许多企业已经度过了纯试点项目阶段，并将AI置于运营价值创造的核心。当前的任务是将AI可靠地转移到运营中。在此，必须确保稳定性、可扩展性、成本控制以及对OEE（设备综合效率）、吞吐量和质量的可衡量影响。因此，AI项目也越来越像经典的自动化或MES（制造执行系统）项目那样被设立——具有明确的角色、治理结构以及数据和模型的定义生命周期。

2026年，AI在制造业中将日益重要

vLLM作为AI的“Linux层”

迄今为止，AI使用的一个障碍主要是对硬件供应商的依赖和高昂的成本。对此，一个软件抽象层提供了补救措施，它将AI推理与具体硬件解耦。一个例子是开源项目vLLM，它已发展成为针对不同大语言和小语言模型的统一推理层。与Linux的类比显而易见：正如Linux曾经取代了专有的Unix栈并建立了开放的、跨硬件的服务器基础设施一样，vLLM今天构成了一个中间层，通过它，不同供应商的模型可以在GPU、TPU和其他加速器上运行。

对于工业用户来说，“任意模型、任意云、任意硬件”这一原则具有巨大优势，因为对单个GPU栈的依赖减少了。基于vLLM的商用支持推理服务器还提供了在工业IT和OT环境中持续和可审计地运行AI工作负载所必需的支持和生命周期功能。这对制造企业意味着：他们可以在工厂、在自己的数据中心或在边缘端运行模型，而无需在战略上绑定于某个云或硬件供应商。

与基础设施并行的是，对待模型的方式也在改变。许多企业与AI的首次接触是以聊天机器人形式出现的通用的、非常大的模型。它们的功能强大，但对于工业持续负载场景而言，运营通常过于昂贵且资源密集。因此，在制造业中，针对明确界定的任务和领域进行优化的专用模型正日益普及。

专用模型的优势尤其体现在处理非结构化数据方面，如日志流、机器数据、服务报告、供应商或测试文档。它们可以有针对性地按实体和元数据进行搜索。像“Nu-Extract”这样的模型就是这一类的代表：与GPT-4模型相比，它的规模小几个数量级，因此速度更快、成本更低，并且非常适合直接在或靠近生产环境的边缘端进行推理。

为了让AI能够可靠地访问企业知识，技术文档、标准、规格和协议必须首先转换为适合模型的形式。像IBM发起的开源项目“Docling”这样的工具展示了如何智能分析PDF和其他文件格式并进行结构化提取。

例如，使用Docling可以自动分析数万份供应商合同，提取元数据并将其转移到新的合同管理系统中——从而大幅减少手动工作。使用Docling进行预处理对于RAG（检索增强生成）至关重要，也就是对于用企业文档内容丰富模型答案的系统而言。

文档被分段、引用和赋予上下文的程度越好，AI的答案就越精确和可复现。毕竟，早期RAG项目中的许多错误并非源于模型本身，而是由于文档提取和向量化不足所致。对于制造企业来说，这带来了广泛的好处：在维护和操作手册中搜索相关段落只需几秒而非几分钟，测试报告和验收协议被自动分类，新员工可以通过自然语言访问工厂标准和最佳实践。

因此，对优化文档使用的投资会立即对生产率和质量产生积极影响。同时，它们也为在整个价值链中部署可扩展的、领域特定的RAG系统奠定了基础。

混合架构作为基础设施基础

另一个趋势是连接云和本地环境的混合架构。典型的分工方式是：在云端开发、测试和微调模型，而在工厂中，经过推理优化的模型变体在靠近生产的IT或边缘环境中运行。这样，云的创新速度与生产对延迟、可用性和数据主权的要求可以相互结合。这使得企业能够解决在线/云提供商模型的一个问题：它们的版本和响应行为经常变化，这对于没有自身生命周期管理的生产关键型应用来说是不可接受的。

目前几乎没有哪个概念像智能体AI那样被如此密集地讨论。它指的是不仅生成答案，而且自主追求目标、规划中间步骤、调用工具并迭代改进结果的系统。在办公应用中，由此正越来越多地产生“数字同事”，它们能很大程度上自动化处理诸如差旅预订、评估或报告等日常任务。

智能体AI必须变得可预测

这不能直接转移到工业环境中。生产环境始终是安全关键的，因此必须满足“可预测行为”的标准。此外，智能体框架仍处于早期成熟阶段：运行时间、令牌消耗和错误模式难以计算，这限制了其在靠近设备控制方面的应用。目前看来，辅助场景最有意义。

智能体组件可以在故障排查或整合故障信息方面提供支持。此外，使用多智能体系统可以监控制造中的设备、预测维护需求并优化人员规划。这减少了计划外停机时间并提高了整体生产率。总的来说，围绕AI智能体的发展还将继续推进，因此未来在高度关键的车间中加强应用也是可能的。

AI越靠近生产关键系统，明确的安全和治理框架就越重要。护栏确保AI应用的输入和输出被自动检查、过滤和记录——从合规性和安全性的角度来看。必须对请求进行分析，以便在输入阶段就识别并阻止潜在有害或不允许的操作，同时对模型的输出进行评估，看其是否符合指南、完整性和合理性。应该清楚的是，护栏不是可选的。相反，它们必须成为制造业中每个AI架构的组成部分。

这些发展和趋势表明，2026年AI在制造业中将走出测试阶段，成为生产的固定组成部分。诸如vLLM这样的抽象推理层、专用且精简的模型、混合云/边缘架构以及一致的安全和护栏策略，共同构成一个系统，能够实现可衡量的效率提升，同时不创造新的依赖关系。为了长期确保其竞争力，制造企业不应忽视新的AI可能性。