从“看不清”到“改得动”——制造企业开展“人工智能+制造”诊断的实操路径

导语:基于《江苏省人工智能制造诊断工作参考指引(2026年)》的解读

这两年,“人工智能+制造”从热词变成了考核指标、专项资金和申报门槛,但多数制造企业的讨论仍停留在一个问题上:这件事从哪里开始?缺乏工业AI场景成熟度的评估标准,更是让一众服务机构也无所适从。然而作为中国制造业智能工厂场景应用最成熟的省份,江苏省发布的“人工智能+制造”诊断工作参考指引(2026 年)(以下称“指引”)正让这条路径变得越来越清晰。


江苏省的这份指引把“从哪里开始”写成了可以照着走的流程:先用线上工具把家底摸清,再用线下诊断把问题挖透,最后用一份不低于一万字的报告把改造方案落下来。诊断的每一个动作都指向同一件事:把“要不要做AI”的争论,转换成“先做哪个场景、投多少钱、多久见效”的决策。


一、诊断是“体检开方”,不是“评优打分”


(一)一份合格的诊断必须回答三个问题


第一个问题是坐标:企业处于什么水平。指引把应用水平划分为一级(入门级)、二级(基础级)、三级(进阶级),判定不靠印象与设备清单,而是“基础能力得分+场景覆盖”两个条件同时满足。企业拿到的不是一句评价,而是可以被复核的位置。


第二个问题是短板:差距落在哪几个维度、哪几个环节。诊断模型把基础能力拆成五个一级指标、十五个二级指标逐项打分,场景部分逐个环节判定是否涉及、达到什么等级、缺什么条件。短板因此可以被指认到具体的数据项、系统或团队。


第三个问题是路径:往哪里改、怎么改、谁来干。诊断报告要求给出顶层规划方案、改造实施方案和供应商推荐名单,并把投入与回报周期写进实施表。如果一份报告读完,企业仍不知道该把下一笔钱投向哪个工序,这次诊断在实质上就没有开始。


(二)线上与线下是两条通道,不是两套标准


线上诊断依托两个工具:规上工业企业使用“江苏省制造业领域人工智能技术场景应用水平自评测系统”,规下工业企业使用“江苏省工业企业人工智能应用微诊断”小程序;线下诊断依托省“人工智能+制造”诊断工作服务平台,由服务商、监理商走进企业现场。两条通道的对象与深度不同,评价语言却一致:都以典型场景为切入点,都指向技术应用、基础条件、部署方法三个方向的建议,最终汇聚到“基础能力得分+场景覆盖”的判定逻辑。


表1 线上诊断与线下诊断对照

(三)三种误区,最容易让诊断“白做”


一是把诊断当申报加分项。为凑场景、凑分数而填报,数据一经失真,后续改造就失去依据;填报与报告不一致,在验收环节会被直接查出。


二是重设备轻数据。一谈AI就采购算力与视觉设备,却忽略数据质量、实时供给、标注与追溯——仅“数据资源体系”一项就占22分,权重仅次于技术实现能力。设备解决的是“能不能算”,数据解决的是“算得准不准”。


三是重报告轻方案。报告写了一万字,却没有一个场景能落到“谁来做、投多少、几个月见效”。这类报告在满意度调查中往往拿不到高分。


二、先做线上自诊断:半天时间摸清家底


指引把线上诊断排在前面,不是因为技术含量低,而是因为它成本最低、频次最高。线上评估工具常年开放,企业可根据建设进展多次诊断。这意味着它天然是一台“体检仪”,而不是一次性考试。


(一)先确认自己走哪条通道


规上工业企业走“自评测系统”,入口在江苏政务服务网江苏省工业和信息化厅旗舰店“认定遴选类申报”板块及江苏省中小企业公共服务平台主页飘窗;规下工业企业走“微诊断小程序”,入口在苏服办APP、江苏工信公众号及省中小企业公共服务平台小程序。两者都需先注册登录,再客观、认真、详实地填写基本信息。


一个容易被忽略的细节是:各地以2025年统计年鉴中全省规上工业企业数为基数开展宣贯动员,力争诊断全覆盖;规下企业则由各地倡导参与。


(二)填报的关键是“填准”,而不是“填满”


