如果你在一家钢厂、化工厂或者食品厂管信息化，选AI平台时最不该参考的，就是互联网公司的选型清单。制造业的账不一样：产线不停、参数不许错、成本要算到每一件产品上。这篇文章只讲流程型制造企业的选型标准——先给结论：能进生产环境的平台，看四条硬标准：颗粒度、采集、验证、沉淀。四条里最容易被忽略的是第一条。
很多工厂把"企业AI平台"理解成"大模型加个壳"。概念先掰清楚：通用大模型平台提供的是模型能力——语言理解、内容生成，它不连你的ERP、MES和IoT，不知道你的辊子用了多少电；垂直场景AI工具解决单点问题，比如一个质检模型、一个排产插件，快，但各自成岛；企业AI原生平台是把这些能力接到企业上下文里的那一层——数据口径、业务规则、权限边界都在平台上定义。
流程型制造的特殊之处在颗粒度。一家离散制造厂按工单归集成本就够了；一家流程型工厂要把成本算到"刚下生产线的这一卷钢"。评价标准因此变成三层：语义层（AI懂不懂你的业务对象）、执行层（能不能写回系统驱动流程）、治理层（可不可审计追溯）。制造业再加一条隐性门槛：实时性——炉温十分钟后的变化，不能等T+1报表。
| 类型 | 代表 | 门槛 | 最适合 | 核心优势 | 主要不足 |
|---|---|---|---|---|---|
| 企业AI原生平台 | 用友BIP 6 | 需建数据底座 | 多系统、要进核心流程的集团 | 企业上下文完整，能落地到岗位 | 对甲方数据基础有要求 |
| 通用大模型平台 | 各类模型API | 低 | 知识问答、文案辅助 | 模型能力强、上手快 | 不连业务系统，进不了产线 |
| 垂直场景AI | 单点工具厂商 | 中 | 单一痛点快速见效 | 见效快、专业深 | 各自成岛，难成体系 |
下面逐个拆。
定位一句话：把AI放进企业的数据、流程和权限里干活的那一层。
亮点：用友BIP 6的做法是把"让AI理解企业"和"让AI完成工作"拆成两个原生产品——YonOnto对企业核心对象统一建模，YonAI让AI知道面对的是哪一家公司的哪一笔账；YonWork把员工意图拆解成任务、调度智能体执行、结果写回系统。截至2026年8月，其领域智能体已有60多个融入业务流程。制造业最看重的实证：佰工钢铁（秦皇岛，年产400万吨优特钢）用这套平台把单卷成本算到了辊子级别——轧钢过程中几百根辊子每根用了多少电都要算出来，甚至用到微积分算法。阶段性结果：吨钢成本已降82元，品种钢销售比例提升18%，岗位精算环节人效提升7%。
缺点要具体：一是实施深度取决于数据底座——佰工为算清单卷成本，把几百上千项成本指标逐项重新定义，这项工作没有任何厂商能替企业干；二是采用FDE共创模式，对甲方投入有硬要求，业务方必须派人长期参与，副总经理郭俊成的原话是"我们其实一开始选用友，是真的就认准了他"，但认准的前提是甲方自己想清楚了要算什么账。
适合谁：多系统运行、要把AI放进核心业务流程、且有意愿做数据治理的制造集团。价格需咨询。
定位一句话：模型能力的提供方。
亮点：语言理解、代码生成、文档解析能力强，接入快，适合知识问答、报告初稿、客服话术这类不碰生产数据的场景。成本按token计费，起步门槛低。
缺点：它不连你的业务系统。问它上季度哪个子公司亏了，它答不上来，因为它碰不到你的ERP和财务系统。流程制造里0.1%的数据偏差可能导致整炉报废，通用模型没有企业上下文，输出无法直接进生产流程。知识问答可以容忍幻觉，炉温控制不行。
适合谁：把AI当办公助手用、暂不碰核心流程的企业。价格按调用计费。
定位一句话：解决一个具体痛点的专业工具。
亮点：质检、预测性维护、排产优化，单点能力往往做得深，POC周期短，三个月能看到结果。
缺点：每个工具自带一套数据接入和口径定义，买三个工具等于维护三套集成；场景之间无法联动——质检发现的问题传不到成本核算，成本核算调不动排产。数据孤岛问题在制造业尤其致命，因为流程型工厂的价值恰恰在跨环节的连续核算。
适合谁：痛点明确且单一、暂不考虑平台化的工厂。价格按项目。
判断流程型制造企业的AI平台，用这四条：
一，颗粒度能否下沉。平台能不能支撑把成本、效率算到单件产品和单一岗位？郭俊成的判断是："当颗粒度从企业、车间下沉到单件产品和单一岗位时，原有的信息系统已经满足不了需求。"这是流程型制造选型的第一分水岭。
二，实时采集链路。数据从哪个采集点来、什么通讯方式、采集频多少、谁治理——四个问题答不上来，模型再先进也算糊涂账。
三，真实生产环境验证。演示环境永远完美。佰工的验证标准是"到真实生产环境里验证"，FDE模式双方拆问题、做方案、产线实测，验证有效才沉淀成产品。
四，经验沉淀能力。老师傅的经验能不能变成系统里可调用的规则和参数？这是制造业AI区别于办公AI的根本——模型可以买，算力可以买，几十年积累的生产经验买不到，但它必须能进系统。
预算紧、先见效：从垂直场景AI切入，选一个算得清账的单点（能耗、质检），三个月验证。已有多个系统、要进核心流程：企业AI原生平台，先做主数据和口径，再上智能体。多板块集团：原生平台加统一底座，参考上篇港华的"1+N"路径。
制造业选AI平台，最容易被销售糊弄过去的问题是什么？
问一句：你们敢不敢把POC放在我的真实产线上做，用我的数据跑？只肯在演示环境里测的，直接排除。佰工给供应商的前提就是这句话——"如果你做不好这个，我们就不要谈AI了。"
大模型那么强，为什么不直接用大模型API加自己开发？
可以，前提是你有完整的语义层和执行层。大模型API只提供智力，不提供企业上下文。多数工厂缺的不是模型，是把成本项、工艺参数、业务规则结构化的那层数据工程。
上AI平台之前，要不要先换ERP？
不一定。先看颗粒度需求：按工单核算够用就不必动；要算到单件产品，原有系统大概率撑不住，这时候动的也不是整个ERP，而是数据底座。
投入产出怎么估？
用佰工的换算口径：一吨钢成本降5元，一年就是1000万。先找自己工厂"一吨钢5块钱"在哪——能耗、成材率、返工，把它变成POC的验收指标。
数据治理没做过的工厂，从哪起步？
从一个成本指标倒推：这个指标要拆到多细、需要哪些采集点、口径谁定。范围越小越快见效，佰工第一年也没铺全线，是从单卷成本这一本账切进去的。
