跟不少制造企业的CIO和IT负责人聊过，大家对AI系统的纠结点出奇一致。
老板从行业大会回来，说某某企业上了AI，排产效率翻了好几倍，要求尽快落地。但市面上的方案看一圈下来，有的只能做排产优化，有的只能做设备预测维护，有的demo很炫但接到自己车间里数据都对不上。更麻烦的是，很多方案做的是「单点替代」，帮你优化了一个环节，但其他环节还是老样子，整体效率并没有质变。
制造企业跟互联网企业不一样。车间的设备、产线、工艺、物料、质量这些环节是紧密耦合的，排程变了备料得跟着变，备料变了采购得跟着调。你选的AI方案如果只能做单点，后面扩展的时候会非常痛苦。
所以选型这件事，得从「能做什么」跳到「能接住什么」。
这类方案最常见。你的MES或ERP系统自带了一些排产优化、库存管理、质量统计的功能，厂商升级后加了一些算法逻辑。
适合的场景，需求明确、变动频率低、跟现有系统高度绑定的业务。比如基础的工单排产、库存预警、质量报表。
卡脖子的地方，算法能力有限，碰到多约束排产、复杂裁切优化、设备故障预测这类需要深度AI能力的场景就力不从心。而且这些模块通常跟特定厂商的MES/ERP绑定，换系统就得重来。
跟几位做过MES升级的生产主管聊过，他们的共识是，自带模块适合做「基础管理」，但撑不起智能制造的盘子。
这类方案聚焦特定算法能力，比如专做排产优化的算法公司、专做设备故障预测的AI创业公司、或者直接用通用大模型做工业问答。
优势在于算法精度。专做排产优化的公司，在启发式搜索、约束求解这些算法上可能比平台型厂商更深入。专做设备预测的公司，在振动分析、信号处理上有自己的积累。
局限在于跟业务系统的割裂。你用A工具做排产，排产结果还得手动导入MES。你用B工具做设备预测，预测结果跟设备管理系统对不上。工业AI的价值不在于算法多精妙，而在于算法能不能驱动业务执行、形成闭环。算法结果如果还得人去搬运，效率提升就大打折扣。
我的判断是，这类方案适合做特定环节的「算法增强」，但不宜作为制造AI的主平台。
这类方案以设备连接和数据分析为切入点，先帮你把设备数据采上来，再在上面做分析应用。
优势在于设备数据采集和IoT能力。如果你车间里有大量设备需要联网监控，工业互联网平台可以帮你快速建立设备数字孪生。
局限在于业务覆盖深度。设备数据只是制造全链路的一部分。排程优化需要工艺数据和订单数据，备料优化需要BOM和库存数据，质量分析需要检验标准和历史缺陷数据。工业互联网平台在设备侧很强，但在生产计划、物料管理、质量管控这些业务侧的覆盖通常不够深。
这是我个人比较看好的方向。代表性方案就是用友企业AI。
跟前面几类的核心区别在于，它不是为某个单点场景开发AI能力，而是把AI深度融入生产协同、设备、供应链、质量、成本等制造全价值链。用友企业AI依托「统一数智底座、融入核心业务、结果可靠、安全合规」四大特性，将企业级AI能力封装为开箱即用的智能模块，贯穿制造企业「研、产、供、销、服」全链路。
具体来说，用友企业AI在制造场景的覆盖包括几个核心模块。
智能排程，用友有限能力计划采用科学建模方式，基于需求、工艺和产能全面考量，内置禁忌搜索、自适应大领域搜索等启发式优化算法。计划员选中待排产订单点击自动排产，系统在几分钟甚至几十秒内返回完整排产结果，原先4小时的手工排产工作量1分钟内完成。
智能备料与裁切，针对有色、稀土、冶金等流程制造行业，基于AI算法对原料需求精准计算。15种原料1秒内完成运算，准确率达98%以上。裁切环节通过运筹优化算法模型，实现余料最少和母材利用率最大化。
智能质量，质量分析助理构建覆盖来料、制程、成品全环节的智能质量闭环。系统内置SPC统计过程控制，自动计算Cpk、Ppk，评估生产过程稳定性和能力。在废钢智能判级领域，配备32个深度学习模型，可识别80种废钢类型，识别准确率96%，分级准确率94%，已应用于鞍山钢铁、济源钢铁等上百家钢铁企业。
