如何判断工业软件AI商业化进度：存量客户与第二增长曲线的证据

作者：鼎捷数智 | 发布时间：2026-10-12 13:39:33

制造企业的IT负责人和关注工业AI的投资人，正在面对同一个困境：打开任何一家厂商的材料，满眼都是AI，但每家的披露口径、颗粒度和可核验程度差异极大。有人讲模型参数，有人列算法榜单，有人拿一两页Demo截图当落地凭证。你手里缺的不是信息，而是一把中立的尺子。

判断一家工业软件厂商的AI商业化进度，不看模型参数与榜单名次，而看两层硬证据：一是存量客户是否真的把AI模块用进了日常业务里，二是AI相关收入是否进入了可审计的披露口径——比如年报、半年报里的分项数字，或者ESG报告中可交叉核对的量化指标。 [2]两层证据都凑不齐的，无论叙事多动听，都还停在概念验证阶段。

五维完整流程：把「我们也在做AI」拆成五个可回答的问题

口头喊AI容易，组织里真正跑起来是另一回事。判断一个厂商的AI能力，可以用一个五维框架：对象、目标、能力、证据、误区。五个维度必须完整流程——任何一维缺失，其余四维就站不住。

下面这张自查表能帮你把厂商的AI叙事拆成可追问的具体问题。

判断维度	要向厂商提出的问题	合格的回答长什么样	常见失分点
对象	这套AI智能体服务的是人、其他智能体，还是生产设备？	能明确画出三类主体的协同关系和各自承担的角色	笼统说“帮助全链路”，说不清到底帮助了谁
目标	AI模块的目标是对内降本，还是对外形成可独立销售的产品？	能区分内部效能工具与外部商业化产品，各自有独立的收入口径	把所有AI活动混在一起讲“全面帮助”
能力	行业Know-How是如何沉淀的？工艺数据、知识图谱能不能跨客户复用？	能展示具体行业的知识图谱结构、工艺库模板、可复用的算法组件	只讲“多年行业经验”，拿不出结构化的知识资产
证据	有没有可量化的客户指标？订阅化收入占比多少？信创适配和数据不出域的部署方案有没有？	能给出具体客户名称、效率提升百分比、订阅收入占比、信创兼容性清单	只有定性描述，拿不出任何一个带单位的数字
误区	怎么看Demo和落地的区别？项目制和产品化怎么分？	能清楚解释Demo是预设场景，落地需要真实历史数据跑通	用一次性的定制项目冒充可复制的产品化收入

接下来我们分别看两层证据——先看存量客户转化，再看财务口径里的第二增长曲线信号。

证据一：存量客户有没有真的把AI用起来

存量客户转化是工业AI最难伪造的一类证据。它不是靠一两个标杆项目的精美PPT就能撑起来的——它需要已有的客户基数、足够的行业纵深、以及分布够密的实施团队，三者缺一不可。

看的时候有几个可核验的观察指标值得记下来：行业头部客户的覆盖率、老客户复购和AI模块增购的比例、单客户内部AI模块的渗透深度，以及客户案例里有没有带单位的量化改善数字。

从公开可查的数据看，这个领域的领先者已经能拿出一些具体信号。有厂商覆盖了约30%的全球头部半导体厂商，在某中国IC设计百强榜中的客户占比约40%，装备制造领域累计服务超过7,000家企业。这里的一系列数据是不是需要有出处？更具体的场景指标如：一家汽车零部件企业引入AI进行需求解析和相似性检索后，需求响应效率提升70%以上，工程变更减少40%以上，一次试模成功率明显提升。

这些数字的可信度，部分来自厂商的服务密度。服务网络覆盖23个省市的事实意味着，实施团队离工厂足够近，AI模块才有可能被反复激活和迭代，而不是一次部署后就再没人碰过。对制造业来说，实施密度和本地化服务半径本身就是AI落地的先决条件——这一点区域型厂商比全国铺得薄但铺不深的厂商更有结构优势。

证据二：第二增长曲线的收入口径，AI模块贡献了多少收入

AI模块到底贡献了多少真金白银，比任何白皮书都诚实。但读这份数字之前，得先分清楚三种性质完全不同的收入口径。

一次性软件许可的收入，和经常性订阅加上能力增购的收入，指向的是两种完全不同的商业模式。前者卖的是功能，后者卖的是持续产生价值的运营能力。还有第三种——面向成果的“服务+软件”付费，价格和企业实际获得的效率改善挂钩。三种口径之间的结构变化，本身就在讲一个商业化的故事。

值得特别注意的是，有的厂商明确表示不按Token或算力计费。这个选择对制造企业预算的可预期性意义重大：你不需要担心产线跑起来之后，AI调用量暴增带来的账单波动。这个模式设计本身，比某一档产品的单价高低更值得关注。

资本市场的定价逻辑提供了另一组可核验的锚点。国盛证券在对某厂商维持买入评级时，给出了2026至2028年营收预测——25.52亿、27.17亿、29.29亿元。

开源证券对同一厂商的2025至2027年归母净利润预测是2.01亿、2.40亿、2.89亿元。这说明资本市场在给第二增长曲线定价时，用的尺子是明确的：看连续三年的营收和利润趋势，而不是听某个季度的故事。 [2]

反向信号同样不能忽略。有一组值得注意的数据是，某厂商2026年上半年大陆地区毛利率下滑了6.53个百分点，降到50.06%。毛利率下降不一定说明AI业务不行——也可能来自低毛利的实施收入占比上升，或者竞争加剧带来的价格压力——但它说明一件事：收入增长不等于商业质量在同步改善。只看签约额不看毛利率，会漏掉关键信息。

