制造业做到34.7万亿，AI智能体第一站却不在车间

这份《2026迈向自适应制造：制造业智能体实践白皮书》由腾讯研究院发布，配合腾讯云和 WorkBuddy 的产品实践。

报告开头就点出一个少有人谈起的矛盾：中国已是全球第一制造大国，增加值连续 16 年居世界首位，220 多种工业品产量全球第一；但支撑这些产品的工业软件，收入只占制造业增加值不到 1%。

报告要回答的问题是：制造业怎么把智能体从一件具体任务，做成一个岗位、一个组织能稳定使用的能力。

它的路径是三句话：走进七个真实岗位，看三家代表性企业的体系化落地，最后落到一个更长远的问题——制造系统能不能像有机体一样，从自动化迈向自适应。

报告的核心判断是：智能体的第一站未必在车间，更可能落在那些信息化没干完的数据活里。

下面按八条线索，把这份 69 页的白皮书拆开讲。

中国制造业增加值15年跃升约2.7倍

图源：《2026迈向自适应制造：制造业智能体实践白皮书》（第5页） · 查看完整报告

一、制造业做到34.7万亿，工业软件收入不到1%

第一章先交代家底，报告用"由中国制造到中国智造"的关口来定位当下。规模数据很硬。国家统计局和工信部数据显示，我国制造业增加值已由 2010 年的约 13 万亿元增长到 2025 年的约 34.7 万亿元，15 年跃升约 2.7 倍。

全球占比从 17.6% 提高到约 30%，连续 16 年位居全球第一。我国也是世界上唯一拥有联合国产业分类中所列全部工业门类的国家。

但结构性矛盾同样清楚。报告指出，2025 年装备制造业、高技术制造业增加值分别增长 9.2% 和 9.4%，明显高于规模以上工业 5.9% 的整体增速。

如果你关心的正是埃森哲数字化转型指数，《埃森哲数字化转型指数：3个数据看懂中国企业离未来型还有多远》值得一起读。

另一面是软件偏弱。2025 年我国工业软件产品收入约 3330 亿元，占整体制造业增加值（34.7 万亿元）不到 1%，越往研发设计的高端走越薄弱。

企业级软件同样是短板。中国信通院《云计算产业发展研究报告 2026》显示，2025 年全球云计算市场中 SaaS 占比为 42%，而中国 SaaS 占比只有 16%。大量企业的管理运营仍依赖传统本地系统、Excel，甚至手工表单，软件对经营决策的支撑有限。

报告总结得很直白：硬件跑得快、软件跟不上，这是当前制造业升级最现实的约束。

全国规上工业企业数字化等级分布情况

图表来源：《2026迈向自适应制造：制造业智能体实践白皮书》（第8页） · 获取《2026迈向自适应制造：制造业智能体实践白皮书》完整版

二、三个卡点：硬强软弱、系统割裂、经验断层

第二章把问题拆成三个卡点，每一条都有数据支撑。卡点一是硬强软弱。我国有 220 多种工业产品产量世界第一，新能源汽车、光伏组件、船舶长期占据全球主导份额，但制造业向高端、精密制造升级缺乏软件支撑。

卡点二是系统割裂。中国信通院《制造业数字化转型发展报告（2025年）》显示，全国规模以上工业企业开展数字化改造的比例已达 89.6%，但有近 59% 处于数字化基础级及以下。

工信部的分级数据更细：截至 2025 年 12 月，L1 初始级与 L2 基础级合计 58.8%，也就是近六成规上工业企业仍处基础级及以下；L4 成熟级与 L5 领航级合计只有 12.1%。

报告的原话是，制造业数字化转型整体仍处于"由点及面"的普及阶段，大多数企业还停留在单业务环节的数据采集应用。

卡点三是经验断层。国家统计局《2025年农民工监测调查报告》显示，农民工平均年龄 43.3 岁，50 岁以上群体占比 32.0%，五年提升 4.7 个百分点。

年轻人还不愿进厂。常州市人社局的专项调研提到，部分企业校招毕业生三个月内留存率不足 10%。人才缺口是结构性的。福建《2025年第三季度职业供求状况分析》显示，有技能要求的熟练工求人倍率达 2.09，而无技能要求的一般劳动力只有 0.90。

