想跑动车，先铺铁轨

主流大模型几个月就换一代，可大多数企业的 AI 还停在试点，有的还在初步了解。Snowflake 10 月 12 日发文讲制造业怎么把 agent 从试点推到生产，开头的数字就很说明问题。¹我的看法是：AI 是动车，企业的数据基础是铁轨。想引进动车，得先自己修高铁线路；这段路的成本，没有哪家企业绕得过去。

欧盟、美国、中国，用上 AI 的都还是少数

Snowflake 引用自家的全球 AI 与数据趋势调研，2,050 位企业负责人里有 288 位来自制造业。52% 的制造商已经在核心供应链和运营里跑着在线 AI。厂商还说，41% 的制造商卡在“试点困境”，50% 仍把电子表格当作主要的工作数据层，65% 的主管每个班次要花几个小时手工核对对不上的报表。后三个数字文章没有注明出处。¹

换成官方统计，方向一样。欧盟统计局的数据是，2025 年 10 人以上的欧盟企业里 19.95% 用了 AI，大企业是 55.03%，小企业只有 17%。²美国人口普查局的调查里，截至 2026 年 5 月 3 日，19.8% 的企业在过去两周用过 AI，250 人以上的企业是 37%。³工信部 7 月在国新办发布会上说，规模以上制造业企业的 AI 技术应用普及率超过 30%。⁴

三个数的口径不同，不能直接比高低。但它们量的都只是“用没用上”。德勤调查了 140 多家制造企业，84% 说已经从 AI 拿到了可衡量的价值，可只有大约五分之一的用例在多个工厂或全公司铺开。⁵用上的是少数，铺开的更少。

多半卡在铁轨上：数据还散在表格和车间系统里

Snowflake 给的路线分四段，前两段都在修路。第一段把车间系统（历史库、SCADA、MES）和 ERP、供应链计划、CRM 接起来，出站标准是一个分析师不用翻三个系统，就能答出“哪些供应商延误导致了排产调整”这种跨部门问题。第二段加语义层和可信层，出站标准是至少一个运营 KPI 能算出 AI 带来的美元影响。¹

一半制造商的主要数据层还是电子表格，这一步就过不去。agent 要读的是统一、有权限控制的数据，表格里的数据它找不全，也没法判断哪一份可信。

铁轨铺好以后，车跑得很快。丰田欧洲用 Snowflake 和 Iceberg 表搭了数据网格，把一辆车从工厂到上路的全生命周期连起来，而且不复制数据。厂商称，他们不到三周就达到并超过了过去六个月硬编码 AI 基础设施的效果。¹这个例子也说明，修铁轨的目标是让数据能在一个地方被找到、读懂、信得过；搬上云、进湖仓是常见的做法，具体搬多少，要看哪些问题现在答不出来。

铁轨之外，还要有信号和调度：人、规则、出站标准

修铁轨也不只是技术活。欧盟企业里考虑过 AI 却没用的，70.89% 说缺少相关专业人才，52.52% 说不清楚法律后果，48.83% 担心数据保护和隐私。²德勤问制造企业遇到的难题，排在前面的是实施成本高（43%）、缺技术人才（35%）、组织抗拒变化（35%）、监管合规顾虑（34%），数据可用性和质量是 30%。⁵

Snowflake 文中的 Penske 物流是个反面例子：拖车智能模型技术上跑得通，却因为上线前没定义生产出站标准而停滞。¹

第三段的写法值得照抄：agent 只在边界内自主决策，比如自动批准 1 万美元以下的采购单，更大的交给人审；连续 90 天以上，关键决策都没被人推翻，才算出站。Wolfspeed 的排障 agent 把一套设备排障流程从约两小时缩到两分钟，前提是每份自动生成的排障指南都必须包含审核过的工厂安全规程。¹信号和调度规则先写好，车才敢开快。

第四段是多 agent 编排，原文举的例子是维修 agent 触发排产调整，排产再带动供应链调整，最后厂长点一次确认；但这一段原文没给出站标准。¹照第三段的写法，我会这样定：至少一条跨流程的链路端到端跑通，人只在终点确认一次；连续 90 天，这条链路的结果没有被人返工改单。

做数据和 AI 的人，可以先给铁轨做个体检

• 挑一个跨部门问题，数一数要翻几个系统、几张表格才答得出。这就是 Snowflake 第一段的出站标准，拿来当体检最直接。
• 立项前先选一个能折算成钱的运营 KPI，比如非计划停机时长。
• 试点一开始就写好出站标准：放权的金额上限、观察期多长、谁能推翻 agent 的决定。
• 迁移按“答不出的问题”排先后，从卡住业务的那条数据链路开始铺。

Snowflake 是卖数据平台的，把数据基础排在第一段，和它的生意一致，这些数字要带着这层背景看。但欧盟、美国、中国的官方统计都说明，AI 已经很快，大多数企业的数据基础还没跟上。这段差距要企业花真金白银去填，是这一轮被称作“第四次工业革命”的变化里，所有企业、尤其是生产型企业都躲不开的考题。