企业数字化正在跨越分水岭：从记录业务到驱动行动
大多数企业的数字化停在了 2.0：系统在用、数据在存、大屏在亮——但决策依然靠经验，告警依然靠人追。三个阶段的本质区别不在于买了多少系统，而在于数据是否在驱动行动。
| 阶段 | 特征 | 典型状态 |
|---|---|---|
| 1.0 信息化 | 业务在线 | ERP / MES 等系统上线，流程电子化，数据随业务产生 |
| 2.0 数据化 | 数据集中与可视 | 数据进仓库、上大屏，报表齐全——但看的人不多，结论有限 |
| 3.0 智能化 | 业务理解、决策与闭环 | 系统理解业务语义，能归因、能预判、能把决策写回工单与调度 |
六个反复出现的失效现象
如果贵方占了两条以上，说明卡在 2.0 向 3.0 的过渡带上。这六个现象不是独立问题，根因大多相互咬合。
三平台一体的技术底座
物联平台连接物理世界，可信大数据平台构建可信数据世界，智能体平台构成企业智能世界——三层各司其职，合起来完成"感知 → 理解 → 决策 → 执行"闭环。
边缘侧的两个工程细节
云断边不断：边缘网关采用 Rust 内核，断网时本地自治运行、数据续采续存，网络恢复后自动补传——生产不停，数据不丢。三态配置：设备配置按期望（Desired）、报告（Reported）、实际生效（Effective）三层对账，每一条下发指令是否到达、是否生效全程可查，拒绝黑盒。
五维可信：让数据配得上"决策依据"三个字
"数据质量"不是一条清洗规则，而是覆盖数据全生命周期的五个维度的体系。每个维度都有明确的责任人与校验机制，发现的问题强制闭环，不允许"挂起"。
每条数据可追溯到设备、系统与采集时间，杜绝来路不明的手工拼凑数据。
清洗、转换、聚合的每一步有记录、可重放，血缘全链路可查。
数据被谁、在哪个场景使用有权限与留痕，敏感数据分级管控。
指标中心统一业务口径，同一指标全平台一个定义、一个算法。
非空、枚举、阈值、一致性等质量规则持续校验；发现的问题派单到人、限期整改——质量问题的闭环率是考核指标，不是宣传口号。
语义桥梁：AI 看懂企业的前提
知识图谱与业务语义模型把 sensor_id=0217 这类裸数据翻译成"3 号窑炉煅烧区温度测点"，并关联到设备档案、工艺阈值与运维手册。这是 AI 结论能回溯到原始出处（精确到手册页码）的前提——没有语义层的 AI 问答，只是换了界面的关键词搜索。
Agent 六步链路：问、查、析、判、策、办
智能体不是聊天窗口，是一套把"提问"变成"闭环行动"的工程流程。六步中的每一步都有对应的技术组件与人工确认点。
自然语言提问进入智能体平台，结合业务语义模型澄清真实意图与涉及对象。
跨数据源查询，仅命中经过五维可信校验的数据集与知识库，RAG 保证答案有出处。
26 种内置工业 AI 基础模型按场景调用，完成趋势分析、异常检测与跨系统关联归因。
结合规则引擎与业务阈值给出结论与置信度，标注判断依据与数据范围。
输出可执行的处置方案（含影响范围与备选动作），推送给对应责任人。
人工确认后写入工单与调度系统；执行结果回流为新数据集与模型样本，越用越准。
数据飞轮：越用越准的机制
每一次"问查析判策办"的执行与人工反馈，都会沉淀为新的标注样本与知识条目，反哺语义模型与 AI 模型——平台不是交付即定格的产品，而是一个随使用持续变准的体系。这也是我们建议按"场景分期上线"而非"一次建全"的原因。
数字化成熟度自评表（五级）
对照下表找到贵方当前所处级别——自评结果决定了合理的下一步投入方向，跳级投入是烂尾项目的常见起因。
| 级别 | 状态描述 | 合理的下一步 |
|---|---|---|
| L1 起步 | 设备未连：现场数据靠人工抄录，系统彼此孤立 | 先做设备接入与协议摸底，不要先买大屏 |
| L2 可视 | 看得见：数据上了大屏，但口径不一、准确性存疑 | 先治数据（指标口径 + 质量规则），再扩应用 |
| L3 可信 | 敢用数据：五维可信体系运转，报表有单一口径 | 选定 1~2 个高价值场景接入智能体 |
| L4 智能 | AI 在用：智能体在特定场景稳定输出归因与建议 | 把闭环写进流程，扩大场景与专业智能体数量 |
| L5 闭环 | 驱动行动：决策建议直达工单调度，执行反馈持续反哺模型 | 沉淀行业模板，向集团/多厂区复制 |