[{"data":1,"prerenderedAt":223},["ShallowReactive",2],{"blog:detail":3},{"id":4,"title":5,"body":6,"description":194,"extension":203,"meta":204,"navigation":218,"path":219,"seo":220,"stem":221,"__hash__":222},"content/blog/0121-2026-09-22.md","制造业数智化报告里的69.5%：车间工单怎么先搬上线",{"type":7,"value":8,"toc":193},"minimal",[9,14,18,32,44,52,56,59,65,71,74,78,83,86,91,102,107,110,114,120,123,129,135,141,144,148,156,164,172,178,181,184,190],[10,11,13],"h2",{"id":12},"报告数据两化融合-671生产制造数字化-695ai-场景-342","报告数据：两化融合 67.1、生产制造数字化 69.5%、AI 场景 34.2%",[15,16,17],"p",{},"《制造业数智化转型能力水平（2026）》在 9 月 20 日的世界制造业大会上发布。里面有三组数字放在一起看很有意思。",[19,20,21],"article-callout",{},[15,22,23,27,28,31],{},[24,25,26],"strong",{},"底座已经铺开。"," 截至 2026 年上半年，全国两化融合发展水平达到 67.1——这个指数从 2022 年的 59.6 一路稳步攀升。研发设计、生产制造、经营管理三个环节实现数字化普及的企业比例分别是 ",[24,29,30],{},"86.3%、69.5%、81.4%","。",[19,33,34],{},[15,35,36,39,40,43],{},[24,37,38],{},"AI 已经在场景里跑起来了。"," 人工智能技术重点场景应用普及率 ",[24,41,42],{},"34.2%","，较上年增长 5.5 个百分点；10.6% 的规上制造企业依托大模型赋能业务革新。",[19,45,46],{},[15,47,48,51],{},[24,49,50],{},"落差就在中间。"," 生产制造的 69.5% 比研发设计的 86.3% 低了近 17 个百分点，比经营管理低了约 12 个。而 AI 场景恰恰是在业务现场跑的。",[10,53,55],{"id":54},"数字化基础薄弱无法满足-ai-场景需求","数字化基础薄弱，无法满足 AI 场景需求",[15,57,58],{},"按常理，一个环节的 AI 用得越多，它的数字化基础应该越扎实——毕竟要先有数据才能喂给模型。",[15,60,61,62],{},"但报告呈现的顺序恰恰相反：",[24,63,64],{},"AI 场景应用最活跃的领域，往往是数字化底子相对薄的那一块。",[15,66,67,68],{},"原因不难理解。研发设计的数字化有 CAD、PLM 这样成熟的工业软件承载，数据天生就是结构化的；经营管理有 ERP，采购、销售、库存一上线就是结构化数据。而生产制造环节，大量关键信息仍然存在于纸质工单、纸质点检表、手写交接记录里——",[24,69,70],{},"这些数据不是没被记录，是记录了但进不了系统。",[15,72,73],{},"于是形成了一个循环：数据进不来 → 模型没东西可喂 → 数字化投入产出比不明显 → 数字化继续停滞。而 AI 场景的推进，只能绕过这个环节去用别处的数据。",[10,75,77],{"id":76},"生产制造卡在-695-的三个原因","生产制造卡在 69.5% 的三个原因",[15,79,80],{},[24,81,82],{},"AI 场景更多落在数据容易获取的环节。",[15,84,85],{},"报告没有细分到环节。但从趋势看，AI 场景更容易落在研发设计、视觉质检、工艺优化、能耗调度这类数据相对易获取的位置；而生产执行、班组协同、现场异常处置这些以人为主的环节，AI 要落地就得先解决数据怎么进来的问题。",[15,87,88],{},[24,89,90],{},"工单是一线干活的载体，不是录入的对象。",[15,92,93,94,97,98,101],{},"生产现场的数据采集，跟研发和管理的差别在于：它发生在",[24,95,96],{},"流程里","，而不是流程之外。研发设计的数据，工程师坐在工位上对着 CAD 建模、对着 PLM 录参数，这本身就是数字化工作；管理数据是录入 ERP 的副产品。但生产工单不同——",[24,99,100],{},"一线工人正在干活，工单是干的载体，不是录的对象。"," 让工人在生产间隙打开电脑录 20 个字段，既不现实，也不应该。",[15,103,104],{},[24,105,106],{},"企业认这笔账，卡在采集成本降不下来。",[15,108,109],{},"多数企业认。这也是 69.5% 这个数字卡在这里的真正原因——不是企业不想数字化，是这一段的采集成本始终没有降到可以忽略。",[10,111,113],{"id":112},"flashtable-把车间工单搬上线让数据当班进系统","FlashTable 把车间工单搬上线，让数据当班进系统",[15,115,116,117],{},"把三个问题串起来，落点是同一个：",[24,118,119],{},"生产现场的数据采集，缺的不是技术，是一个让采集动作不再增加负担的载体。",[15,121,122],{},"FlashTable 是一款 AI 驱动的表单开发组件，以插件形态嵌入企业已有的 ERP、MES、OA 系统。