很多制造企业的管理者，现在都面临同一个困惑：AI应用到底做到什么程度才算“到位”？

买了几套软件、上了一条自动化产线，算不算转型成功？投入不小、效果难以量化，向上汇报说不清进度，向下推进找不到抓手。

2026年7月，上海市经济和信息化委员会指导中国信通院华东分院，发布《上海市制造企业人工智能应用成熟度评估指引（试行）》，专门回答这个问题。

它不是给企业打分评奖的“考试”，而是一把帮助企业看清自身位置的“标尺”：45个应用场景、7个基础能力维度、L1到L4四个等级，把“AI+制造”这件抽象的事，拆成了一张可以逐项对照的清单。

这篇文章不重复政策条文，只讲三件事：这套评估体系怎么运转、企业能从中得到什么、以及拿到指引后第一步该做什么。

一、为什么要有一把“标尺”

先看背景。2025年8月，上海印发《上海市加快推动“AI+制造”发展的实施方案》，启动“模塑申城·AI+制造”行动，提出用三年时间推动3000家制造企业实现智能化应用。

目标很明确，但落到每一家企业，问题立刻变得具体：从哪开始转？转到什么程度算好？钱投进去怎么证明有效？

企业普遍存在“不敢转、不会转、转不好”的困境——不敢转，是怕投入打水漂；不会转，是不知道从哪下手；转不好，是缺乏可量化的标准和路径。

这份评估指引，就是冲着这三个问题来的：通过发布应用场景清单和企业基础清单，帮助企业厘清所处阶段、明确进阶路径，从单点应用走向跨链协同、全链路融合。

二、评估模型：70%看场景，30%看基础

从AI当眼睛，到AI当大脑：成熟度的每一步进阶都有明确分界。

指引的评估框架由两部分构成，权重三七开：

应用场景评估（权重70%）：衡量AI在具体业务场景中的应用广度与深度；

企业基础评估（权重30%）：衡量企业支撑AI规模化应用的基础保障能力。

两者相互独立、相互印证——场景得分反映“当下用得好不好”，基础得分反映“能不能持续用下去”，加权综合得出整体成熟度等级。

最终等级分四级，自低向高：

L1 辅助感知：在单点或少数场景中实时感知并呈现关键业务数据，由人工完成全部解读与决策，系统尚未形成自主判断能力。

L2 辅助决策：在多个场景中对业务状态进行分析判断，形成明确的方案建议或操作指令，由人工确认后执行，形成“系统建议、人工决策”的协同机制。

L3 自主决策：在跨场景协同中自主完成从感知到决策再到执行的完整闭环，人工仅负责监控运行状态、在超出系统能力边界时干预。

L4 自主优化：实现全价值链覆盖与跨环节协同，具备完整的自主决策与执行能力，面对异常和变化无需人工介入即可自动调整策略，系统具备自学习、自适应能力。

一个关键原则：高成熟度等级须涵盖低成熟度等级的全部要求。这四级的进阶逻辑，本质上是从“AI当眼睛”到“AI当大脑”的过程。

三、45个应用场景：AI到底能用在制造哪里

45个场景并非平均用力：生产制造是主战场，跨环节与AI原生指向终局。

这是指引最实用也最厚重的部分。45个场景分为六大类：

研发设计（9个）：市场调研与需求分析智能化、产品方案智能生成、产品智能化测试、研发流程与质量智能管理、CAx软件智能化（含Vibe Coding自然语言编程）、人工智能软件原生、工艺智能设计、产线虚拟验证、产品虚拟验证。

生产制造（16个）：数量最多，覆盖生产计划优化、智能排产、生产动态调度、智能在线检测、质量问题智能溯源分析、工艺动态优化、智能先进过程控制（APC）、设备全生命周期管理、设备故障智能诊断预警、单岗位人机协同、单具身智能作业、多具身智能协同、安全隐患闭环管控、安全风险分级管理、能碳智能管理、环境智能监控。

供应链管理（6个）：供需动态协同、供应链韧性、供应商智能寻源与推荐、智能库位配置、车间物料智能配送、物流配送路线自动优化。

经营管理与服务（9个）：智能经营决策、智能精准营销、销售订单智能管理、产品智能化、后市场服务智能化、人力资源管理智能化、办公与行政智能化、财务管理和分析智能化、合规与法务智能化。

跨环节突破性能力（3个）：跨环节AI协同链路、跨企业AI协同链路、新模式。

AI原生能力（2个）：AI原生工厂、AI原生场景。

留意几个信号：

第一，“具身智能”被单列3个场景，人形机器人、智能机械臂、自主移动机器人明确写进评估清单，这是本轮指引最鲜明的时代特征之一。

第二，研发设计环节出现“人工智能软件原生”“Vibe Coding”，说明评估鼓励的不只是“用AI辅助”，更是用AI重构软件工具本身。

第三，跨环节与AI原生场景是加分项，指向的是转型终局——从单点优化走向全链路融合。

四、企业基础：7个维度决定“能不能持续”

