首钢股份2026年的这个数据在制造业圈子里确实炸了一下。45个AI智能体929个智能化应用场景覆盖炼钢、热轧等多个生产环节。不是PPT上的概念验证是真正在生产线上跑起来的。但冷静下来想想对绝大多数制造业企业来说这个数字传达的信息不是赶紧抄作业而是制造业AI落地的门槛到底高在哪一、929个场景是怎么拆出来的很多人对AI落地的理解还停留在搞个大模型接入企业数据然后它就什么都懂了。现实不是这样。首钢的929个场景不是一次性规划出来的而是一个一个拆解、一个一个落地的。每一个场景背后都是一组具体的业务问题这个环节现在靠什么决策靠人还是靠规则这个决策的输入数据是什么数据质量够不够这个环节的输出影响什么决策失误的代价有多大这个场景能不能用AI替代或辅助替代后效果能不能量化929个场景的背后是929次业务问题→数据评估→方案设计→效果验证的完整闭环。这才是AI落地制造业最难的部分——不是模型不行而是大多数企业根本没有能力把业务拆解到这个颗粒度。二、三个真正的门槛门槛一场景拆解能力大多数制造业企业的数字化基础还不够扎实。数据散落在各个系统里业务流程没有标准化很多决策靠的是老师傅的经验。在这种情况下连哪些环节可以用AI都说不清楚更别说拆出几百个场景了。所以第一步不是选模型、搭平台而是先搞清楚自己的业务哪些决策是规则驱动的、哪些是经验驱动的、哪些是数据驱动的。规则驱动的可以用规则引擎先管起来。经验驱动的需要先把隐性知识显性化——写下来、结构化、变成可以被AI调用的知识资产。数据驱动的先确保数据质量和数据链路是通的。门槛二企业知识的沉淀和复用首钢能做929个场景前提是他们在过去多年里积累了大量的工艺知识、操作经验、故障案例、质量数据。这些东西不在大模型里在企业的知识底座里。对大多数制造业企业来说最值钱的资产不是设备而是这些年积累下来的工艺参数、维修记录、质量报告、培训手册。少则几百GB多则几十TB存在服务器的各个文件夹里。问题是谁能高效地用起来一个老师傅退休了他脑子里的经验就带走了。一套工艺文件存在共享盘里但没人知道怎么快速检索和关联。一份质量分析报告写了三个月前的但新产品出问题时没人翻得到。AI智能体能跑起来的前提是企业先把这些知识资产沉淀好、结构化好、让AI能调用。门槛三系统对接和闭环AI智能体不是孤立运行的。它需要从MES系统拿生产数据从ERP系统拿订单数据从设备系统拿实时状态从质量系统拿检验结果。然后它的输出要能反哺到这些系统里——排产建议要能回到APS质量预警要能回到QMS设备故障预测要能回到EAM。如果系统之间是割裂的AI智能体就是有脑无手——能分析但不能执行。三、对大多数企业来说从哪里开始首钢的体量和数字化基础普通制造业企业短期内学不来。但有几件事是可以从现在就开始做的。先把隐性知识显性化。老师傅的经验、质检员的判断逻辑、工艺工程师的参数调整依据——趁人还在赶紧整理出来。不用写得多漂亮先写下来、结构化、存进知识库。把规则管起来。很多经验本质上就是业务规则只是没有被显性表达。用规则引擎把判定逻辑、工艺约束、优先级规则管理起来既能减少对人的依赖也为后续接入AI做好准备。从一个小场景跑通闭环。不要一上来就规划929个场景。找一个痛点最明显、数据最齐全、业务方最配合的场景用AI做一个端到端的试点。跑通了再复制。确保数据链路是通的。不需要一步到位搞数据中台但至少核心的生产、质量、设备数据要能在关键节点上打通。AI需要数据喂数据不通就什么都做不了。四、结语首钢的45个AI智能体和929个场景给制造业画了一个天花板。但绝大多数企业需要想的不是怎么达到这个天花板而是我的第一层台阶在哪。AI落地制造业不是一场技术革命而是一场知识管理革命。你企业的知识资产整理好了吗