核心判断
约84%的受访制造企业已经从AI中获得可衡量的运营价值，但当前实现跨工厂规模化部署的用例仅约20%。
过去几年，制造企业围绕视觉质检、预测性维护、参数优化和智能排产开展了大量AI试点。如今，一个越来越明确的判断正在形成：AI在制造业是否能够创造价值，已不再是主要问题；如何把已经证明有效的用例稳定复制到更多产线、工厂和区域，才是下一阶段的真正分水岭。
德勤面向全球140多家制造企业开展的最新调研显示，约84%的受访企业认为AI已经带来了可以衡量的运营价值，但真正实现跨工厂规模化部署的用例目前仅约20%。这组对比揭示了工业AI面临的核心矛盾：价值已经出现，工业化能力却尚未成熟。
一句话看趋势
未来制造业的AI领导者，并非试点搞得最多，而是最会把高价值用例转化为可复制、可信任、可持续运营的企业级能力。
01
价值已被验证，规模化成为新的分水岭
从调研结果看，制造企业对AI的战略投入和管理层支持普遍较强，许多应用也已从概念验证进入日常生产。但从“局部上线”到“多工厂标准化复制”，企业仍需跨越技术、运营和组织三道门槛。
这也意味着，衡量AI成熟度的标准正在发生变化。过去，企业往往关注试点数量、算法精度或单个场景的投资回报；未来，更重要的问题将是：该用例能否在真实生产条件下稳定运行？能否形成标准架构和操作规范？能否被不同工厂、班组和业务团队持续使用？
行业之间也呈现出不同的成熟度特征。在本次样本中，金属、锻造和铸造行业拥有较多规模化应用；医疗器械和电子行业的相对成熟度较高；汽车和工业机械行业的AI活动广泛，但仍以试点和有限部署为主；化工及石化行业整体推进相对谨慎。需要注意的是，行业排名同时受到样本数量、企业规模和应用组合的影响，不宜简单等同于绝对成熟度。
02
AI率先落地在数据密集、价值清晰的环节
制造业价值链很长，但AI的落地并没有平均分布在所有环节。当前应用最活跃的领域，是数据更丰富、过程信号更清晰、运营收益更容易量化的“价值高地”：
质量管理：应用比例达62%，是最常见的AI切入领域，包括缺陷检测、质量事件分析和根因追溯；
生产制造：应用比例为57%，规模化后表现尤为突出，主要用于参数优化、产能提升和瓶颈识别；
物流与供应链：应用比例为49%，覆盖厂内物流、计划协同和物料调度等场景；
合规、能源与公用工程、设备维护的应用比例分别为43%、39%和36%。
这一分布并非偶然。当生产过程变量多、参数敏感、人工难以稳定控制时，AI更容易体现价值。相反，在流程高度标准化、波动较小的环节，AI带来的边际改善通常相对有限。
研究显示，无论离散制造还是流程制造，AI对核心运营指标的平均改善潜力大多集中在20%左右。离散制造的价值更偏向设备可用率、生产率和计划效率；流程制造则在能源、材料和成本效率方面表现出更明显的潜力。例如，流程制造中的化学或物理转化环节，平均改善潜力达到约32%；离散制造中的装配环节，平均改善潜力约为22%。
03
技术组合正在从单一模型走向智能闭环
工业AI并不等同于某一种算法。随着应用逐步深入生产核心，企业需要组合使用不同类型的技术，形成从感知、预测到决策和执行的完整闭环。
机器学习与深度学习：负责预测和优化
利用历史和实时数据预测设备状态、识别异常模式并优化生产参数。例如，模型可以持续分析产线数据，稳定产量、减少瓶颈并改善设备利用率。
生成式AI与智能体AI：负责解释、协同和决策支持
AI智能体可以综合分析设备日志、质量事件和系统信号，定位潜在根因、生成处置建议，并在授权范围内编排后续任务。其价值不只在于“生成内容”，更在于连接信息、人员和业务流程。
物理AI与闭环控制：负责与现实生产系统交互
当AI与摄像头、传感器、设备和机器人结合，系统便可以在发现缺陷后即时完成分拣、剔除或参数调整。AI由此从分析工具进一步转变为生产系统的一部分。
04
信任与可靠性正成为规模化的前置条件