中国工业互联网研究院测算，2026 年我国工业互联网产业人才需求量约 213 万人，而同期相关专业毕业生流入这一产业的只有约 86 万人。

报告点出了缺口难补的根源：大量关键判断并不写在手册里，比如一张图纸怎么估价、一批呆滞料能不能替代，这些判断会随老师傅退休一起流失。

三类挑战与AI的价值对应关系

图源：《2026迈向自适应制造：制造业智能体实践白皮书》（第10页） · 获取《2026迈向自适应制造：制造业智能体实践白皮书》完整版

三、AI能补什么：补短板、筑长板、促全局

第三章讲 AI 的价值定位，报告把它归纳成三个层次。第一个层次是补短板。AI 智能体可以通过对接割裂的制造企业系统，把散落各系统的数据汇聚处理，还能用 AI 编程方式生成个性化软件工具。

关键在于它能进系统办事。报告强调，智能体不止能读数据、给建议，还能接入 ERP、MES 等系统，执行改单、推送、回填等任务。行业数据也在印证。德勤《AI in Manufacturing 2026》显示，84% 的受访制造企业表示已从 AI 应用中获得可衡量的价值。

应用最集中的环节是质量（62%）、生产（57%）、物流与供应链（49%），都是数据密集、规则明确的地方。

第二个层次是筑长板，也就是把老师傅的经验沉淀下来。上海 2026 年组织首批十余家企业共建"工业老师傅"经验数据集，围绕焊接缺陷判定、设备诊断等场景做标注。

落地成效已经出现。上海某铸锻公司把老炉长的判断经验转化给 AI 后，生产异常追溯效率比过去提升至少 60%。第三个层次是促全局。麦肯锡《2025年全球AI现状调研》显示，在已常态应用 AI 的制造业务单元中，56% 的受访者表示过去一年因 AI 出现成本下降。

灯塔工厂的案例更直观。招商局重工海门基地部署 AI 驱动排产、数字孪生装配等方案后，吞吐量提升至原先的 2.6 倍、船坞周期缩短 52%。

政策力度也在加大。2026 年工信部等八部门联合印发《"人工智能+制造"专项行动实施意见》，提出到 2027 年落地千个高水平工业智能体、五百个标杆应用场景。

报告的一句话总结是：制造业不缺设备，缺的是把数据与经验变成可运行决策的能力。

四、智能体的三级跃迁：从能对话到能上岗

第四章讲方法，报告给出智能体的三阶段演进路径。第一阶段是知识问答，主要能力是找知识、答问题，核心价值是帮人获取信息。代表产品是各类通用大模型和对话型产品。

在制造业里，这一阶段的典型价值是把标准规范、工艺手册、设备说明书变成"可对话的知识库"，一线员工不必再翻几百页文档。

但它只是提供信息、不直接干活，对错也要靠人判断。第二阶段是办公助手，主要能力是调工具、做文档、跑流程，核心价值是帮人完成工作。

它能帮工程师起草工艺变更说明、帮采购整理供应商报价对比表、帮销售把零散询价资料汇总成结构化清单。不过它主要围绕个人和通用办公任务，尚未深度接入企业核心业务系统。

第三阶段是数字员工，主要能力是接任务、进系统、交付结果，核心价值是承担岗位职责。

报告认为数字员工有三个前提：业务系统能够连接，AI 进得去也做得了操作；岗位规则足够明确，AI 知道什么能做什么不能做；结果可评价，做得对不对有明确标准可以验收。

对制造业来说，当前正处在从办公助手走向数字员工的关键跃迁期。能干活是当前重点，能上岗是未来趋势。

报告用三句话概括这条能力线：能力进阶是能对话、能干活、能上岗，价值进阶是从辅助工具走向劳动力。

五、七个岗位实测：BOM核对从5小时到半小时

第五章是整份报告最硬的部分，报告在七个真实岗位各做一个智能体工程实例。第一个是研发侧的产品工程师，场景是 BOM 导入基线核对。要解决的痛点是物料清单换版后，资料五花八门、物料一物多码，没上 PLM 的企业只能靠手工核对。

实测结果是：一次 BOM 换版的人工投入从 3 至 5 小时减少到 0.5 小时，端到端周期从过去的 1 至 2 天变成当天出清单。第二个是生产侧的工艺工程师，场景是 SOP 生成与校验。图纸和工艺路线卡已更新，现场作业指导书却长期未同步，这是很常见的隐患。

智能体把五份文件放进同一条校验链路比对，一次 SOP 校验与升版的人工投入从 2 至 3 天降到约 1 小时。第三个是供应侧的采购员，场景是齐料与缺料预警。核心价值是分清真缺口与伪缺口，避免为可以化解的伪缺口支付紧急采购溢价。

