作为新质生产力的典型代表，AI正在加速促进各行业各业的智能化升级，AI应用为代表的智能化升级，也正是工业企业走向新型工业化的重要发展方向。在国家加强推动央国企发展人工智能的背景下，结合工业+AI多年研究，IDC从自身应用AI以及对行业赋能两个方面，为集团型工业企业发展人工智能提供几点参考建议。

对内：企业自身应用AI方面

1. 优先从视觉智能切入，逐步走向数据价值挖掘

AI在工业的研发、生产、供应链、经营管理等各个领域都有丰富的应用场景，并且其中很多都已经在众多的工业企业得到验证和复制推广。对于希望启动AI应用的工业企业而言，除了参考同行业的成功实践场景之外，从视觉智能类应用场景，如机器视觉质检、视频安全监控等出发，应用门槛较低，更容易快速见到成效，可以优先切入。在此基础上，数据智能类场景，如缺陷根因分析、工艺参数优化、设备预测性维护、智能设备控制能够发挥更大的业务价值提升，但门槛和难度也更高，可以逐步探索。

2. 合理统筹集团的平台建设和子公司的场景应用建设

集团型工业企业很多在集团和分子公司层面同时开展着AI的应用和建设工作，但从IDC实际调研交流情况来看，很多集团公司存在着集团和子公司建设没有很好实现同步的情况。一些企业集团层面更倾向于依托下属数科公司，建设集团级AI平台和开发能力，供分子公司应用。然而很多分子公司已经结合自身需求，建设了结合AI的具体业务应用，未能与集团的AI平台形成很好的协同。IDC建议，在开展AI建设时，集团与分子公司先就分子公司已经开展的应用场景、分子公司业务对平台的实际需求等问题进行充分的沟通后，再更好地规划AI应用。

3. 从细分场景出发探索大模型应用

大模型在工业等行业的应用路径，和大模型在文娱办公等消费者场景的应用有着较大的区别。直接建设行业级大模型对企业资金投入、数据和人才基础等各方面都有较高要求，适合拥有强技术能力数科公司的集团企业开展。更多企业可以考虑挑选部分细分类应用场景，围绕场景开展大模型的应用探索。

4. 审慎考虑自建AI全栈能力

一些集团企业由于旗下众多分子公司AI应用场景众多，如果每个场景都联合外部供应商合作，时间长，成本高，因此更倾向于组建团队，搭建平台，建设自己的全栈AI能力。然而面向场景的AI应用开发，不仅需要兼顾AI算法和业务机理的专家团队，还需要丰富的AI应用开发经验、充分的数据样本基础等多方面能力。个别场景小的提升却需要很强的算法能力，因此对数字化能力基础不足的企业而言挑战巨大。建议，自身有很强数据和算法人才基础的集团企业可以考虑自建，更多企业可以更经济的选择与一些有相关经验的服务商展开合作，从应用开始，逐步扩展自身的AI能力和团队。

对外：面向行业赋能方面

1. 加强脱敏数据集的构建和开放

工业企业积累了丰富的实际生产数据，但很多缺乏算法能力，具备较强算法能力的技术供应商很多则缺乏实际数据。过去受限于企业数据管理水平和数据安全管控要求，数据未能很好的从企业流向技术供应商应用。通过脱敏方式摆脱数据敏感性，在符合数据安全要求下，将企业的数据开放给有算法能力的外部，有助于外部帮助企业解决实际生产问题，帮助企业更快更好地实现业务价值提升。

2. 与供应商伙伴合作AI解决方案赋能行业

很多集团型工业企业在行业处于领军地位，在AI 应用方面也属于先行先试、标杆示范。在自身应用基础上，企业可以和供应商合作，将具备行业共性的应用场景整理成解决方案，并通过合理的利益划分模式，将解决方案输出赋能给行业内的其它企业，帮助全行业实现AI降本增效。

原文链接：https://mp.weixin.qq.com/s/HFdmwwdh6GUJ-s3-8QZSrA