛、模型泛化不足、场景适配低效"。

这种困境在大型制造集团中尤为典型。

据某数据治理服务商发布的行业案例集，一大型装备制造集团下属20多家子公司，物料编码近30万条，其中重复、错误、无效数据泛滥。同一颗螺丝在采购系统叫"M6螺栓"，在生产系统叫"六角螺丝"，在财务系统叫"标准件"——不同部门开会，光对名字就要花十分钟。仓库里有货，生产线却说缺料，原因很简单：同一个零件在不同系统里叫了三个名字，系统根本对不上。

这正是"看不懂工厂"在语义层的具体表现。也就是说，数据存在，不等于企业理解数据。

ERP里的"订单"、MES里的"工单"、WMS里的"出库单"，可能在不同系统中使用不同的编码规则、字段定义和时间粒度。当管理者想追问"某个订单为什么延期"时，IT人员需要在多个系统中分别查询，再手动对齐数据口径。这个过程消耗的不是算力，而是人的时间和耐心。

当数据无法在语义层互通时，系统再多也只是各自为政的信息烟囱。

这意味着，数字化转型的隐性门槛已经从"建系统"转向了"统语义"。

02 从"人找数"到"数找人"

• 范式转换：趋势与方向

当语义层逐步对齐，决策模式才有可能发生转换。

而大模型技术的成熟，降低了跨系统语义对齐的门槛——系统开始能够理解自然语言描述的业务需求，并将其拆解为跨系统的数据查询与任务执行。

从多个行业趋势可以观察到，制造业的决策模式正在发生一次范式转换。过去是"人找数"——管理者带着问题，在多个系统中手动提取、拼凑信息，再凭经验做出判断。未来有望走向"数找人"——系统能够主动感知业务异常，推送相关洞察，并驱动后续任务执行。

但需要强调的是，这里的"数找人"指的是辅助决策，而非完全自动化。管理者仍然是最终判断者。

实现这一转换，需要系统具备跨语义理解与任务执行的能力。

中国电信与中国信通院等机构2025年4月联合发布的政企行业智能体研究报告指出，这一转换的技术支撑在于AI Agent的引入——Agent作为大模型的"实际执行者"，能够通过感知、规划、记忆和工具调用等模块，将自然语言描述的业务需求拆解为跨系统的数据查询与任务执行。

在制造业场景下，这种能力有望降低跨部门、跨系统的信息获取成本。

国家层面的政策方向也与此呼应。2026年4月，工信部与国家数据局联合启动的"模数共振"行动，明确推动形成"数据—模型—场景应用"的良性互促循环。

这意味着，下一阶段的建设逻辑不再是"先建平台、再找场景"，而是让数据、模型和应用在真实业务场景中相互牵引、持续迭代。

• Agent的能力与边界

Agent所承担的"跨系统连接"功能，正在从企业探索快速上升为国家战略。

进入2026年，工业智能体的政策语境发生了明显变化。1月7日，工信部等八部门联合印发《"人工智能+制造"专项行动实施意见》，明确提出到2027年推出1000个高水平工业智能体，打造100个工业高质量数据集。4月28日，工信部与国家数据局联合启动"模数共振"行动，提出创建"模数共振"空间，逐步打造为"智能体工厂"。

工业智能体正在从"前沿探索"走向"国家战略级部署"，但"1000个工业智能体"是2027年的目标，从政策节奏推断，当前距离大规模成熟应用仍有距离。

同时，Agent的核心价值不在于替代现有系统，而在于充当不同系统之间的"翻译层"和"调度层"。

在制造业的语境下，这一架构有望解决一个长期痛点：当管理者提出"为什么某条产线良率下降"时，Agent可以自动查询MES中的生产参数、ERP中的物料批次、PLM中的工艺版本，并将多源信息整合为一份结构化分析报告，而不需要人工逐个系统切换。

既然Agent有这么多潜力，企业现在就可以大规模部署了吗？

答案是否定的。

Gartner明确强调，在这一过程中"humans retain final approval"，即人类保留最终审批权。Agent在制造业中的合理定位，当前仍是"辅助决策"和"信息整合"，而非"自主运营"。它可以缩短管理者从"发现问题"到"获得分析"的时间，降低跨系统信息获取的成本，但无法替代人对业务逻辑、供应链关系和客户需求的专业判断。

对于企业决策者而言，这意味着在评估Agent投入时，需要区分两类场景：

一类是信息查询和报告生成（Agent有望较快产生价值），另一类是直接干预生产参数或供应链决策（仍需要人工审核和长期验证）。

03 企业该做什么？

以下三个方向并非严格的线性阶段，而是企业应同步推进、相互牵引的建设维度。

第一，打通数据流。

从2026年"模数共振"行动的政策方向来看，企业应优先推动内部及产业链上下游的数据流通，打造安全可信的工业数据空间。

这意味着，企业不必急于采购Agent平台，而应先审视自己的数据底座：不同系统之间的数据接口是否打通？数据标准是否统一？跨部门的数据共享机制是否建立？如果数据仍然锁在各自的系统里，Agent再先进也无从下手。

第二，建数字线程。

Gartner在2026年预测中强调，数字线程是AI模型训练所需高质量上下文数据的来源，更是实现产品全生命周期可追溯与跨部门协同的基础。没有连贯的产品全生命周期数据链路，AI模型只能基于碎片化信息做出判断，其可靠性会大打折扣。

对于企业而言，这一维度的核心任务不是追求"大而全"的数据湖，而是围绕关键产品和关键工艺，建立从设计、生产到运维的连贯数据记录，并确保数据的准确性、完整性和可追溯性。

第三，以场景为牵引。

有了数据基础和数字线程，企业仍不应全面上Agent。综合来看，长期方向应该是"以场景为牵引"，而非"以平台为中心"。

"模数共振"行动提出的"数据—模型—场景应用"飞轮逻辑，意味着Agent的价值需要在具体业务场景中验证和迭代——例如质量诊断、设备预测性维护、供应链排产优化等。不同场景对Agent"感知—规划—记忆—工具调用"的要求差异很大。

企业如果一开始就追求"一个Agent管全厂"，往往会导致投入大、见效慢。更理性的路径是：选择一个数据基础较好、业务痛点明确的场景，先跑通"数据接入—模型训练—Agent部署—效果验证"的闭环，再逐步扩展。这与过去这些年"先建平台、再找场景"的数字化建设逻辑正好相反。

04 结语

制造业的数字化正在从"铺基础设施"走向"释放数据价值"。

系统建得多，不代表看得懂；看得懂，也不等于能自动决策。AI Agent不是终点，也不是万能钥匙，但它提供了一种可能：在系统林立的环境中，建立一个能够理解业务语义、连接多源数据的智能层。

对于企业决策者而言，关键不在于追逐最新的技术概念，而在于先回答一个更基础的问题——

你的工厂，数据是否已经说同一种语言？

若您正在规划相关方向或有相关咨询需求，欢迎私信交流具体情境，我们愿意分享更多一线观察。

核心参考资料：《制造业数字化转型发展报告（2025年）》，中国信息通信研究院，2026年2月；《"人工智能+制造"专项行动实施意见》，工业和信息化部等八部门，2026年1月；《关于联合实施2026年"模数共振"行动的通知》，工业和信息化部办公厅、国家数据局综合司，2026年4月；《数字化转型的八个"痛点"和未来工厂生态之道》，赛迪研究院 / 褚健，2022年7月；Manufacturing Predicts 2026: AI Agents, Digital Twins and the Race to Autonomous Operations，Gartner，2025年12月。

关注【科瑞斯达】官方公众号，了解更多前沿资讯及落地经验