AI越接近生产现场和关键决策，企业对风险的关注就越具体。调研中，79%的受访者担心不稳定或错误的AI输出可能导致参数设置错误、非计划停机或生产流程中断，并进一步影响质量、产量甚至安全。
51%的受访者关注网络安全与数据保护风险；
29%关注员工抵触和用户接受度问题；
27%关注监管合规、可解释性与审计能力；
15%关注模型漂移、表现不一致及持续校准问题。
与此同时，高实施成本仍是最常见的落地障碍，占43%；组织变革阻力和专业能力不足均占35%；数据可用性或质量问题占34%；监管与合规问题占30%。
这些结果表明，工业AI规模化并不是单纯的模型工程问题。企业需要同时建设可靠的数据基础、工业级部署架构、模型监控机制、安全与权限体系，以及清晰的业务责任和人工干预机制。只有当一线人员愿意相信、能够理解并知道何时接管AI，技术才可能成为稳定的生产能力。
05
下一站：从局部参数优化走向端到端流程增强
现阶段，许多AI项目仍聚焦于单台设备、单个参数或单项质检任务。这样的局部优化可以快速产生价值，但更大的潜力来自对完整流程的增强和重构。
一个成熟的AI增强流程，应能够连续完成五个动作：发现偏差、定位根因、提出建议、触发调整，并根据结果持续学习。它还需要连接生产、质量、维护、能源、物流和计划等原本分散的环节，将预测、决策、执行与人工判断纳入同一个运营闭环。
关键转变
并非在原有流程上简单增加一层AI功能，而是围绕AI能够支持的决策，重新设计流程、职责和控制机制。
推动AI从试点走向规模化应用，
制造企业可以从三件事开始
一
建立从试点到多工厂复制的规模化管道
减少碎片化的试点组合，优先选择KPI影响清晰、业务负责人明确、具有复制潜力的高价值用例，并为其建立统一的参考架构、数据模板、验证方法和标准操作流程。
二
以流程和运营指标为起点，而非技术
围绕产量、质量、设备可用率、生产周期、能耗和材料利用率等关键指标识别机会。通过流程步骤分析，判断哪些环节数据条件最好、变量最复杂、改善空间最大，再从优势区域向相邻流程扩展。
三
将可信AI深度融入生产能力建设
将模型监控、网络安全、合规审计、人工复核和异常接管纳入应用设计；同步培养工艺、运营和技术团队的协同能力。规模化不是一次性的系统上线，而是一套持续运营和治理机制。
工业AI竞争迈入新阶段
制造业AI已经跨过价值验证的起点，但距离普遍工业化仍有相当距离。下一阶段，领先企业需要把注意力从“还能做多少个试点”，转向“哪些用例值得规模化，以及如何规模化”。
当企业能够以高质量数据为基础，以稳定架构和可信治理为保障，并围绕端到端流程重新组织人与机器的协作方式，AI才会真正从局部工具转化为持续、可衡量的制造绩效。规模、信任与执行力，将共同定义工业AI的下一轮竞争。
德勤服务助力AI落地及推广
面向中国制造企业，德勤中国工业AI团队以“AI顶设＋速赢落地＋能力构建”为主线，协助企业跨越技术鸿沟，打通从战略规划到业务场景的落地闭环，最终实现从单点突破到全面智能化的跃迁。针对“全域覆盖但战略尚不清晰”的企业，团队可提供从顶层设计、路径规划到能力构建和试点验证的规划咨询；针对“场景聚焦、强调价值落地”的企业，则可提供从试点详设、速赢实施到能力升级和运营推广的端到端交付支持，帮助企业形成可持续迭代的AI能力与价值飞轮。
业务垂询，敬请联络：
尤忠彬
德勤中国咨询业务人工智能卓越中心主管合伙人
邮箱：zhyou@deloittecn.com.cn
王鹏
德勤中国咨询业务人工智能卓越中心合伙人
邮箱：wangpeng@deloittecn.com.cn
免责声明：
第三方机构如想转载德勤微信文章，请原文转载（不得修改）。如文章内容有改动，须在发布前获得德勤的审核批准。同时，请必须在文章内附以下信息及免责声明：
本通信中所含内容乃一般性信息，任何德勤有限公司、其成员所或它们的关联机构（统称为“德勤网络”）并不因此构成提供任何专业建议或服务。任何德勤网络内的机构均不对任何方因使用本通信而导致的任何损失承担责任。
