在制造企业里做过项目申报的人都知道，评级这事很实际：能不能拿到订单、能不能进供应链、能不能享受政策，往往挂在一个级别上。评级标准一变，全厂的年度计划都要跟着改。
据国新办发布会与工信部披露，智能工厂梯度培育行动明确了硬指标：卓越级智能工厂的AI应用场景比例不低于30%，领航级不低于60%。同时，截至2026年9月底我国智能算力规模达2592EFLOPS，规模以上制造业企业人工智能技术应用普及率超过30%。
把"AI用得多不多"变成硬指标，意味着什么
过去评智能工厂，看的是"有没有上系统"：有没有MES、有没有数字化车间、有没有工业互联网平台。这类指标容易应付——买套软件、装几个大屏，形式上就达标了。
改成"AI应用场景比例"，逻辑变了：要数得清你到底有几个真实场景在用AI。比如视觉缺陷检测算一个，智能排产算一个，能耗优化算一个，设备预测性维护算一个。30%意味着在你认定的全部场景里，要有三成真的跑起来了。
这把"买软件"和"用起来"区分开了。也把那些只在大屏上展示数据的项目筛掉了。
30%这条线，对中小企业意味着什么
对大型企业，30%不算高——它们的场景清单长，本身也养得起数字化团队。对中小企业，难点是"场景怎么定义"。
一家两百人的五金厂，可能一共只有五六个真正值得上AI的点：来料检验、刀具寿命预测、订单排产、能耗监控。要凑到30%，等于要有一两个真跑起来，而不是买回来放着。
现实中的做法通常是从最痛的那一个场景切入：质检漏检率高，先上视觉检测；交期老是延误，先上排产优化。一个跑通了，再复制第二个。
一个悄悄发生的变化：数据变成资产
要跑AI场景，前提是有数据。这两年越来越多的制造企业开始做一件事——把二十年积累的工艺参数、缺陷图片、设备日志整理成可用的数据集。
这件事的短期回报很低，看不到收入。但它是"能不能训练自己的模型"的前提。政策里说的"建设高质量工业数据集"，指的就是这个。
对企业的实际建议是：不要等有了明确项目再开始整理数据。数据治理是个慢活，等需要的时候再做，一定来不及。
别为了评级而评级
有一个风险必须点出来：硬指标一旦出现，就可能催生"凑场景"的现象——把三五个小功能都算成一个"AI场景"，台账做得漂亮，实际没什么用。
这类事在信息化时代发生过很多次（各种"上云率""数字化率"），最终都变成了填表比赛。区别在于，AI场景能不能跑起来，是可以验证的：让它在产线上跑一个月，看漏检率、看停机时长、看排产准不准，数字不会骗人。
脑机网首席科学家李锚认为，评级的价值不在于给出一个比例，而在于让企业第一次认真清点自己手里到底有多少个真场景，这个清点过程本身就有价值。
普通人现在能做什么
一是如果你在企业里负责这块，先做一张"场景清单"，把车间里所有能想到的AI应用点列出来，标上"已跑""在试""没做"，这张表比任何PPT都有用。
二是不要一上来就追求覆盖率，先把一个场景的投入产出算清楚，能算清账的方案才推得动。
三是把设备数据尽早留档。很多工厂的设备日志只存三个月，滚动覆盖，等你要训练模型的时候，历史数据已经没了。