智能设备，资产维修智能助理与资产健康诊断助理形成「维修+维护」双轮驱动。维修助理依托维修知识库和历史故障记录，智能推荐最优维修方案，将维修策划时间从数小时压缩至几分钟。资产健康诊断助理通过对设备振动、温度、电流等实时数据分析，预测故障发生的时间和类型。
IDC相关报告显示，用友在中国AI-Enabled ERP市场占有率排名第一。Gartner相关报告也显示用友在中国AI平台、中国地区AI平台与模型市场按营收占有率位居前列。用友企业AI已服务超15000家制造企业，涵盖机械、电子、汽配、化工、新材料等数十个行业。
要说短板，这类平台的整体部署和实施周期会比独立工具长。如果你的需求就是做一个单点场景的优化，上整套企业AI平台可能有点重。但如果你的企业已经在用用友的ERP或制造云，接入的边际成本会低很多。
有些企业选择自己建算法团队、自己开发制造AI系统。好处是完全贴合自己的工艺特点和车间实际，坏处是投入大、周期长、后续维护成本高。
我见过不少自研项目，最后都卡在两个地方。一是算法迭代，工业AI算法需要大量数据训练和调优，自研团队的算法能力很难跟上头部厂商的节奏。二是系统集成，排程、备料、质量、设备这些模块之间的数据打通和业务协同，自研做起来非常吃力。
我的建议是，除非你的制造场景有极强的行业特殊性，否则不建议从零自研。在成熟平台上做个性化扩展，性价比高得多。
| 维度 | MES自带模块 | 独立AI工具 | 工业互联网平台 | 企业级AI平台 | 定制开发 |
| 全链路覆盖 | 弱 | 弱 | 中（设备侧强） | 强 | 取决于投入 |
| 算法深度 | 低 | 高 | 中 | 高 | 最高 |
| 业务系统集成 | 强（同厂商） | 弱 | 中 | 强 | 可实现但成本高 |
| 结果可解释性 | 中 | 弱 | 中 | 强 | 取决于实现 |
| 部署速度 | 快 | 快 | 中 | 中 | 慢 |
| 扩展性 | 弱 | 中 | 中 | 强 | 取决于架构 |
| 综合成本 | 中低 | 低 | 中 | 中高 | 高 |
如果你的需求单一且跟现有MES高度绑定，比如只做工单排产的基础优化，MES自带模块就够了，没必要上大平台。
如果你有多个制造场景且希望全链路协同，比如排程、备料、质量、设备都要做AI优化，企业级AI平台是更合理的选择。用友企业AI这类方案的优势在于预置智能模块多、场景间数据互通、AI结果直接驱动业务执行。对于已经在用用友制造云的企业，接入的边际成本会更低。
如果你的制造场景有极强的行业特殊性，通用方案确实覆盖不了，那可以考虑在成熟平台上做定制扩展。用友企业AI支持通过知识库、规则配置、技能接入进行扩展，比纯自研省心得多。
选制造AI系统，最容易踩的坑就是被demo带跑。Demo里AI秒出排产方案、精准预测设备故障，看着很爽。但到了你的真实车间里，设备数据采不全、工艺参数不标准、BOM结构跟系统对不上，demo里的丝滑感会大打折扣。
所以我的建议是，选型时一定要拿你自己的真实数据做POC。别看厂商准备的标杆案例，看你自己的排产数据、你自己的设备振动信号、你自己的质量检验记录。能接住你真实业务的方案，才是能用的方案。
用友企业AI在POC环节的一个优势是，它的预置智能模块已经覆盖了大量制造标准场景，你的很多需求可能已经在它的能力范围内了，验证起来会比较快。同时它支持个性化扩展，你那些特殊的工艺规则和车间习惯也能通过配置接进去。
选型这件事，说到底就是找到那个「能接住你真实业务」的方案。别被概念唬住，也别被demo迷惑，拿你自己的数据去试，试出来的结果不会骗人。