罗克韦尔 2026 智能制造报告刚出炉，一组数据直接戳中了中国制造业的 “隐秘痛点”：中国制造企业 AI 采用率高达 44%，领跑全球；但我们辛辛苦苦采集的海量数据里，只有 43% 被真正有效利用。

一边是抢跑的 AI 普及率，一边是数据躺在硬盘里 “沉睡” 的现实。就在上周的项目沟通会上，客户抛来的问题，让我这个做了多年数字化的人，一时竟给不出满意的答案：“我们系统、设备都上了，数据也采全了，可这些数据到底帮我们解决了什么问题？”

今天就来聊聊，为什么那么多企业的数字化，最终都卡在了 “数据怎么用” ，“数据如何创造价值”这个死胡同里。

---

🤔 我的观察

近期在某大型制造集团正在推进IOT项目。方案交流那天，对方技术负责人突然停下来，认真地问了一个问题，大致意思：

"设备数据采集上来了，系统也集成了，但除了看监控大屏——数据怎么高效分析？怎么真正带来价值？未来怎么结合AI？"

现场安静了几秒。

这个问题不好答，但客户问得直击要害。因为说实话，我们行业里太多项目停在了"采到了"这一步，后面的事，大家都在摸索。

罗克韦尔发布第十一版年度《智能制造现状报告》验证了这件事——全球范围内，数据利用率都是个难题。但中国的情况有点特殊：我们AI采用率全球最高，说明大家在积极投入；但数据利用率不足一半。

报告中还有两组数据，更能直观感受到中国制造业对AI的热情与期待。

第一张趋势图清晰展示了中国制造业AI/ML运营的渗透率变化：

 

第二张对比图则进一步凸显了中国市场的领先优势：

 

• • 中国制造业AI/ML运营渗透率（44%），远超全球平均水平（34%）；

• • 企业对AI扩展的意愿（83%），同样高于全球均值（72%）；

• • 更值得注意的是，高达95%的中国企业认为数字化转型至关重要。

一边是企业对数字化、AI的重视度与投入意愿全球领先，另一边却是数据有效利用率不足一半的现实，这种强烈的反差，说明"采"和"用"之间，断了一截。恰恰印证了本文的核心观点：行业的瓶颈，从来不是“要不要采数”，而是“怎么用好数据”。

💡 我的思考

困住企业数字化转型的三道坎，全卡在“用数据”上

我从项目实践中总结三道坎如下：

第一道坎：数据质量。 采上来的数据干净吗？缺失值怎么办？不同设备的时序对得上吗？很多项目采了半年才发现，数据质量根本支撑不了分析，更别说AI建模了。

第二道坎：业务对齐。 数据对应哪个决策场景？是谁来看？用来做什么决策？这些年做过很多数采项目，比如有个客户花了不小成本，给关键设备装上传感器，采了多维度的温度数据，结果是只出了温度曲线报表，但生产业务人员不知道它和工艺参数、产品良率有什么关系，更不知道该用它做什么决策。

第三道坎：AI准备度。 这是客户问得最多的——"未来我们要上AI，现在这些数据够不够？格式对不对？需不需要提前标注？"坦白说，大多数项目在采集阶段，并没有为AI应用场景做过设计。

这三道坎，本质上是同一个问题：数据采集的出发点，是"能采什么"，而不是"要用来做什么"。

 

如何破除“用数据”困局？

其实这个困局，根子从来不在技术上，而在做事的顺序上。

前些年，工业物联网还很火热的时候，我们行已推进全量数据采集项目，习惯了一个固定的顺序：

先立项 → 再采集 → 做大屏可视化 → 然后呢？……

“然后”之所以成了无解的难题，是因为每个工厂的业务痛点、决策场景、人员习惯千差万别，没有通用的“数据使用手册”。

我觉得正确的顺序，应该是反过来的：

先想清楚要解决的业务问题→再倒推需要什么数据→精准采集→采完直接能用

 

这个逻辑听起来简单，落地却极难——“想清楚业务问题”，要求团队沉到产线一线，跟着操作工、班组长、车间主任走完整个决策流程，而非坐在会议室里对着PPT拍脑袋。

 

而AI时代的到来，让这个逻辑又多了一层要求：

数据采集不仅要对齐当下的业务问题，还要适配未来的智能决策。

 

过去，数据是“事后分析”的工具——出了故障调历史数据找原因，效率低且被动；但现在，AI驱动的设备异常预测、质量趋势预警、排产动态优化等场景，要求数据从采集之初，其粒度、频率、维度就为AI模型量身定制。今天采集的数据如果适配不了明天的AI应用，本质上就是另一种形式的浪费。

在这家制造集团的项目里，我们没有回避行业的共性难题，而是给出了最务实的方案：先聚焦一个核心业务场景跑通闭环，用“数据→分析→决策→价值”的真实链路，证明数据能用、能用出价值，再谈规模化扩展。这个思路，也得到了客户的认可。

🎯 所以呢

如果你正在推进或准备启动数字化项目，不妨在开会讨论数据采集方案时，先别急着聊“能连多少台设备”“能采多少维度数据”，先问一句：“这些数据连上来之后，你最想用它解决哪个具体问题？”

答不上来的，就先停一停采集的脚步。想清楚那个核心问题，数据的采集方案、粒度设计、存储结构，才会有明确的方向——毕竟数据从来不是采得越多越好，而是采得越准、越贴合业务需求越好。

 

---

💬 互动话题

你们工厂的数据采了之后，真正用起来了吗？最头疼的是哪一步——数据质量、业务对齐，还是不知道怎么结合AI？欢迎在评论区聊聊你们的真实情况👇

---

数智知客 · 以知为客，以智为造
深耕AI+智能制造的实践与思考