基本信息并不是走过场。诊断报告模板要求企业填写“工厂建设满足的支撑要素”:装备层面是否具备网络化装备、智能化装备;网络层面是现场总线+工业以太网还是工业5G;平台层面是工业IOT平台、工业大数据平台、工业应用开发平台,还是工业软件和工业APP。同时要盘点研发设计类(CAD、CAE、CAM、CAPP、PLM)、生产制造类(MES、APS、WMS、QMS、LIMS)、经营管理类(ERP、CRM、SCM、BPM、BI)、控制执行类(DCS、PLC、HMI、SCADA)以及行业专用类软件的应用情况。


这些字段决定了后续判断的底座。例如企业自称已应用AI排产,但填报显示没有APS、MES只覆盖部分车间、设备数据靠人工录入,该场景就很难被认定为“生产计划优化”的有效应用。


建议由数字化或信息化负责人牵头,生产、质量、设备、供应链各出一名熟悉业务的人,对照台账逐项核对,用半天时间填完,而不是交给一个人凭印象完成。


(三)把自诊断用成“基线+复测”


线上诊断报告会根据企业填报的基本信息和场景自评测结果自动生成,综合评价企业当前人工智能技术发展水平,给出技术应用、部署方法(实施路径)、服务商等建议;每年度末,企业还可在自评测系统查阅自身在全省同集群、同产业链的场景应用水平对比评价。年初做基线,年末看位次;改造前后各做一次,看分数与覆盖是否真的变化。



(四)线上报告先看三处


报告篇幅有限,阅读优先级可以这样安排。先看综合等级与基础能力得分,判断差距在分数上还是在覆盖面上。再看哪些环节出现空白,尤其是工厂建设、工艺设计、运营管理、供应链管理这四处常被忽略的环节。最后把“技术应用、基础条件、部署方法、服务商”四条建议当作需求清单初稿,带到线下诊断去深化。


三、判断是否需要线下诊断,并准备好“被诊断”


(一)哪些企业进入线下诊断


线下诊断不是普惠服务。指引要求各设区市按省“1650”产业体系中的集群产业链梳理属地重点企业(不低于本地规上工业企业10%,不含省“筑峰强链”企业),会同省工信厅年度下发的名单制定本地工作方案,组织服务商走进重点企业诊断。进入线下诊断的主要是省“筑峰强链”企业和地市重点企业。


对多数企业,正确的做法是先把线上诊断做扎实,把它作为争取线下诊断资源、申报专项资金的基础材料,而不是被动等待被选中。线上报告已含等级判断、场景缺口与改造方向,认真做完一次,收获并不比一次仓促的现场走访少。


(二)线下八个节点,企业要跟住其中四个


线下诊断的实施节点依次是实施准备、项目启动会、主题培训、现场诊断服务、诊断报告编制、技术方案交流修订、诊断结果汇报、协助企业落实诊断方案。八个节点中,企业必须真正“在场”的是启动会、现场诊断、方案交流与结果汇报四个。


表2 线下诊断八个实施节点与企业配合要点

四个必须到场的节点各有原因。启动会由企业主要负责人出席并介绍基本情况,一把手不到场,后面的访谈容易降级为部门对口。现场访谈要安排在真实工位与真实系统界面,而不是在会议室里看图。技术方案交流修订是“把报告变成项目”的关键,服务商应推荐同行业改造案例,企业此时应主动提出预算、停产窗口与接口约束。结果汇报面向高层及第三方专家或监理方,是锁定责任部门的时点。


(三)企业侧的四项准备


第一是定人。指定一位能调动生产、IT、设备、财务的负责人作为唯一对接人,避免“来一拨人对接一拨人”。


第二是备料。按报告模板“企业基本信息”的口径,准备2024年、2025年的固定资产、主营收入、净利润,以及装备、网络、平台、工业软件清单和资质荣誉——智能制造能力成熟度自评估等级、示范工厂、标杆工厂、5G工厂、示范车间、融合应用、星级上云、高新技术企业等,逐项确认级别与年份。


