编者按：在制造业利润普遍承压的今天，售后服务的竞争逻辑正在被改写。从"坏了再修"到"未坏先防"，设备厂商的售后正从成本中心走向利润中心。

围绕智能制造售后服务的数智化跃迁，我们专访了帮我吧AI研究院院长张焕强博士，请他解读这场变革背后的困境、路径与判断。

张焕强 博士Zhang Huan Qiang

毕业于中国科学院软件研究所，获博士学位

现任金万维CTO，负责研发和产品工作

帮我吧 AI研究院院长

研究成就

曾任职中科院软件所助理研究员、Thomson中国研究院高级研究员、及蓝汛-清华大学CDN联合实验室副主任；

张焕强博士是4项美国发明专利,4项欧洲发明专利、12项中国发明专利以及1项中国实用新型专利的发明人；

2013年1月18日，参与的项目“面向海量用户的新型视频分发网络”在人民大会堂被授予国家技术发明奖二等奖。

以下是专访内容整理：

一、被动响应是产业链两端的一笔"隐形税"

小编：现在很多制造企业的售后，大多还是等设备坏了才报修、出问题再抢修这种老路子。您怎么看当前制造业售后服务的这种现状？

张博士：如果用一个词概括，就是"被动"。这套模式的代价，其实被产业链两端同时承担着。

对终端工厂而言，设备突然停机，产线一停，损失的是产能和订单；很多大故障在爆发前其实早有征兆——就像人发烧前会怕冷，机器出大毛病前也会"抖一抖、热一热"，只是没人留意，小毛病拖成了大问题。报修之后又是一连串等待：工程师远程猜原因、上门排查、等备件调过来，一来一回，停机时间被拉得很长。同一个毛病修好了又犯，病根始终没除。

对设备厂商来说，工程师被突发工单追着跑，忙闲极不均衡；紧急差旅、紧急调件，每一项都是实打实的成本。更麻烦的是，厂商只能看到"已经炸掉的故障"，看不到设备从好到坏的整个过程——某个批次的零部件有隐患，往往要等很多客户先后报修才被发现，最后演变成大规模召回，损失惨重。

小编：也就是说，问题不在某个环节，而在整个模式？

张博士：对。过去几十年，售后服务本质上是"信息滞后"的：故障发生了，信息才产生。只要这个前提不变，再努力的工程师也只能被动救火。要破局，就得让信息跑到故障前面去——而这正是“预测性维护”。

二、技术拐点已至，预测性服务从概念走向落地

小编：十年前大家也在聊预测性维护、主动运维，但大多停留在概念阶段，很难落地到产线。现在不一样了，不少设备厂商开始做主动预测、提前预警故障。为什么主动预测的模式，到现在才真正可行，而不是十年前？

张博士：本质上是因为IoT+大数据+AI的发展，时机变成熟了。

第一，设备可采集了。传感器便宜了，再加上OPC UA这个通用标准普及，以前那些不会“说话”的老设备，现在都能装上采集工具，把运行数据读出来，数据能拿到了； 

第二，数据可存可分析。存数据、管理数据库和云存储，成本降了很多。工厂里零散的维修工单，现在能存下来、回头查，变成能反复用的数据，数据存得住、能拿来分析； 

第三，预测性服务成为可能。故障识别、时序预测的AI模型越来越好用，特别是大模型，不光能发现故障，还能说清楚为啥出问题、一步步推理，机器能看懂数据、给出靠谱判断。 

物联网、大数据、AI这三样凑在一起，预测性服务才不再只是纸上的想法，真正能用在产线上了。

小编：技术上的卡点解决了，那从产业落地的角度来看，除了技术本身之外，还有哪些底层因素，在倒逼设备厂商主动布局，而不是观望等待呢？

张博士：核心还是市场竞争变了。下游工厂越来越看重OEE（设备综合效率），设备突然意外停机，会耽误交货。所以能不能提前预测故障、主动运维，已经不再是锦上添花的加分项，而是客户选设备时必须要看的硬门槛。没有这个能力的设备厂商，投标的时候很容易就落选。