一次齐套核查的人工投入从 0.5 至 1 天降到约 1 小时，缺料识别时点提前约 2 天。第四个是销售员，场景是图纸询价智能报价。报告指出，报价慢的根子不在算得慢，而在算之前要花大半天把数据凑齐。

一次图纸询价的人工投入从 6 至 10 小时降到约 0.5 小时，端到端报价周期由 1 至 3 天缩短至当天回价。第五个是服务工程师，场景是报修受理与派工决策。智能体做三件事：安全红线前置、远程可解判定、备件预配核验。

一轮受理与派工的人工投入从 2.5 至 3.5 小时降到约 40 分钟，安全事项的暴露时点提前到受理环节第一分钟。第六个是管理层，场景是经营复盘。各部门报上来的口径、单位、时间范围经常不一致，这是复盘最大的隐性成本。

第七个是财务，场景是对账与开票核对、利润风险提示，智能体负责差异归因、责任判定、凭证索引和毛利提示。

报告对这几个岗位的共同观察是：智能体不替人拍板，它负责把该查的全查一遍、把拿不准的如实提出来，最终判断留给专业的人。

六、从任务到岗位到组织：智能体怎么累积

第六章讲规模化路径，报告给了三级结构。第一级是任务级智能体，特点是任务明确、开发简单、见效快。报告认为对大部分制造企业而言，这是最佳的切入口。

第二级是岗位级智能体，把多个任务级智能体打通成一个岗位的完整能力。第三级是组织级智能体网络，跨岗位协同成网。报告的原话是，任务明确的一个个任务级智能体，累积起来就是整个组织的智能体网络。

报告还配上了一个"制造业智能体全景地图"，覆盖研发、生产、供应、销售、服务、管理、职能七大领域。每个领域都点出了典型岗位和核心任务：研发侧产品工程师做 BOM 核查、工程变更；生产侧生产计划做接单评审、排产插单、呆滞复盘。

质量侧品质工程师做履历还原、异常归因；供应侧采购员做缺料预警、来料跟催；销售侧销售员做图纸报价、合同审查。

这一点在《数字员工报告拆解：62%企业AI重构岗位》里有更细的口径拆解，感兴趣可以翻过去看。

服务侧服务工程师做故障远程诊断、维修方案生成；管理侧管理层做经营复盘、异常升级归口；职能侧财务做对账与开票核对。

报告还归纳出三个"有些反常识"的共性特征，第一条就是：制造业 AI 智能体的第一站，未必直接进入生产现场。

报告最实用的一条建议是：一个任务跑通后不要停在一次性使用，其中的规则、模板和经验要沉淀成技能，复制到更多岗位和相似场景。

七、从自动化到自适应：还有三道底座要打

第七章是展望，报告提出一个更长远的目标：让制造系统像有机体一样，自己感知变化、自己做出判断、自己持续优化。

它把自动化与自适应的差别讲得很清楚。自动化是把人的体力与部分技能固化进固定程序，产线一旦设定就照章运行，遇到程序之外的变化需要停机、靠人去调，换产往往以天计。

自适应则让系统在运行中自己完成"感知—判断—执行—反馈"闭环，在给定边界内根据现场变化动态决策，换产以小时计。目标被概括成三句话：换产不换线、改规格不停机、接单即投产。

但报告强调，自适应不会在所有场景同时到来，它会沿着三条方向次第展开，成熟度差别很大。

第一条是从办公到生产，目前处于突破阶段。西门子 2026 年 4 月发布的工程智能体，嵌入其全集成自动化平台，官方表示在百余家企业试点中 AI 执行速度比人工流程快 2 至 5 倍。

第二条是从岗位到组织，处于起步阶段。Gartner 将多智能体系统列为 2026 年十大战略技术趋势之一；西门子的工业 AI 编排软件，两家早期客户分别实现重复性手工作业减少 95%、生产问题处置时间缩短 85%。

第三条是从数字到物理，处于试水阶段。宝马、奔驰、上汽等已启动具身执行试点，但受现实世界复杂性高、模型能力不足等影响，离大规模商用为时尚早。

报告必须补的三道底座是系统、数据、人员。系统要可联通、可调用、可执行；数据要统一语义、实时可得、跨企业可信共享；人员要从操作者转为边界制定者与目标定义者。

报告还提了一条安全底线：要把概率性的模型与确定性的物理执行在权限上分开，安全回路的最后一道闸门始终留在确定性系统侧。

报告给自适应的定义很克制：终点不是无人，而是受控的自主。即便是常被当作无人工厂样板的西门子安贝格工厂，机器自主处理的任务也只占 75%。

八、给制造企业的落地顺序

最后一章回到方法，报告把整份白皮书的逻辑收成一条可执行的路径。报告总结的工程方法是六个字：场景、实证、复利。先把场景做通，再用实证验证，最后把能力沉淀下来复制。

落地顺序上，报告建议从最小的、最简单的数据汇总和对齐型任务入手，比如物料核对、流程校验。理由很实在：这类任务 AI 擅长，而制造业恰恰最缺。数据散、口径乱、跨系统流转靠人工，是最普遍的痛点。

