2025年7月，MIT Media Lab发布了一份让企业AI界沉默的报告——《The GenAI Divide: State of AI in Business 2025》。结论残酷：在企业生成式AI总计300—400亿美元的投资中，95%的组织产生了零财务回报，仅有约5%的定制化AI工具真正进入生产并创造可衡量价值。报告将其归因于"脆弱的流程、薄弱的情境学习，以及与日常运营的脱节"。
但Geir Engdahl会告诉你，在工业这个"硬核考场"里，这个数字可能还太乐观了。
作为工业AI公司Cognite的联合创始人兼CTO, AI，Engdahl在一场刚刚发表的独家采访中给出了更尖锐的判断：工业AI通常不是死在模型层，而是死在车间里。
"从消费互联网来到工业时，我天真地以为收集数据会是件轻松的事。事实并非如此。"Engdahl出身Google广告ML团队，2016年参与创立Cognite。近十年后他坦诚：工业的复杂度远超当年的想象。
Pilot的坟场，车间里的真空
Cognite的客户遍布能源、化工与离散制造业。数据分散在几十个遗留系统中——SCADA、DCS、历史数据库、MES、ERP，以及积压几十年的工程图纸和PDF手册。没有统一的数据模型和结构化的上下文。
"你可能为一个泵解决了AI预测维护的问题，但你的工厂里还有成千上万个泵。"这句话道破工业AI Pilot的典型死法：笔记本电脑上精度感人的模型，在接入实时数据的第一步就卡了半年——泵A和泵B的传感器标定不同、采样频率不同、数据格式不同。
第一堵墙：上下文是工业语义，不是聊天记录
在消费级AI中，"上下文"是历史对话。在工业AI中，这意味着：一个温度传感器读数是否正常，取决于它连接的是压缩机入口还是出口、型号年份、最近维修记录——这些信息分散在三个不同的系统里。
"Google的广告数据在同一个地方、同一格式、完美关联。工业数据不是。"Engdahl花了近十年让Cognite Data Fusion（CDF）走到今天——一个从不同来源提取数据、通过语境化整合为统一模型的平台。效果明确：原本需数月完成的根本原因分析（RCA），压缩到半天以内。
第二堵墙：概率模型不适合确定性世界
工厂不喜欢"可能"。压缩机要么正常运行要么停机。安全参数是固定的。但LLM给出的是概率最高的token序列，不是确定答案——一个错误输出意味着停机、安全事故或监管风险。
Cognite的解法是确定性平台层+概率性AI代理双层架构。平台层持有设备台账、传感器数据等"事实记录"，AI代理在精心定义的护栏内行动。关于"工业代理该不该参与"，Engdahl切割得极为清晰：
- 推荐：RCA、维护优化、报警筛选——做工作量最大的助理
- 自动化：工单创建、路由审批——在人类审批回路内完成
- 不参与：安全连锁直接控制、超出已知工况边界的操作
第三堵墙：规模化是乘法问题
Cognite的典型案例：一家全球化工企业通过CDF平台，两年内将50多个AI用例推广到50个站点。每个没有统一数据层的公司，每部署一个AI模型都是从头开始的"项目级工程"。Engdahl早在2020年就写下"Operationalize or Move On"——"没有成长起来的数字项目都是成本中心，注定死亡。"
从只读到写回：AI的闭环时刻
2024—2025年间，客户不再满足于AI"看"数据，而是要求AI"写回"数据：诊断问题后自动创建工单、路由审批、推回SAP，形成从洞察到执行的闭环。Cognite Atlas AI——低代码工业代理工作台——正是为此而生。
2028：时间的清算
Engdahl做出大胆预测：到2028年，没有利用AI驱动流程优化的工业公司将面临根本性竞争劣势。
这对应两个趋势的交汇：第一，数据基础设施正从定制化转为产品化——新客户接入时间降低50%，可跨站点复用。第二，老员工退休潮加速——凭20年经验知道哪个传感器可忽略的操作工正在离开，而工业AI必须接盘。
到2028年，积累工业数据的公司将形成飞轮效应，尚未起步的企业会发现数据、经验和转型窗口一并关闭。
这不是一个关于算法谁更优的故事。这是一个关于"在工厂车间里，AI真正的对手不是更好的模型，而是它从未真正理解过的现实"的故事。那些活在Demo里的Pilot终将死去，而活下来的，必须在每一个传感器、每一张工程图纸和每一位即将退休操作工的记忆里，重新认识这个世界。
快报