杰士德李芳：工业AI落地要“聚焦小切口 跑通真价值”

访谈背景

11月21日,第九届苏南制造业数智化峰会暨昆山市数字化创新协会年会将在昆山举办。为凝聚主题共识、深化现场交流、构建峰会推广联动效应，我们围绕"场景聚力、智造升级"这一峰会主题，对与会专家、CIO及参展方案提供商开展了系列访谈，以期最大化活动成果，为苏南制造业企业智能化转型提供更具价值的参考与建议。

江苏杰士德精密工业有限公司（以下简称为：杰士德）成立于2006年，是一家专注于非标自动化系统集成及智能装备研发制造的科技型企业，主营精密组件制造、软件与视觉技术开发、非标自动化设备设计组装、工业机器人研发等业务。多年来，杰士德坚持以技术创新构筑竞争力，每年将约10%的营收投入研发，累计持有各类专利、软件著作权500余项，先后获评国家高新技术企业、江苏省智能制造领军服务机构、苏州市瞪羚企业，并连续获得昆山市税收突出贡献企业、十大总部经济企业等荣誉，同时通过ISO、CE、FCC等机构认证。

从"工具式AI"转向"自主协同式AI"需要补齐哪三种能力？

作为一家深耕非标自动化装备制造的公司，其最典型的特点是产品高度定制、项目制交付、多品种小批量、换产频繁，设备种类繁杂、工艺差异大，而这恰恰是单点智能化最难覆盖的场景。"过去我们更多是单点智能化——设备单点采集数据、单一质检AI模型，系统之间大多是割裂的，需要人做中间判断、做指令流转。"在杰士德IT负责人李芳看来，单点AI更像是给工人配了一把更好用的"工具"，而工业智能体最大的变化，是从"工具式AI"转向"自主协同式AI"。这种转变，具体体现在以下三种能力上。

自主感知与闭环决策能力。 它不只是读取数据，还能结合工艺规则、设备历史工况，自主分析异常根因，部分场景下直接输出处置建议，甚至联动执行单元，不用等人工层层研判。过去设备报警，需要工人先看数据、再翻历史、再找工艺人员判断原因，现在这一整条链路中的大量重复性判断，可以由智能体先走完。

跨系统协同打通能力。智能体可以串联MES、ERP、设备PLC、质量系统等多源信息，打破过去各系统之间的数据孤岛，把生产、质量、设备、物料的信息真正联动起来。过去一个质量问题，可能要分别打开设备系统看参数、打开MES看批次、打开质量系统看缺陷记录，现在这些信息可以被智能体主动拉通、呈现关联。

持续自迭代能力。 它可以基于工厂真实生产数据不断调优，适配非标设备频繁的工艺微调、换产、批次变化。不像传统信息化系统，改一条规则就要IT团队做大规模二次开发，智能体可以在使用过程中跟着工艺一起"成长"。

这三种能力叠加在一起，才让"AI"真正开始具备进入复杂生产现场的可能。谈及落地场景排序的问题，李芳建议优先选高频、重复、信息链路长、人力消耗大的环节。杰士德的实践顺序是：设备运维，做多设备集群的故障预警、根因分析和维保工单自动派发；质量全流程分析，打通来料、制程、成品缺陷数据，定位质量波动诱因；生产排产与物料协同，应对多品种小批量换产；以及工厂安环与能耗综合分析。她提醒，不建议一上来就切入核心工艺闭环控制，“这类场景容错率极低，要先从辅助决策类场景跑通验证”。

AI+落地之难，真正的分水岭在流程、数据与人

"AI+制造"应用率一路走高，价值兑现率却远没跟上。很多项目演示时效果惊艳，真正下到车间却问题不断。李芳介绍道，杰士德推进工业AI落地时，实实在在碰到过三个挑战：一是数据底座短板，非标设备年代不一、接口协议繁杂，脏数据、缺失数据多，直接喂给模型效果很差；二是业务与IT的认知错位，业务部门期待AI一步解决全部痛点，IT却清楚模型无法替代工艺专家；三是组织协同不足，生产、工艺、质量部门参与度不够，最后往往变成“IT做出一套系统，现场工人不愿用”。

为此，杰士德定下几条原则：先夯实数据底座再谈AI，优先做设备的标准化接入、数据清洗和标签化，把生产工艺知识沉淀进数据体系；建立联合项目小组，让IT、工艺工程师和一线班组长共同参与需求定义与模型验证；做好预期管理，向业务讲清AI是辅助工具而非替代人。

在流程融入上，杰士德坚持“不推翻现有成熟流程，做增量嵌入”，原有MES、维保、质量系统继续保留，AI输出的分析结果和预警建议直接推送进现有工单、看板与操作界面。比如设备出现异常，智能体分析出根因后，直接在原有维保系统生成工单派给维保人员。谈到“用起来，却用不好”的鸿沟，李芳认为根源不是模型能力不够，而是不少项目把重心全压在技术上，忽略了工业本身：项目上线只完成技术部署，没有结合工艺持续迭代，也缺少配套的流程与考核机制。在她看来，“模型只是其中一环，流程、数据、人、组织协同才是真正的分水岭”。

AI+落地：小切口，算清账，小步快跑

结合自身在非标自动化领域的落地体会，杰士德给同样在布局工业AI的制造同行——尤其是非标、定制化制造企业，提出了四条务实建议：

选场景一定要小切口，拒绝大而全。不要上来就做"全厂级工业智能体"，优先选痛点明确、可量化收益的场景切入。最好是能算得出硬指标的：降了多少成本、减少了多少停机时长、降低了多少不良率。非标自动化企业尤其要挑设备复用度高、问题高频出现的场景先做。

坚持业务驱动，而非技术驱动。需求一定要从车间现场来，而不是技术部门"想象"出来的需求。工艺人员、一线操作工必须深度参与需求评审，他们才是最清楚"哪里最痛"的人。脱离业务的AI项目，从立项那天起就注定走不远。

采用小步快跑的试点模式。先做POC（概念验证）试点，跑通价值、看清投入产出比，再做规模化复制。试点阶段就要把投入成本、预期收益算清楚，不要带着"先做了再说"的心态铺摊子。

重视人才和组织建设。 AI落地不是买一套软件就结束了。企业内部需要既懂非标生产工艺、又懂数据技术的复合型人员，来持续维护、调优系统。没有自己的人才队伍，AI项目很容易在服务商离场后慢慢停摆。

至于何时该止损，她给了四个信号：业务价值始终无法量化，只能讲些“提升智能化水平”的模糊表述；试点反复迭代，模型在测试环境效果好，真实产线却始终达不到可用标准；业务端持续排斥使用，组织层面推不动流程配套改变；成本持续失控，投入追加却看不到产出。她强调，出现这些信号不要硬撑加码，及时止损、重新评估需求或更换场景，才不会白白浪费资源。

"出现这些信号，不要硬撑，及时止损，重新评估需求或者更换场景，反而是对企业资源负责。"在李芳看来，敢于止损和敢于投入同样重要——制造业的每一分钱都赚得不容易，AI项目也应该遵循最基本的商业逻辑：投入要能换回实实在在的价值。