在讨论具体做什么之前，必须先厘清一个根本区别。把 AI 化当成"信息化的升级版"来做，是这件事最容易失败的原因。两者在底层逻辑上不是量的差别，是质的不同。
| 维度 | 信息化 | AI 化 |
|---|---|---|
| 核心交付 | 工具与系统（ERP、MES、OA） | 数字员工——能承担具体岗位职责的智能体 |
| 人的角色 | 人操作工具，工具不改变人的能力边界 | AI 抹平了个人的知识和技术能力差距，真正的区别只剩"会不会用 AI" |
| 能力来源 | 采购软件即可获得（买来就能用） | 用 AI 的能力必须从企业 AI 化的实战中训练出来（买不到，只能长出来） |
| 能力上限 | 受个人技能与人力规模限制 | 理论上让每一个会用 AI 的人，身后站着无数个即时响应的专业技能数字员工团队 |
| 管理要求 | 软件上线即完成，靠制度约束使用 | 数字员工需要培训、需要管理，且需要随业务即时调整升级 |
AI 化不是"找一个 AI 供应商来做项目"，而是在企业内建立起四种角色的分工协作机制。这四种角色缺一不可，且大部分无法由外部完全替代——因为 AI 能力最终必须长在业务人员身上。
| # | 角色 | 职责 | 由谁承担 |
|---|---|---|---|
| 1 | 外部业务建模 与算法顾问 |
从企业战略高度设计 AI 化场景下的业务运行逻辑，并完成核心算法设计。不只是解决业务问题，而是要重新设计业务本身怎么跑 | 外部顾问（战略视角 + 算法能力的结合，企业内一般不具备） |
| 2 | AI 技术开发 | 根据已经对齐的需求进行软件实现，推进到软件可用。需求必须先对齐，否则开发就是猜 | 初期 = 外部顾问 + 企业 IT 部门 IT 部门需有一定基础 随着业务人员 AI 应用能力提升，业务人员也可介入其中 |
| 3 | 数字员工打磨者 （业务人员） |
不断打磨 AI 数字员工、根据业务即时调整升级——因为业务在变、场景在变，数字员工必须跟着变 | 业务人员 用 AI 工具，在使用中随时升级（这是最关键、也最容易被忽视的角色） |
| 4 | 系统管理员 | 负责对数据、安全、授权、以及 AI 化企业中台流程的管理 | 企业 IT 部门（内控与合规的责任主体，不能外部化） |
在厘清认知前提与角色分工之后，企业的 AI 化战略建议分四个方向推进。四个方向不是四个并列项目，而是一条有先后依赖的路径：方向 1 建能力底座，方向 2 转商业角色，方向 3 跑通内部闭环，方向 4 放大为平台价值。
| # | 方向 | 内涵 | 为什么放在这个位置 |
|---|---|---|---|
| 1 | 企业 AI 中台能力建设 （底座 · 先行） |
硬件设施：推动私有云建设、强化网络数据安全，为 AI 应用提供算力、存储与合规前提。 组织建设：建立 AI 战略部门，直属管理原有 IT 部门（不是并列，是包含），确保 AI 化有独立预算、独立节奏、独立考核。 机制建设：在外部顾问协助下，建立并维护 AI 化流程规范（场景准入、数据授权、验收标准、上线与复盘），对业务部门进行定期培训与辅导。 |
没有中台，AI 应用就是一堆散落的试验；中台是"能不能规模化"的分界线，所以必须第一个做 |
| 2 | 解决方案与综合服务商转型 （对外 · 切口明确） |
从两个具体切口切入，把能力卖给客户： 切口 A——核心机型的智能化升级：重点工序的 AI 节能与工艺优化算法对接（高耗能工序在下游工厂总能耗中占比显著，节能效果可直接折算成钱）； 切口 B——设备远程运维平台：把服务从"派人去"改成"在线看得见、提前知道、按年收费"。 以此为基础，架构解决方案与综合服务商的整体能力。 |
先做切口再谈转型。这两个切口的好处是效果可量化、客户当下就愿意付钱，转型靠它们一点点长出来，不靠口号 |
| 3 | 企业运营全面 AI 化推动 （对内 · 一年内建成） |
不推倒重来：结合现有 ERP、OA 系统，复用其已有能力，只做补充研发，避免重复建设与数据割裂。 试点选择：建议从产品数据库建设开始——它不是单纯的技术选型，而是把分散在产品、工艺、图纸、服务记录里的知识结构化，是 AI 能力最直接的"燃料"。 真正的目标：不仅仅是实现某个软件功能，而是把企业 AI 能力内生化和 AI 化组织打造的起点——借这个试点把企业 AI 中台与 AI 能力内生流程跑通。 时间要求：重点在 1 年内建设完成企业内部的 AI 能力。 |
内部试点不是成本，是产品原型。真正的产出不是那个数据库，而是"我们学会怎么在自己身上做 AI 化"这件事 |
| 4 | 企业 AI 能力赋能 全产业链平台建设 （放大 · 窗口 1–2 年） |