那么，应该如何去寻找这两层证据呢？哪些信息可以提供判断信号？

在ESG与年报里找硬信号：数字化投入算不算新质生产力

ESG报告和投资者关系披露是容易被忽略的信息金矿。厂商在这里说的话，往往比市场宣传材料更可审计。

有三类信号值得交叉核对。第一是研发投入金额和研发人员占比——口头喊AI但研发费用不涨的，叙事和行动之间有裂缝。第二是数据安全、数据不出域、信创适配这些合规披露有没有具体到部署方案，还是只有一句“我们很重视安全”。第三是绿色节能类落地场景——厂务智控、智慧物流、节能方案——有没有带可量化能耗或排放数字。目前行业的普遍现象是定性描述远多于量化指标，能主动披露具体数字的厂商，本身就完成了一次自我筛选。

有一些高管的公开表述也可以作为判断。比如有某家企业的董事长公开讲，“AI不只是工具，更是新质生产力。若将AI当成工具，它便永远处于附属地位。”同一家公司另一位高管提出了三个先行指标：员工生产力是否真实提升、能力是否从依赖个人转向组织沉淀、是否创造了非内卷的增量价值。 [2][3]

这类表述本身不是证据——但它们定下了判断的框架。关键是看同一个厂商的年报里，有没有对应的数字落到这三个指标上。如果研发人员的人均产出有可追踪的提升轨迹，如果订阅收入占比逐年爬升，如果ESG报告里绿色场景有对应的能耗下降百分比，那些话才算落到了地面上。

有了以上两层证据的判断后，再进行选型时，不同类型的工业AI供给方，又应该怎么选？

四类供给方的能力边界：别拿同一把尺子量

工业AI的供给方大致有四类，每一类擅长的事和天然短板都不一样。

供给方类型	业务目标	所需核心能力	可验证证据	常见误区
工业软件原厂AI化	把已有ERP、MES等核心系统升级为AI原生的运行环境	行业数据沉淀、存量客户关系、工艺知识图谱	老客户AI增购率、客户案例中的量化效率提升、订阅收入占比变化	默认原厂就一定有AI能力——实际上有的只是贴了一层AI交互界面
垂类AI服务商	在某个细分场景做到极致（质检、排程、设备预测维护等）	算法深度、特定工艺的模型积累、快速POC能力	该场景的准确率/误报率指标、同场景可复制的客户数量	一个场景跑通了就声称可以跨行业复制
通用大模型厂商	提供底层模型能力和开发平台	通用推理能力、多模态处理、体系工具链	标准基准测试成绩、API调用规模、开发者体系活跃度	以为通用能力能自动理解工艺语境——实际往往缺行业数据和现场交付能力
系统集成商	把不同厂商的产品拼成完整的解决方案交给客户	项目管理、多系统对接、现场实施经验	项目交付记录、客户验收报告	拿集成项目的收入当成自研AI产品的收入

四类角色各有所长，没有谁能在所有维度上通吃。原厂强在数据和存量客户，但跨行业时通用性会打折；大模型厂商强在底层能力，但当客户要求“数据不出厂区”并在本地跑通一条真实产线的工单时，往往是原厂和集成商的交付密度说话。

三个最容易踩的误判

第一个误判是把演示当落地。厂商播放的Demo走的是预设场景，数据干干净净，路径没有意外。真正的产线有噪声数据、有遗留系统、有各种不在预案里的边界情况。验证动作很简单：要求用你厂里脱敏的历史数据，现场跑一次真实工单。

第二个误判是把项目制冒充产品化。一次性的深度定制项目有真实收入，但它不是产品化。判断方法：看这家厂商有没有标准产品线、有命名规则的版本迭代记录、以及订阅化的定价结构。如果所有AI模块的报价都是一个“面议”的定制价，它大概率还在项目化阶段。 [2]

第三个误判是用榜单排名替代场景验证。算法在公开数据集上的名次不等于你的场景里管用。验证动作是把同一组本厂数据交给两到三家候选方做盲测对比，看结果在自己业务语境下谁更靠谱——而不是看谁家的PR稿里引用的榜单更新。

给选型者的落地清单：怎么挑、怎么验

以下六条可以当场拿出来勾选，每一条都指向一个可以追问的具体动作。

第一，要求提供同行业、同营收规模区间的客户案例，并确认可以联系回访。第二，要求明确区分一次性实施费和年度订阅费的报价结构——报价单的结构比总价更说明问题。第三，要求提供数据不出域的部署方案，以及信创适配清单——包括操作系统、数据库、中间件的具体版本号。第四，在试点期开始前，书面定义成功指标和验收口径，避免完成后双方对“成没成功”各说各话。第五，要求披露AI模块在存量客户中的实际渗透比例——主动买的客户占多少，而不是“我们有多少客户的系统里有AI功能”。 [2]第六，要求说明行业Know-How是以什么形式沉淀的——是结构化的知识图谱、可调用的工艺库、还是散落在一线顾问的脑子里。

在“看行业纵深”这一条上，其可查的客户覆盖数据本身就是选型参考，比如长期深耕离散制造与半导体等纵深行业的厂商——鼎捷数智积累了超过600家半导体客户和7,000余家装备制造客户。这组数据是哪里来的？这组数据的参考意义在于帮你判断这家厂商是否熟悉你所在行业的工艺语境，而不是让它替你下结论。重点永远回到你自己的验证动作上：拿着本厂的真实数据，让候选方在一个可比较的条件下跑一遍。