第三是列需求。把“我们想解决什么”翻译成场景语言,例如“3号线换型时间要压到2小时以内”“气孔类缺陷漏检率要降到千分之三”,而不是“我们想上视觉AI”。需求写得越具体,场景诊断与改造方案就越可能落到实处。


第四是排路线。把现场走访路线、可演示的系统界面、可提供的数据样例提前排好,在预调研阶段交给服务商,减少现场无效时间。


(四)监理与验收:三道关防“走过场”


第一道关是过程监理。指引明确建立监理机制,监理机构按计划安排人员现场跟随监管,防止诊断“走过场”,并对服务商提交的实施计划和人员组织架构严格审查。第二道关是报告质量审核,从格式规范性、内容完整性、分析深度和问题针对性四方面制定审核制度。第三道关是验收,由设区市工信局组织,范围包括实施计划完成情况、诊断报告、企业满意度、财政资金规范使用。


对企业而言,监理机制是保护自己的工具。服务商不进场、报告套模板、数据与填报不一致,企业都可以通过监理和满意度调查如实反映。满意度调查表的评价维度包括诊断过程、问题分析、方案建议、业务水平、诊断结果五项,直接影响项目验收。


四、读懂诊断模型:这100分是怎么来的


线下诊断的核心工具是诊断模型:由5个一级指标、15个二级指标、20个采集项组成,采用百分制评价企业人工智能基础能力。它决定了报告“总体评价”部分有没有说服力,也决定了企业应当往哪里补。


(一)框架与分值分布


表3 “人工智能+制造”基础能力诊断模型框架

分值分布本身就是一份判断:技术实现能力32分权重最高,数据资源体系22分、算力与平台16分、人才与组织15分、运营与效益15分。这组数字说明,AI不是买来的,而是“数据+技术+组织”长出来的;纯设备投入最多影响8分,无法把企业送进基础级。


(二)五个维度的得分逻辑


1.人才与组织(15分):起点由“有没有规划”决定


战略规划占6分,五档递进,从“无规划”到“与预算、考核强关联并动态滚动更新”,逐档计0至100%。人才团队6分,一看组织形式与专职化程度,二看员工AI技能提升机制,各3分。创新文化3分,看是否有明确的创新激励机制与容错政策。


最容易被低估的是“规划”。很多企业项目做了不少,却拿不出一份书面专项规划,6分只能拿40%。而这份规划只需回答目标、场景清单、预算、责任人、考核方式五件事,恰好也是报告“顶层规划方案”要写的内容。


2.数据资源体系(22分):数据不是“有”,而是“能用、能实时、能追溯”


数据质量8分,分两个采集项:核心数据质量,从“数据严重缺失”到“建立面向AI的专项高质量数据集并持续维护”,五档计0至100%;实时供给能力,从“仅能处理历史批数据”到“具备全链路、高吞吐、低延迟的实时供给体系”,同样五档。数据标注4分,看标注体系与管理流程。数据管理10分,看训练数据质量保障、数据与模型版本的关联管理,以及DCMM贯标情况。


这一维度最能解释“为什么AI项目上线后不好用”。视觉检测效果不稳,往往不是算法不行,而是缺陷样本不均衡、标注无规范、新缺陷没有回流机制;排产预测不准,往往不是模型太简单,而是订单、设备、物料数据没有做到秒级同步。把这些说清楚,改造方案才不会又变成“换个模型试试”。


3.算力与平台(16分):买卡不等于有算力体系


算力基础设施8分,四档:无专用算力计0;少量GPU服务器或云算力用于试点计20%;建立可满足当前需求的私有或混合云算力池计80%;具备弹性伸缩与动态调度计100%。开发运营平台8分,看MLOps覆盖范围:无平台计0;开源工具组合计20%;平台覆盖部分流程计40%;覆盖数据准备到部署全流程计80%;实现自动化监控、回滚与迭代计100%。


对多数中型制造企业,理性的目标不是自建算力池,而是“够用+能扩”。把80%这一档作为中期目标,把平台能力摆在算力之前投入更划算——模型会换、场景会增,平台是可复用的基础设施。