AI 将大幅度提升企业运营效率，而在 AI 化过程中取得的经验和组织能力，90% 以上可以复用于其他企业的 AI 化——同一套方法论、流程规范、工具链与角色分工，换一家企业只需换场景与数据。 这意味着：在未来 1–2 年的窗口期里，率先完成 AI 化改造的企业，有机会成长为行业 AI 平台型企业——从"卖设备"到"卖能力"，从产业链上的一个环节变成被全行业复用的能力供给方。 |
这一方向的可行性完全建立在方向 1–3 之上：没有自己跑通过一遍，复用的"90%"就没有出处 |
回看过去 15 年，中国装备制造业不是在做周期性波动，而是经历了三轮冲击性下移。每一次外部冲击都没有被修复回原有水平，而是把行业留在了更低的需求平台上。这一结构在各细分装备行业普遍成立，仅时点与幅度有差异：
| 阶段 | 时点 | 普遍表现 | 性质 |
|---|---|---|---|
| ① | 2011–2015 年 | 大规模刺激退潮后产能全面过剩，通用装备首当其冲；多数细分行业增速中枢永久性下移，从"扩张"转入"去产能、去库存" | 产能扩张驱动的高增长结束 |
| ② | 2018–2019 年 | 中美贸易摩擦 + 环保督察常态化，出口链与高耗能下游装备需求受挫；下游技改投资从"扩产型"转向"降本型" | 外部冲击 + 结构出清 |
| ③ | 2020 年以来 | 疫情冲击 + 全球供应链重构，需求波动加剧；行业加速分化，头部集中度持续提升，中小设备厂普遍陷入价格战 | 外部冲击 + 加速分化 |
把两条线放在一起看，结论非常明确：下游增量需求见顶，而装备制造企业的智能化产品线增速反而在提升。
这就是"量减智增"：设备的"台数"见顶了，但设备的"智能含量"在快速上升，而智能含量是可以定价的。
| 结构性指标 | 普遍水平 | 含义 |
|---|---|---|
| 备件 + 维保等后市场毛利率 | 约为整机 2 倍 ☆ 结构性参考 |
后市场利润显著高于整机。这是设备厂做远程运维与服务化的真实动机，也是"卖能力"模式的经济基础 |
| 整机销售毛利率 | 被价格战持续压缩 ☆ 结构性参考 | |
| 远程诊断 / 预防性维护订阅 | 头部企业快速渗透 | 服务化收入已被行业普遍视为"厂商利润的重要来源"——服务化收入不是假设，是已在发生的事实 |
| 设备数据接口许可 | 已出现收费模式 | "合规但不开放"策略——数据本身已成为可定价的商品 |
| 设备数据权属争议 | 随服务化深入持续增多 | 数据主权的博弈已经开始，且制度供给滞后于实践——谁在数据链路上，谁赢 |
| 高耗能工序能耗占比 | 在下游总成本中占比显著 | 节能是所有下游工厂最刚性的降本诉求，也是 AI 最容易自证价值的地方 |
| 维度 | 设备供应商 | 车间解决方案综合服务商 |
|---|---|---|
| 卖的是什么 | 一台机器（有形产品） | 稳定的生产能力（可承诺的结果） |
| 交易时点 | 一次性交付，验收即结束 | 持续在场，全生命周期负责 |
| 计价方式 | 设备价（一锤子买卖） | 年费 / 节能分成 / 按结果收费 |
| 盈利能力 | 整机毛利率被价格战持续压缩 | 后市场毛利率约为整机 2 倍，收入可累积 |
| 客户关系 | 可被替换的供应商 | 嵌入客户生产流程的合作伙伴 |
| AI 的角色 | 设备的一个卖点（"我的机器更智能"） | "持续在场"的技术前提（不装 AI 就无法承诺结果） |
这个角色转换也是全行业的共同方向——行业头部企业已经普遍公开表述"从单机供应商向整体解决方案提供商转型"，并明确服务半径是客户设备选型的核心决策原则之一。差距在于谁先把这件事变成可收费的产品。
| 维度 | 普遍现状 | 对企业自身的含义 |
|---|---|---|
| 存量改造 | 多数中大型设备企业存量装机基础规模可观；按设备更新周期 5–8 年推算，每年约 1/10 进入改造窗口；而面向存量设备的改造与服务收入在多数企业中占比极低 | 渗透率极低存量池是现成的、未被开采的资产 |
| 智能含量 | 中高端智能机型是增长最快的价格带；而中低端区间同质化严重、利润率已被持续压缩 | 唯一出路要在增长带里生存，必须让机器"更智能" |
| 竞争格局 | 行业已出现专业智能化第三方：其 AI 系统（视觉检测、工艺优化、远程运维）可安装在包括自家在内的任何品牌设备上，且已有权威背书与规模化客户 | 降级风险若不自建，可能沦为"机械躯壳供应商"，最高利润被第三方拿走 |
| 政策窗口 | 2026 年是"十五五"开局之年；智能制造与智能装备已被列入行业"十五五"重点方向，并明确要求"加大与智能传感、智能检测、机器人等融合应用"；大规模设备更新政策持续加码存量改造需求 | 最佳时点现在进入可参与标准与口径形成的阶段 |