基础决定上限：数据、算力、模型与智能体，是AI应用能走多远的地基。

场景是“水面上的成绩”，基础是“水面下的能力”。企业基础评估含两大能力、7个评估维度：

智能要素（占企业基础70%）：数据治理、质量与知识工程；智能算力与基础设施；模型能力；智能体能力；AI系统开发与运维能力。

人工智能安全（占企业基础30%）：安全防护；合规治理。

值得注意的细节是“智能体能力”被单列——要求企业建设统一智能体平台，支持多类型智能体注册、协同编排、统一调度，并构建Harness（驾驭工程）框架，配备文件系统、代码执行沙箱、长期记忆及MCP工具调用能力。

这说明评估体系已经默认：AI落地不再是单个模型的事，而是“模型+智能体+工具链”的系统工程。

指引还鼓励企业在战略、组织、人才与文化上同步转型——制定AI发展愿景与实施路线图、建立跨层级协同机构、培养懂业务懂技术的复合型人才、营造鼓励试错的文化。这些不纳入计分，却决定了转型能否真正走远。

五、怎么算分：一套可以自己复算的公式

每个等级都有清晰的分值边界：先算分，再定级，自己就能完成一次“AI体检”。

评估方法最体现可操作性的，是算分逻辑。所有得分都可以由企业自己复算：

应用场景综合得分 = 广度得分×50% + 深度得分×50%；广度得分 =（参评场景数÷43）×5.0；深度得分 = 参评场景得分之和÷参评场景数。

每个场景按L1—L4四级、每级两个子级打分，分值从0.5分到5.0分。企业也可选择清单之外的场景参评，参评总数与分母相应增加；同一场景有多个应用点，取最高分。

企业基础综合得分同样按“广度×50%+深度×50%”计算，深度得分中智能要素占70%、人工智能安全占30%。

三个要点：

跨环节突破性能力是加分项，评分上浮10%，单个场景上浮后不超过5.0分；

AI原生能力不计入应用场景基础得分，单独作为附加分累加，上限5.0分；

综合得分 = 应用场景×70% + 企业基础×30% + AI原生能力附加分。

等级判定区间：L1为1.0≤X<2.5；L2为2.5≤X<3.5；L3为3.5≤X<4.5；L4为4.5≤X≤5.0。综合得分低于1.0分不参与定级。

这套公式最大的价值在于：企业完全可以先自己算一遍，再决定是否请第三方评估。

六、拿到指引后，企业第一步该做什么

转型不必一步到位：先盘点、再补基础、后定路线，逐步走向跨链协同。

基于评估逻辑，给企业三条可执行建议：

第一，先做“场景盘点”，不急着上系统。对照45个场景清单，把企业现有AI应用逐项“对号入座”——每个场景处于哪个等级、是试点验证还是常态化运行。盘点结果就是企业当下的“AI画像”。

第二，先补“基础短板”，再扩“场景数量”。广度得分取决于参评场景数，深度得分取决于场景建设水平，而两者都受企业基础能力制约。数据没打通、算力没保障，场景做得再多也难上等级。

第三，设计“进阶路线图”，从单点走向跨链。参考L1—L4的递进逻辑，为每个重点场景设定目标：先做到“系统建议、人工决策”，再向“自主决策闭环”演进，最终向跨环节协同与AI原生场景布局。

七、几个常见的理解误区

误区一：“这是给大企业准备的，中小企业看看就好。”指引明确适用于各类制造企业开展自评估，且场景清单允许企业根据自身业务增加或细化指标，中小企业完全可以从两三个高频场景起步。

误区二：“评级越高越好，冲刺L4。”定级的目的是让企业“看清现状、明确路径”，不是竞赛排名。对多数企业来说，先把L1—L2的场景做实、把数据基础打好，比盲目追求L4更有价值。

误区三：“有了AI应用就是智能化。”评估同时看场景和企业基础，更重要的是等级背后的能力递进——同样的场景，从“人工解读”到“自主优化”，才是真正的进阶。

写在最后

上海这份指引的可贵之处，不在于发明了多少新概念，而在于把“AI+制造”这件容易陷入口号的事，变成了可对照、可计算、可复盘的工程方法。

对制造企业来说，它最大的价值是一句话：你不必再凭感觉判断自己“转得怎么样”，而是可以像体检一样，逐项检查、逐年复查。

从单点应用走向跨链协同、全链路融合，这条路没有捷径，但至少，现在有地图了。