制造业场景判断数字化底座
89.6%、30%、L2：制造业 AI 的三层漏斗
阅读约 3 分钟零七零六科技
先说结论
制造业谈 AI 时最爱混用的三个数字，其实是三层不同的东西：
- 89.6% 是「数字化改造比例」——你上没上系统；
- 30% 是「AI 技术应用普及率」——你用没用 AI；
- L2 是「数据能不能自动采上来」——你的底座够不够支撑 AI 跑起来。
把它们连起来，是一条漏斗。漏斗决定了：你现在能做的事，比你想做的少。
第一层：89.6% 改造过
中国信通院调研显示，全国规模以上工业企业数字化改造比例已达 89.6%；其中汽车 94.4%、船舶 94.2%、电子信息制造 93.9%（来源：中国信通院《2026 制造业数字化转型通用评估指标体系深度解读》，第 8 页）。
这个数字容易被误读成「大家都准备好了」。实际上它只说明系统装上了——ERP 有了、MES 有了、看板有了。
但「系统里有数据」和「数据能自动流到模型面前」是两件事，中间隔着一个更硬的指标。
第二层：L2 才是 AI 的最小底座
同一套评估体系把企业分成 L0–L5 六级：
| 层级 | 含义 | 对 AI 的意义 |
|---|---|---|
| L0 | 未开展数字化转型 | 先做数据归位，不谈 AI |
| L1 | 起步建设 | 单点工具，别做集成 |
| L2 | 重点改造：50% 以上设备实现数据采集上传与互联互通 | AI 的最小可行底座 |
| L3 | 综合集成 | 可做跨系统 Agent |
| L4 | 优化创新 | 可做预测与优化 |
| L5 | 智能引领 | 可做全局自治 |
L2 的定义很具体：一半以上的设备能把数据自动采上来并互通。
这就是为什么很多「看起来很完整的方案」在工厂里跑不起来——方案假设数据是现成的，而现场的数据还停在 Excel、纸质单据和老师傅的记录本里。
一个实用的判断：客户说想做 Agent 时，先问三个问题——
- 这条线的关键参数，现在是自动采集还是人工录入？
- 采集频率是多少？分钟级、班次级，还是月末汇总？
- 数据从设备到数据库，中间有没有人手工搬过？
三个问题里有两个答案是「人工」，那么这个项目的第一步不是 Agent，是数据归位。
第三层：30% 用上了 AI
工信部数据显示，规上制造业企业人工智能技术应用普及率超 30%，累计建成 5.6 万多家基础级、9000 多家先进级、500 多家卓越级智能工厂，以及 15 家领航级（来源：CNNIC《生成式人工智能应用发展报告（2026）》，第 28 页）。
注意「普及率」与「智能工厂分级」是两把尺子：前者说「用没用」，后者说「用到什么程度」。30% 是一个不错的数字，但其中真正到先进级以上的，是另一个数量级。
三层漏斗给出的三条行动建议
第一，先测底座，再谈场景。 顺序反了会浪费钱：在没有 L2 的线上做视觉质检，往往要先补三个月的采集改造。
第二，选「数据已经在系统里」的场景做第一个。 这也是为什么质检、报价、图纸审查这类场景最容易出成果——它们的输入本来就是电子化的。
第三，把「用起来」写进验收。 系统上线是最容易达成的里程碑，也是最不说明问题的里程碑。
一个补充：行业分布告诉你的另一件事
167 个验证案例里，生产制造占 62.3%、研发设计 21.6%、供应链 5.4%、销售 1.8%（来源：《中国制造业 AI 场景应用白皮书（2026）》）。
渗透率高的是「容易被验证」的地方，不是「价值最大」的地方。供应链与销售渗透最低，但库存周转、运费、报价效率恰恰是财务口径现成的指标——这是留给后进入者的空间，也是留给愿意做脏活的人的。
延伸阅读：
- FDE 行业报告 2026：第 4 章完整讲了制造业的三大死穴、八个场景与 SLP 方法
- 案例与成果：18 个场景的卡点、介入点与「值得做的条件」
- 制造业 AI 的 62.3% 与 5.4%：分布背后的结构性机会
文中数字均标注机构与年份；具体项目效果以双方确认的 SOW 为准。