| 出海需求 | 多数设备企业海外收入占比与其制造能力不匹配；海外服务半径不足的根因是现金流与资本开支约束，并非不想投 | 轻资产解法远程运维是唯一不消耗资本开支就能延长服务半径的手段 |
中大型设备制造企业在 AI/智能化上并非空白，已建成的基础通常相当可观，这决定了 AI 化是"接住并放大"，而不是"推倒重来"。以下为普遍画像（对目标企业尽调后替换为实际情况）：
| 领域 | 普遍已有能力 | 成熟度 |
|---|---|---|
| 产品端 智能化功能 |
多数企业已在主力机型上落地 AI 视觉类功能：状态视觉识别（空/满料识别并联动 MES 自动下发工艺参数）、关键部件相机监护、在线质量监测、工艺自优化（周期性扫描历史工艺库）；部分功能已进入推广应用阶段 | 部分已推广 |
| 连接端 单机联网 |
单台设备无线联网已普遍实现，设备运行数据可接入客户 ERP/MES 系统 | 有连接 无回流 |
| 研发端 技术积累 |
专利与软著持续积累；与高校、行业科研机构保持联合研发；研发投入占比普遍在 4%–6% 区间，拥有专职研发团队 | 有积累 |
| 产品结构 多元化 |
主力产品线之外通常存在毛利更高的细分产品线（第二曲线），或具备打破进口垄断的差异化单品 | 有第二曲线 |
| 客户资产 | 核心客户群稳定（含上市公司与大型下游工厂），产品覆盖下游多个细分领域；多年交付形成的规模存量装机基础是最重要的隐性资产 | 高质量客户群 |
本报告第一章已经说明：AI 化与信息化的根本区别之一，就是能力买不到、只能长出来。据此可以推出一条直接的结论——任何一份交付即结束的方案，都不可能真正落地 AI 化。
| 对比项 | 传统咨询 | 外部陪跑顾问 |
|---|---|---|
| 交付物 | 报告、规划、体系文件 | 可运行的系统 + 长在组织里的能力 |
| 介入方式 | 阶段性进场，访谈后出稿离场 | 持续在场，与业务部门共同推进 |
| 成功标志 | 报告被采纳 | 业务人员能独立用 AI 干活，外部可以逐步退场 |
| 失败风险 | 报告束之高阁 | 无法交付"效果"，被中途质疑 |
换句话说：陪跑顾问是承担了更高风险的方案提供方——对结果负责，而不只对文本负责。这也正是这件事需要的角色。
结合本报告第二章的四角色分工，我方的定位是清楚的：
| 角色 | 由谁承担 | 我方定位 |
|---|---|---|
| 外部业务建模与算法顾问 | 外部（我方） | 我方核心承担。从战略高度设计 AI 化场景下的业务运行逻辑，完成核心算法设计 |
| AI 技术开发 | 外部 + 企业 IT | 起步由我方主导，与企业 IT 部门协同推进到软件可用，随其能力提升逐步交棒 |
| 数字员工打磨者 | 企业业务人员 | 我方负责方法传授与教练——教业务人员怎么打磨、怎么随业务调整升级，但不代替他们做 |
| 系统管理员 | 企业 IT 部门 | 我方不介入。数据、安全、授权、中台流程属企业内控，必须由企业自己守牢 |
| 事项 | 建议内容 |
|---|---|
| 合作定位 | 外部陪跑顾问（对实施结果负责，非纯咨询交付） |
| 第一阶段任务 | 组建团队入场 → 深入调研 → 形成现状基线 → 研讨出总体规划与实施步骤 |
| 第一阶段产出 | ① 现状调研基线 ② AI 化总体规划（对齐四个推进方向）③ 可执行的实施路线图 |
| 第一阶段时长 | |
| 我方投入 | |
| 企业投入 | |
| 费用安排 |
本报告沿用五级可信度纪律，供引用与核对：
| 标注 | 含义 | 本报告中的适用数据 |
|---|---|---|
| ★ 一手 | 国家统计局、海关总署、上市公司年报/中报、行业协会正式发布 | 宏观经济与行业总量数据、目标企业财务与产销数据（尽调获取）、进出口数据 |
| ★ 权威转述 | 协会负责人公开发言、政府文件、企业官方公告 | "十五五"智能制造规划论述、服务型制造与设备更新政策文件、头部企业公告 |
| ☆ 商用报告 | 咨询机构付费报告，口径自定，仅作结构性参考 | 设备价格带与利润率、部分市占率数字、单台能耗对比 |
| △ 企业口径 | 厂商自述成效，未独立验证 | 各厂商公布的智能化改善幅度、MTTR 压缩幅度等 |
| ✕ 不可采信 | 内容农场、无源转载、AI 聚合稿 | 各类"十大品牌"榜单；同一套数字套到多个品类的"市场规模" |
设备制造业 · AI 化战略调研分析报告（通用版）v1 · 2026-09-20 · 用于合作意向协议前期沟通
配套材料：装备制造业周期复盘与趋势推演、目标企业增长深度分析与策略报告、设备点检/远程运维方案预研（均按目标企业定制）