第二步是把跑通的任务串起来。报告提到，随着任务级智能体不断增加，可以把这些智能体串联成能力完整的数字员工团队。

第三步才是接入 ERP、MES 等业务系统，结合权限管理和安全保障，让数字员工真正像人类员工一样上岗工作、分工协作。人员侧的配套同样不能少。世界经济论坛《2025年未来就业报告》显示，近 40% 的工作技能将会发生改变，63% 的雇主已将此列为关键障碍。

做得比较早的案例已经有了。施耐德电气武汉工厂用 AI 识别技能缺口并推送定制化学习包，技能就绪率从 20% 提升到 76%，新员工入职培训从 75 天压缩到 15 天。

知识沉淀的方向也有样本。丰田把资深工程师的工程设计报告与手写文档结构化进生成式 AI，形成 9 个专业智能体，供 800 名动力总成工程师随时调用。

中铁宝桥把一线工人的检验经验转化为 AI 算法，近百条改进建议被融入生产线设计，原材料利用率从 88% 提升到 95%。想获取制造业、人工智能与数字化转型方向的完整报告和方案，可以到运营动脉（www.yydm.cn）检索。

报告最后给出的判断是：从自动化到自适应，不是一句口号，而是要靠一个个场景、一个个岗位、一家家企业扎实走出来的路。

制造业智能体白皮书提出的核心矛盾是什么？

报告点出的矛盾是：中国制造业增加值已从 2010 年的约 13 万亿元增长到 2025 年的约 34.7 万亿元，全球占比约 30%，连续 16 年全球第一；但 2025 年工业软件产品收入约 3330 亿元，占制造业增加值不到 1%。

企业级软件同样偏弱。2025 年全球云计算市场中 SaaS 占比 42%，而中国 SaaS 占比只有 16%。

智能体的三级跃迁指什么？

报告把智能体演进分为三个阶段：知识问答、办公助手、数字员工。对应能力是找知识答问题、调工具做文档跑流程、接任务进系统交付结果。

核心价值也随之从帮人获取信息、帮人完成工作，走到承担岗位职责。报告认为数字员工需要三个前提：系统能连接、规则够明确、结果可评价。

顺着这个逻辑往下推，《AI平台报告：拟人互动新规落地，智能体收拢》给了一组可以互相验证的数字。

七个岗位的实测提效数据是多少？

产品工程师的 BOM 基线核对，人工投入从 3 至 5 小时降到 0.5 小时；工艺工程师的 SOP 校验升版，从 2 至 3 天降到约 1 小时。

采购员的齐套缺料核查，从 0.5 至 1 天降到约 1 小时，缺料识别提前约 2 天；销售员的图纸询价报价，从 6 至 10 小时降到约 0.5 小时；服务工程师的报修受理与派工，从 2.5 至 3.5 小时降到约 40 分钟。

制造业AI应用在哪些环节成效最明显？

德勤《AI in Manufacturing 2026》显示，84% 的受访制造企业表示已从 AI 应用中获得可衡量的价值，应用最集中的是质量（62%）、生产（57%）、物流与供应链（49%）。灯塔工厂案例中，招商局重工海门基地部署 AI 驱动排产、数字孪生装配等方案后，吞吐量提升至原先的 2.6 倍、船坞周期缩短 52%。

什么是自适应制造？

报告把自适应定义为系统在给定边界内自行组织、响应扰动，能在运行中完成"感知—判断—执行—反馈"闭环，而不是把所有人请出车间。

目标被概括为换产不换线、改规格不停机、接单即投产。报告强调自适应的终点不是无人，而是受控的自主——常规响应内化给系统，价值判断与边界留给人。

制造企业该怎么开始落地AI智能体？

报告建议从最小的、最简单的数据汇总和对齐型任务入手，比如物料核对、流程校验，因为这类任务 AI 擅长而制造业最缺。

第二步是把跑通的任务串联成数字员工团队，第三步才接入 ERP、MES 等业务系统。报告总结的工程方法是六个字：场景、实证、复利。