4.技术实现能力(32分):从“开箱即用”到“自研模型”的台阶


技术覆盖广度6分采用累加计分,七类技术为计算机视觉2分、自然语言处理2分、语音/音频处理1分、优化与运筹学算法1分、先进过程控制与强化学习2分、行业垂类大模型3分、生成式AI 2分,上限6分。企业不必样样都有,覆盖三四类主流技术即可拿满。


模型技术水平8分,看核心模型的自主化程度:无自主模型计0;应用开箱即用或简单调参的模型计20%;能按业务需求深度优化与定制计60%;部分场景应用自研的复杂模型或行业大模型计80%;多个核心场景拥有自研且有竞争优势的模型算法计100%。“能调参”和“能定制”之间,隔着一整个工程团队。


工程化能力10分,是这一维度的分水岭:生产环境性能表现6分,看是否经过严格生产验证、指标是否稳定、在动态真实环境中是否具备泛化能力;抗干扰与安全保障4分,看是否建立输入输出监控与风险预警。流程协同8分,一看AI与业务流程的融合程度,从“演示工具”到“决策中枢”;二看场景间协同,从“完全独立”到“跨场景联动与自主决策闭环”。


把这一维度读透,就能理解指引为什么反复强调“场景”。AI的价值不在单点炫技,而在从演示工具走进流程环节,再到跨场景联动。即便有五个视觉检测工位,若数据不通、结论不回流工艺,流程协同依然拿不到分,整体仍被判定为单点应用。


5.运营与效益(15分):财务认可的收益才算效益


系统运营5分,看已上线AI系统的稳定运行与持续优化保障机制。安全合规5分,看AI安全风险识别、评估与应对机制,以及是否通过安全认证、具备主动防御与审计能力。综合效益5分,看是否有量化效益评估与管理体系:无明显量化效益计0;个别试点有初步量化效益计40%;多个场景有经财务认可的量化收益计80%;建立企业级AI价值度量体系并驱动投资决策计100%。


“经财务认可”是硬门槛。建议立项时就约定计量口径,例如漏检率下降带来的人工复检工时节省、非计划停机减少带来的产量增量、参数优化带来的能耗下降,由财务或成本会计确认,而不是项目组自行估算。


(三)等级判定:分数与覆盖必须“双达标”


表4 企业人工智能应用水平判定规则

三个等级的差别不只在分数,更在覆盖面。入门级只需四个环节中覆盖三个;基础级要七个环节中至少五个;进阶级要八个环节全部覆盖且不少于8个场景。单点应用做得再深也只解决局部问题,AI要产生系统性收益,必须在研发、生产、运营、供应链之间形成数据与决策的流动。


(四)两类常见错误


一类是“高分低覆盖”。基础能力扎实,数据、算力、团队都不缺,但场景只集中在质检和办公协同,等级被卡在入门级。这类企业应把能力外溢到生产管理、供应链管理等环节,用已有底座快速复制场景。


另一类是“广覆盖低基础”。场景撒得很开,每个环节都有试点,但数据不可实时、模型不可靠、没有运营机制,分数上不去。这类企业应先收敛到两三个高价值场景做深,把数据与平台补齐,再谈扩张。


五、从33个场景里“选”,而不是“铺”


(一)先看全景,再谈选择


指引把典型场景按八个环节归为33个,并对每个场景给出入门级、基础级、进阶级三档要求。入门级是“单点自动化+基础算法”,如部署工业相机与卷积神经网络做自动检测、部署智能电表实现能耗采集与预警;基础级是“AI驱动的优化与预测”,如换产计划优化、工艺参数实时优化、质量根因定位;进阶级是“多智能体、数字孪生、自主进化闭环”,如全要素数字孪生的自主建模、跨场景联动、供应链全域协同。


表5 八个环节33个场景全景与起步要求

(二)三个筛选标准


第一,痛点有损失。把“感觉效率低”换算成可计量的损失:一次漏检带来多少返工与索赔,一次非计划停机损失多少产量,一次换型浪费多少工时。没有计量,就没有验收标准。


第二,数据拿得到。场景所需的设备参数、质量记录、工艺数据是否在线、可否接口获取、有无历史积累。拿不到数据的场景,先做采集与联网改造,不要直接上模型——模型失败的原因,多数出在数据入口,而不是算法本身。


