市场规模：多口径下的共识与分歧
工业智能体的市场规模测算在不同机构间分歧显著，这与此前本栏目金融报告（R-INDUSTRY-06）遇到的情况类似。先摆数据：
| 机构 | 口径 | 基期规模 | 远期预测 | CAGR |
|---|---|---|---|---|
| Dimension Market Research | 制造业与工业自动化中的 Agentic AI | 2026 年 $158.2 亿 | 2035 年 $2,585.8 亿 | 36.4%（2026–2035） |
| IIM 信息（中文报告） | 全球工业智能体产品与服务年支出 | 2026 年约 $480 亿（同比 +62%） | — | — |
| Research Intelo | 边缘 AI + 自主工业智能体（子集） | 2025 年 $22 亿 | 2034 年 $314 亿 | 43.5%（2026–2034） |
分歧的根源在统计边界：DMR 口径聚焦「Agentic AI 软件 + 服务」，IIM 口径把相关产品与服务的年支出全部计入（含硬件与集成），两者相差三倍不难理解。可以确认的共识有三点：其一，行业处于 35% 以上的高复合增长通道；其二，亚太是增长贡献最大的区域（IIM 口径下 2026 年亚太支出约 $178 亿、贡献约 37% 增量，中国、日韩在电子制造与汽车零部件形成密集部署带）；其三，供给侧尚未固化——IIM 统计全球厂商超 220 家，具备跨行业交付能力的约 45 家，前 10 家收入占比约 41% 且还在下降，说明细分场景专业厂商仍在快速切走订单。
产品形态的分化同样清晰：IIM 把工业智能体分为流程优化、设备协同、质量管控、供应链调度、安全巡检五类，其中流程优化类部署量最大（占 31%），设备协同类增速最快（2025–2030 CAGR 约 58%，受益于边缘计算与 5G-A 覆盖）。
信任度悖论：部署意愿与自主性的落差
Capgemini 2026 年调研给出了这轮落地周期里最值得警惕的一组数字：完全规模化部署 AI Agent 的组织仅约 2%，部分规模部署约 12%；而对完全自主 Agent 的信任度在一年内从 43% 跌至 27%。
信任度下滑与部署规模偏小是同一件事的两面。工业场景里自主决策错误的代价远高于办公场景——航空航天与医药等行业的自主失误涉及安全责任，董事会层面已经开始讨论责任归属；监管层尚未建立针对工业 Agentic 决策的专门框架。这解释了为什么市场上「人在回路（human-in-the-loop）」成为标准交付形态：技术能力未必是约束，风险委员会的接受度才是。对厂商的含义也很直接——把「全自主」作为卖点的产品在工业客户面前正在失去说服力，可审计的审批链路反而成了成交条件。
IBM 商业价值研究院（IBV）2025 年的调研补上了需求侧的另一面：到 2026 年，57% 的高管期待 Agentic AI 给出主动建议，62% 期待 AI Agent 自主做出供应链决策。期待与部署之间的鸿沟，正是当前集成商与专业厂商的生意空间。
落地案例：三家企业的公开数据
撇开预测看已发生的事，三个案例覆盖了工业 Agent 的三条典型路径：
- 博世 × 达索系统（2026 年 9 月，印度工厂）：把达索 Delmia Apriso MES 与博世的认知工厂平台结合，部署 Agentic AI 编排系统。路径特征是存量升级——在既有 MES 之上加编排层，而非推倒重建；由工业软件巨头与制造业主联合交付，说明单靠任何一方都补不齐「know-how + 数据」的组合。
- 西门子（2026 年 4–6 月）：4 月在全球试点后推出 Eigen 工程 Agent，支持多步骤自动化工程任务自主运行；6 月发布 Intelligence Center X 数据与智能体编排环境，官方称可将生产问题解决时间缩短至多 85%。路径特征是工具化封装——把 Agent 能力做成工程软件的功能模块，卖给全球存量客户。
- 通用磨坊（General Mills）：供应链 Agent 每日评估超 5,000 个运输/路由与库存决策，无需分析师逐单审核；据企业案例追踪数据，自 2024 财年以来累计节省超 $2,000 万。路径特征是高吞吐决策——选取决策量大、单笔风险可控、结果可回测的场景，让自主性与风险敞口匹配。
同期生态动态还包括：Rockwell Automation 与 Augury 在 7 月宣布合作，把设备诊断遥测与自主维护执行打通；CIQ 在 9 月更新 Fuzzball 4.2，允许自主 Agent 直接操作工作负载与基础设施。案例虽少，但路径共性明确：成功落地的场景都满足「决策高频、结果可验证、失败可回滚」三条件。