它对生产场景的价值可以归成两件事。",[15,124,125,128],{},[24,126,127],{},"第一件事：把采集动作从“额外动作”变成“顺手动作”。"," 生产现场本来就有一张纸质工单、纸质点检表。FlashTable 通过 DOM 树映射算法把这类文档直接 1:1 还原成线上可填表单，跨页表格、合并单元格、公式都能精准处理，解析精度 92%（行业平均约 75%）。工人不需要学新系统，把原来那张表贴进去就能上线，填报动作跟原来拿笔填的幅度差不多。",[15,130,131,134],{},[24,132,133],{},"第二件事：让“事后补录”变成“当场录入”。"," AI 智能组件匹配会自动解析字段语义——把“工艺参数”配成带范围校验的数字输入，把“设备状态”配成下拉列表，把“是否合格”配成带公式的判定字段。录入的人不需要理解这些规则，只需要照着原来那张表的格子填。",[15,136,137,138],{},"就拿车间工单来说：只要它还是纸质单，班后集中补录就是必然——数据进系统的时间天然滞后一天，月度生产分析也只能按手头现有的记录做。",[24,139,140],{},"把工单原样搬上线，填报动作跟着生产走，数据当班进系统，分析的样本才谈得上完整。",[15,142,143],{},"这里要说清楚一件事：FlashTable 不改变生产流程。产线还是那条产线，班次还是那个班次，工单还是那张工单，变的只是它从纸质的变成了可回传的。",[10,145,147],{"id":146},"往上走要跨的三道坎有表可依不加重负担数据有去处","往上走要跨的三道坎：有表可依、不加重负担、数据有去处",[19,149,150],{},[15,151,152,155],{},[24,153,154],{},"表格得先存在。"," 生产现场如果连一张统一的记录表都没有，数字化无从谈起。多数车间其实有——只是散落在各班组、各工序的纸质文件里，格式不统一。",[19,157,158],{},[15,159,160,163],{},[24,161,162],{},"填表不能加重负担。"," 如果数字化之后比原来多填一半字段，一线会用脚投票。合理的标准是：数字化后的填报量不高于原纸表，额外收益来自后续不用再补录。",[19,165,166],{},[15,167,168,171],{},[24,169,170],{},"填完的数据要有去处。"," 数据进了系统却没人用，一线很快就会觉得白填。这需要 MES、ERP 这些下游系统真的能取到、能反馈回来，而不是只进不出。",[15,173,174,175],{},"FlashTable 在这三个环节里的位置是第二和第一环：把已有纸表原样搬上线（第一环），靠 AI 组件匹配让填报量不增加（第二环），通过标准 API 把数据直回企业库供 MES/ERP 取用（第三环）。",[24,176,177],{},"1 小时完成系统对接，组件形态嵌入，不动现有系统。",[10,179,180],{"id":180},"生产一线的变革带动数字化普及率提升",[15,182,183],{},"两年后如果生产制造的数字化普及率往上走了十几个百分点，报告里不会写是谁填的。",[15,185,186,187],{},"但答案大概率还是那些早就在写车间记录的人——点检的、检验的、看护设备的。",[24,188,189],{},"他们手里那些表从来没变过，变的是终于不用再交纸了。",[15,191,192],{},"这件事的难点从来不在技术，而在于让一线的填写量不增加。FlashTable 在这道题上的做法很朴素：把车间正在用的那张工单原样搬上线，用 AI 组件匹配把校验和判定嵌进格子，让填报量不比纸表多。做到了，其余的都是水到渠成。",{"title":194,"searchDepth":195,"depth":195,"links":196},"",2,[197,198,199,200,201,202],{"id":12,"depth":195,"text":13},{"id":54,"depth":195,"text":55},{"id":76,"depth":195,"text":77},{"id":112,"depth":195,"text":113},{"id":146,"depth":195,"text":147},{"id":180,"depth":195,"text":180},"md",{"slug":205,"order":206,"date":207,"tag":208,"summary":211,"keywords":212},"manufact-intelligence-capability-report-2026",121,"2026年9月22日",[209,210],"行业热点","应用场景","9月20日，2026世界制造业大会开幕式上，国家工业信息安全发展研究中心发布《制造业数智化转型能力水平（2026）》。报告显示，截至2026年上半年全国两化融合发展水平达67.1，研发设计、生产制造、经营管理环节实现数字化普及的企业比例分别为86.3%、69.5%、81.4%，人工智能技术重点场景应用普及率34.2%，10.6%的规上制造企业依托大模型赋能业务革新。AI 已经在场景里跑起来了，生产制造环节的数字化底子却相对薄。本文从报告里的三组数字切入，看生产现场的数据为什么成了 AI 落地的短板，以及源头采集该怎么补。",[213,214,215,216,217],"制造业数智化","两化融合","AI应用","生产工单","FlashTable",true,"/blog/0121-2026-09-22",{"title":5,"description":194},"blog/0121-2026-09-22","Zmd6Vn7DRbujxuz1RMt3wuTXbWmxR-_1RhM-7M77K_o",1791601659342]