第三,一年见效果。优先选择建设周期短、见效可计量的场景,建立信心与预算惯性,再推进数字孪生工厂构建、碳资产全生命周期管理等中长期场景。资源有限时,顺序比规模重要。


(三)七个场景没有“入门级”起点


对照清单可以看到,工艺与产品智能协同验证、生产执行智能联动优化、碳资产全生命周期管理、数智精益管理、规模化定制、采购计划优化协同、供应链智能调度与物流协同这七个场景,入门级甚至基础级一栏为空白,起步要求直接落在进阶级。不要为了“凑环节”硬上它们:这些场景需要数字孪生、多智能体协同、生成式AI打底,合理做法是先做能力建设,再纳入三年规划。


(四)三级进阶不是越高越好


判定等级与企业规模、行业属性并不必然正相关。一家离散制造企业把在线智能检测、设备运行监控与维护做到进阶级,价值可能高于在六个环节各做一个入门级试点。因此场景等级应逐场景给出、逐场景设定目标,而不是笼统给企业一个等级。


(五)现场场景表五项怎么填


报告模板为每个场景设置了统一字段:技术应用(人工智能模型名称与使用描述)、基础条件(设备、系统、网络)、部署方式(云部署或本地部署)、建设成效、存在不足。填写质量直接决定改造方案的可执行性。


技术应用要写到“名称+用途”,例如“基于YOLO的焊缝缺陷检测模型,用于焊后在线判定并联动分拣”,而不是“视觉检测”。基础条件要写清数据链路,例如“设备PLC经工业以太网接入SCADA,检测图像存于本地服务器,尚未接入MES”。建设成效要有基线对比,例如“漏检率由1.2%降至0.4%”。


“存在不足”一栏最需要下功夫,必须具体到工序、参数或数据项。例如“3号线缺陷样本中气孔类仅占8%,模型对气孔漏检率偏高;检测结果未回流工艺参数调整”。这一栏是改造方案的直接来源,写得越虚,方案越落不了地。


(六)别漏掉模型与智能体的盘点


除场景外,报告模板还要求盘点通用大模型、领域模型、垂类模型、小模型、智能终端、工业智能体的应用现状,记录应用场景、解决的问题、自研或采购、采购供应商名称及联系方式。六类对象的分工可以简单理解:通用大模型是“通才”,领域模型是用行业数据微调出的“行业专家”,垂类模型聚焦单一场景、相当于“专科医生”,小模型轻量部署在设备端,智能终端是运行模型与执行决策的物理载体,工业智能体则是具备自主感知、分析、决策与执行能力、实现目标驱动闭环控制的智能实体。


这份盘点的意义在于校准自我认知:企业常常低估已有能力,例如已在用通用大模型辅助编写工艺文件;也常常高估积累,把采购的SaaS功能等同于自有模型能力。把“有什么、是谁的、解决什么问题”写清楚,才能判断下一步是继续采购、自研还是集成。


六、把诊断报告写成“能落地的方案”


(一)硬要求先记牢


诊断报告字数不低于1万字,内容包括但不限于企业基本信息、诊断需求、综合能力评价、场景应用水平、顶层规划方案、改造实施方案、供应商推荐名单、诊断人员联系表、诊断满意度调查表、同行业典型案例。报告不得存在大段雷同内容,分析结果要具有针对性;须经企业和服务机构负责人签字盖章,服务商至少向工信部门和被诊断企业各报送一份盖章的完整纸质报告存档。


对企业来说,这些要求的意义不只是合规。一万字的下限,本质上是在要求服务商把“分析”写够;企业侧的核对重点也应放在分析与数据上。


(二)九个部分写什么、从哪来、容易错在哪


表6 诊断报告九个部分的撰写要点与常见问题

补充三点容易被忽视的要求。顶层规划方案不是口号页,它要写清建设目标及原则、与企业战略对齐的愿景与目标、短中长期场景蓝图,以及数据、设备、技术、安全、流程等支撑体系;判断标准很简单——三年后回看,能据此排出年度项目。改造实施方案必须五件齐备:目标与预期价值、内容与技术路径、关键步骤与里程碑、资源需求与投资估算、风险与应对。供应商名单要分类可查,企业应把它当作询价起点而非采购结论,同一场景至少对比两家。


