我最近在跟踪几个工业智能体的落地项目，发现了一个很有意思的现象。最早主动拥抱工业智能体的，不是那些规模最大、数字化程度最高的标杆工厂，而是一些中等规模的制造企业。
原因说出来有点反直觉：大工厂虽然系统多、数据多，但决策链条长、流程固化，智能体反而推不动。中等规模的企业虽然资源有限，但船小好调头，智能体一进去就能直接介入决策流程。
这件事让我重新思考了工业智能体的价值定位。
智能体和大模型的区别，一句话说清楚
很多人还是搞不清楚工业智能体和大模型的区别。我用一句话说清楚：大模型是"能回答问题的大脑"，工业智能体是"能干活的手脚"。
你问大模型"这台设备振动异常可能是什么原因"，它能给你一个分析。但你让它"去查一下这台设备的历史维修记录，对比同型号其他设备的运行数据，然后给维修工段发一条工单，同时通知备件库准备更换件"——它干不了。
工业智能体能干。它不仅能分析，还能调用你的MES、ERP、CMMS这些你已经在用的系统，把分析结果直接变成行动。它不像传统AI那样只给你一个报告然后等你拍板，它自己就能把诊断、决策、执行串起来。
所以如果你现在还在纠结"要不要上大模型"，我觉得问题可能问错了。你应该问的是：工厂里有哪些决策环节，现在还卡在"等一个人来处理"这个节点上？这些节点，就是工业智能体要攻下的阵地。
中小企业反而在抢跑
回到我开头说的那个现象。我跟踪的几个项目里，推进最快的一个是一家年产值两三亿的零部件厂，设备工程师总共就四个人，要管三百多台设备。以前设备出了异常，工程师基本就是在各个车间之间来回跑，一天能处理两三个问题就不错了。
上了智能体之后，设备振动异常、温度超标这类标准化程度高的问题，智能体直接分析、直接发工单、直接建议备件。工程师只需要处理那些真正需要经验判断的复杂故障。我问他们负责人效果怎么样，他说了一句让我印象深刻的话："以前我们四个工程师养不活三百台设备，现在够了。"
这就是我说的，中小企业可能是工业智能体最大的受益群体。大企业有自己的专家团队，虽然效率有提升空间，但不至于说"扛不住"。中小企业不一样，他们的问题不是效率不够高，是根本就没有足够的人来处理问题。智能体对他们来说不是"锦上添花"，是"雪中送炭"。
而且还有一个被我低估的趋势：专家经验的订阅化。以前你想请一个做了二十年的设备诊断专家来给产线做一次全面评估，费用可能要大几万，还不一定请得动。现在呢？把这位专家的经验训练成智能体，按月订阅，几百条产线同时用。这个模式一旦跑通，中小企业获取顶级专业能力的门槛会大幅下降。
但别高兴太早，智能体也有它"扛不住"的时候
我这里必须泼一盆冷水。工业智能体不是万能的，它的边界很清楚。
凡是规则明确、数据充分、决策可标准化的场景，它很强。设备故障诊断、质量异常归因、排产优化、物料预警，这些都属于这类。
但涉及跨部门利益博弈的场景，它就弱了。比如"这个订单要不要插单"，这不只是排产优化问题，还涉及客户优先级、生产成本、交期承诺等多方博弈。智能体可以给出优化方案，但拍板的还是人。
还有一个风险我一直在关注：信任衰减。智能体上线初期，大家都觉得新鲜，有问题愿意听它的建议。但如果连续两三次建议出现了偏差——比如把一次正常的振动波动误判为故障，导致产线不必要地停机——使用者很快就会开始"选择性忽略"它的建议。一旦进入这个状态，智能体就变成了摆设。
所以我的判断是，工业智能体的落地成功与否，关键不在技术本身，在于你能不能给它找到合适的"首发场景"。场景选对了，它就是那个让四个人管三百台设备的关键变量；场景选错了，它会变成一堆没人用的代码。
核心观点
工业智能体的真正价值不在于替代工人，而在于解决中小企业最致命的短板——专业人才匮乏。中小企业缺的不是效率，是根本没有足够的人来处理问题。智能体正在把"请不起专家"变成"按月订阅专家能力"，这个转变的意义远超效率提升本身，它直接改变了制造业人才分布的游戏规则。