對內：企業本身應用AI方面

1. 優先從視覺智能切入，逐步走向資料價值挖掘

AI在工業的研發、生產、供應鏈、經營管理等各個領域都有豐富的應用場景，而且其中許多都已經在眾多的工業企業中得到驗證和複製推廣。對於希望啟動AI應用的工業企業而言，除了參考同行業的成功實踐場景之外，從視覺智能類應用場景，如機器視覺質檢、視頻安全監控等出發，應用門檻較低，更容易快速見到成效，可以優先切入。在此基礎上，資料智慧類場景，如缺陷根因分析、製程參數最佳化、設備預測性維護、智慧型裝置控制能夠發揮更大的業務價值提升，但門檻和難度也更高，可以逐步探索。

2. 合理統籌籌團的平台建置與子公司的場景應用建設

集團型工業企業很多在集團和分子公司層面同時開展著AI的應用和建設工作，但從IDC實際調查交流情況來看，很多集團公司存在著集團和子公司建設沒有很好實現同步的情況。一些企業集團層面更傾向於依托下屬數科公司，建立集團級AI平台和開發能力，供分子公司應用。然而許多分子公司已經結合自身需求，建構了結合AI的具體業務應用，未能與集團的AI平台形成很好的協同。IDC建議，在進行AI建設時，集團與分子公司先就分子公司已經開展的應用場景、分子公司業務對平台的實際需求等問題進行充分的溝通後，再更好地規劃AI應用。

3. 從細分場景出發探索大模型應用

大模型在工業等產業的應用路徑，和大模型在文娛辦公等消費者場景的應用有較大的差異。直接建立產業級大模型對企業資金投入、數據和人才基礎等各方面都有較高要求，適合擁有強技術能力數科公司的集團企業開展。更多企業可以考慮挑選部分細分類應用場景，圍繞場景進行大模型的應用探索。

4. 審慎考慮自建AI全端能力

有些集團企業由於旗下眾多分子公司AI應用場景眾多，如果每個場景都聯合外部供應商合作，時間長，成本高，因此更傾向於組建團隊，搭建平台，建設自己的全端AI能力。然而面向場景的AI應用開發，不僅需要兼顧AI演算法和業務機制的專家團隊，還需要豐富的AI應用開發經驗、充分的資料樣本基礎等多面向能力。個別場景小的提升卻需要很強的演算法能力，因此對數位化能力基礎不足的企業而言挑戰龐大。建議，自身有很強數據和演算法人才基礎的集團企業可以考慮自建，更多企業可以更經濟的選擇與一些有相關經驗的服務商展開合作，從應用開始，逐步擴展自身的AI能力和團隊。

對外：面向產業賦能方面

1. 加強脫敏資料集的建置與開放

工業企業累積了豐富的實際生產數據，但許多缺乏演算法能力，具備較強演算法能力的技術供應商很多則缺乏實際數據。過去受限於企業資料管理水準和資料安全管控要求，資料未能很好的從企業流向技術供應商應用。透過脫敏方式擺脫資料敏感性，在符合資料安全要求下，將企業的資料開放給有演算法能力的外部，有助於外部幫助企業解決實際生產問題，幫助企業更快更好地實現業務價值提升。

2. 與供應商夥伴合作AI解決方案賦能產業

許多集團型工業企業在產業處於領導地位，在AI 應用方面也屬於先行先試、標竿示範。在自身應用基礎上，企業可以和供應商合作，將具備行業共性的應用場景整理成解決方案，並透過合理的利益劃分模式，將解決方案輸出賦能給行業內的其它企業，幫助全行業實現AI降本增效。

工業企業AI應用已發展多年，IDC也追蹤研究了許多優秀供應商，其各自在AI+工業不同領域有著豐富的實務經驗，可供希望開展AI應用的工業企業參考。這些供應商包括但不限於：阿里雲、阿丘科技、百度智慧雲端、創新奇智、第四範式、格創東智、華為雲、寄雲科技、卡奧斯、崑崙數據、浪潮工業互聯網、朗坤智慧、美林資料、梅卡曼德、杉樹科技、數之聯、騰訊雲、微億智造、星環科技、雪浪雲等（依照首字母拼音順序排列）。