三个案例没有一个是「让 Agent 管工厂」，全部是「让 Agent 管一个可验证的决策环节」。工业 Agentic AI 的成熟路径不是整体自动化，而是把产线拆成一个个可回测的决策单元，逐个交给 Agent。
中国视角：排产切入与渗透率测算
国内机构的测算给出更细的切面。一份 2026 年工业 AI 智能体行业研究报告披露的基础事实是：工厂 ERP、MES、SCADA 系统覆盖率已经很高，设备联网率达 57.7%，但插单、设备异常、物料短缺仍靠计划员拿着 Excel 开会协调——73% 的工厂管理者在过去 30 天里至少经历过两次「排产表刚做完、订单又变了」。
这份报告的商业化测算逻辑值得完整转述：
| 切入场景 | 目标基数 | 2026 渗透率 | 远期预期 | 商业模式 |
|---|---|---|---|---|
| 排产调度 Agent | 约 30 万家规上离散制造企业 | 约 6% | 2030 年 55% | 年化 ARPU 从约 35 万元逐步下探至 25 万元左右 |
| 工艺优化 Agent | 需具备基础工艺数据闭环能力 | 约 4% | 2030 年 45% | 依赖图纸、工艺经验与现场反馈的模型化 |
| 执行监控 Agent | 2026 年约 800 万个有效收费点位 | — | 视觉理解从缺陷检测转向「看懂现场」 | 单点位年化约 7,500 元 |
增长逻辑被明确表述为「渗透率驱动而非涨价驱动」。这与 IIM 报告的商业模式观察互相印证：订阅制与效果付费合计占工业智能体商业模式的 57%，较 2025 年提升 11 个百分点——按效果付费比例上升，说明买方要求厂商共担结果风险。
结构性瓶颈：集成层与数据闭环
多份报告对瓶颈的判断高度一致。DMR 直言最大的瓶颈在集成环节：老旧产线控制系统拖慢了新 Agentic 软件与数十年旧设备之间的交接，能最快弥合这一鸿沟的系统集成商正在获得与其人数不成比例的服务收入。国内报告则强调数据闭环：设备系统层提供现场入口，数据平台层沉淀订单、工艺、设备与质量反馈，模型算法层把工业知识变成可调用能力，Agent 应用层做任务编排，业务价值层验证效率、成本、交期与良率——五层全通的厂商，当前比模型参数更大的厂商更有壁垒。
区域与合规因素也在塑造技术选型：欧洲的 GDPR 与欧盟 AI 法案对高风险系统的要求，反而加速了边缘部署——推理留在厂内，敏感工艺数据不出设施边界。Research Intelo 的数据佐证了这一结构性机会：边缘 AI + 自主工业 Agent 子市场以 43.5% 的 CAGR 增长，快于多数相邻类别。
趋势判断与选型建议
综合供需两侧的数据，本文对 2026–2027 的判断如下：
- 趋势一：人在回路是中期稳态而非过渡态。信任度回落叠加监管空白，未来两年交付形态将以「Agent 提案 + 人工审批 + 自动执行」为主；把审批链路做成可交付的审计资产，是供应商的差异化机会。
- 趋势二：投资向供应链与能源管理集中。DMR 指出这两类 Agent 是当前案例数据中美元回报最清晰的类别，通用磨坊的 $2,000 万案例正在把资本引向同方向的物流类 Agent。
- 趋势三：中型工厂是被忽视的主战场。Tier-1 平台合同覆盖不到、但传感器数据足够的中型产线，是轻量化 Agentic 部署的最大空白区。
面向制造企业的选型建议：从可回测的高频决策切入（排产、质检、能源调度），要求供应商提供效果计费或对赌条款，把集成与数据闭环的改造工作量写进合同，并在试点期就确定审批与回滚机制。对软件团队而言，产线场景的 Agent 编排需求（审批门、执行边界、完整核算）与 coding agent 的工程护栏问题同构，可参考本栏目 R-TECH-12 对 GitHub HydraFusion 五条护栏的拆解。
局限与风险
- 口径风险：三机构市场规模相差近三倍，引用任何单一数字都需注明统计边界；本文未强行统一口径。
- 案例数据多为厂商或案例追踪口径：通用磨坊的节省额、西门子的 85% 时间缩短均为官方表述，缺乏独立审计来源。
- 渗透率预测的前置条件苛刻：国内报告 2030 年 55% 的排产渗透率以工艺数据闭环为前提，多数工厂现状距离这一前提尚有数年改造量。
- 责任框架缺位：自主决策失误的责任归属尚无监管框架，高安全要求行业（航空、医药）的规模化时间表存在被监管延后的可能。