(三)避免“大段雷同”的四条做法


一是一企一数。所有经营、产能、质量数据来自企业台账与访谈记录,并标注口径与统计区间。


二是一问题一证据。每个问题后面跟一个可核查的现象或数据。例如“数据不通”应写成“检测数据存于线边工控机,与MES无接口,质量追溯需人工导出”。


三是一建议一投入。每条建议对应预计投入与回报周期,无法估算的要说明估算依据与不确定性。


四是一案例一差异。同行业案例要写清对方的产线条件、数据基础、投入规模,以及与本企业的差异点——案例的价值在于可比,不在于好听。


(四)质量自检:五个常见扣分点


第一,得分与场景覆盖自相矛盾,例如基础能力72分却只覆盖3个场景,却判定为进阶级。


第二,场景表“是否涉及”勾满,技术应用栏却写着“计划引入”。第三,顶层规划与改造实施方案两张皮。第四,投资估算缺失或只有总额。第五,附件不全:需求确认单未盖章、人员联系表缺能力证明、满意度调查表未签字。这五点在监理审核与验收中都属于必查项。


七、诊断之后:把报告变成三年项目清单


诊断在企业内部不应以“报告交稿”为终点,而应以“项目清单立项”为终点。报告只是把问题与路径写清楚,真正改变企业的是接下来十二个月的动作。


(一)三张清单


快赢清单,周期3至6个月。选择数据可获取、投入较小、见效可计量的场景,例如在线智能检测的样本补齐与模型迭代、设备运行监控的报警规则优化、仓储拣选路径优化。目标是形成第一笔可被财务确认的收益。


能力建设清单,周期6至18个月,包括数据治理与标注体系、实时数据接入、MLOps平台、AI团队与培训体系、安全合规机制。这部分不直接产生收益,却决定后续场景能否规模化复制,对应诊断模型中数据资源体系、算力与平台的得分项。


场景攻坚清单,周期12至36个月。需要跨部门、跨系统协同的场景,如生产执行智能联动优化、数字孪生工厂构建、供应链智能调度与物流协同。这类项目应独立立项、独立预算、独立考核,避免被日常技改挤占资源。


(二)预算与政策衔接


指引要求各设区市按照省诊断工作方案和专项资金指南,结合本地实际制定诊断资金使用办法,推动企业实施场景改造。企业侧应把诊断结论对接到制造强省专项资金、地方配套政策与技改项目申报,把“诊断建议”转成“可申报的项目”。


(三)组织与制度保障


三件事最能改变诊断结果的持续性。其一,把AI专项规划纳入年度经营目标与部门考核。其二,建立创新激励与容错机制。其三,推进DCMM、智能制造能力成熟度等贯标,既对应数据管理中的贯标分值,也为后续申报与客户审核打下基础。


(四)复测闭环


线上评估工具常年开放,建议形成“年度基线+项目前后复测”的节奏:每年在同一时间窗口完成一次自诊断,记录综合等级、基础能力得分、场景覆盖三项指标;每完成一个改造项目,做一次专项复测。三年下来,这条曲线比任何汇报材料都更能说明企业的进步。


八、一页纸行动路线


把前七个步骤压缩成一张表,就是企业可以直接执行的第一年路线图。


表7 企业开展“人工智能+制造”诊断的第一年行动路线

结语


回到最初的问题:诊断从哪里开始?答案是从承认“看不清”开始——用线上工具把家底摸清,用线下诊断把问题挖透,用一份写得实的报告把路径定下来。指引提供的是一套已经跑通的流程和一把可以对照的尺子;企业要做的,是把自己的工序、数据、人和钱放进尺子里量一遍。


诊断的价值不在报告的厚度,而在改造的进度。一份能让企业在半年内启动第一个场景、一年内拿到第一笔可计量收益的诊断,就是好诊断。

暂无评论,等你抢沙发

  • 短信登录
  • 密码登录
还没有账号,
登录即代表您同意本网站的 《用户注册协议》
还没有账号,
登录即代表您同意本网站的 《用户注册协议》
注册
已有账号, 立即登录
登录即代表您同意本网站的 《用户注册协议》
找回密码