国内外头部设备厂家，都把预测服务当成重点战略，不再只卖硬件，而是卖给客户“设备稳定、少出故障”的保障。

留给其他厂商跟上的时间越来越少。因此，预测性服务不是可做可不做的选择题，而是不做就出局的必答题。

三、以AI驱动的预测性维护的技术架构

小编：现在大家都知道预测性运维离不开AI，如果想把测性服务真正落地，您认为支撑这场跃迁的技术架构应当如何搭建？

张博士：以帮我吧一体化智能服务管理平台在制造业的实践为例，制造业数智化跃迁有以下四层架构：

第一层：连接层——IoT对接与帮我吧服务管理平台

帮我吧本身具备标准化IoT对接能力，兼容新旧设备、各类网关和工控设备。

IoT采集上来的振动、温度、电流、转速等运行数据，同步至帮我吧，并与平台里原生的工单、备件、客户档案、维保合同、历史故障记录做关联打通。异常数据通过AI分析自动触发生成预警工单进行流传处理。

第二层：智能层——采用“数据模型+维修知识引擎”双轮配合。

帮我吧AI模型从设备数据里提前发现异常、预判故障和零件寿命；维修知识引擎围绕故障码沉淀维修经验，收到预警后自动给出故障根因、维修步骤和备件方案，让AI告警说得清缘由，工程师才敢信任使用。

第三层：应用层——通过帮我吧实现业务场景落地

·预测性维护：收到故障预警后，帮我吧自动生成预防性维保工单，不用等设备坏了再报修；

·智能派工：帮我吧结合故障类型、维修方案、工程师技能标签、地理位置，自动匹配最合适的工程师，派单上门；

·备件预测：根据零部件寿命预测结果，提前测算备件消耗节奏，给仓库备货、调拨提供依据，避免维修缺件、库存积压。

第四层：价值层——从卖设备走向卖服务

依托IoT+帮我吧这套架构，厂商可以主动监控设备健康、提前排维保、规避非计划停机，把服务从被动抢修，变成主动保障。

厂商也可以把“设备健康保障”包装成独立的增值服务，形成持续的订阅化服务收入，从一次性卖硬件，转向持续交付“设备稳定运行的确定性”，形成差异化竞争优势。

帮我吧装备制造行业解决方案

四、企业应该如何落地？看得见、算得准、管得全、赚得新

小编：很多设备厂商都看好预测性服务，但落地的时候常常盲目上马，投入不小却很难看到业务价值。站在帮我吧的实践视角，企业落地预测性服务，应该遵循什么样的路径推进呢？

张博士：我们总结了四步走。也就是：看得见、算得准、管得全、赚得新。

第一步让设备"看得见"：新设备前装内置，老设备后装传感器和网关，做好多协议转换与数据标准化，先解决数据黑盒的问题。

第二步让模型"算得准"：不要一上来全面铺开。选振动异常、温升预警、能耗检测这类高价值场景，在一两条产线、三五台关键设备上跑三到六个月，模型准确率达到可接受阈值再横向推广，避免一次性铺大摊子。

第三步让服务"管得全"：把智能告警、AI诊断、智能派工、备件预配、现场修复、数据回流串成闭环——维修响应从"天级"压缩到"小时级"，智能派工3到5秒完成、派工效率提升3倍，备件从紧急空运转为按需调拨，每一次维修都沉淀为知识资产，让模型越用越准。

第四步让售后"赚得新"：推出订阅式的预测维护、设备健康托管、数据增值服务，让售后从花钱的部门变成挣钱的业务线。

落地时，三个陷阱要特别警惕：一是重连接轻治理，只顾把设备连上网却不做数据治理，数据质量差到AI用不了；二是黑盒AI，预测结果不可解释，工程师不敢用；三是流程不变，只上系统不改流程，还是老办法干活，系统最终变成摆设。

五、产业转型的核心改变

小编：站在当下，您对设备制造行业的同行还有哪些寄语？

张博士：预测性服务不是靠单点算法、简单加装传感器就能做成的，它是数据、平台、服务流程、商业模式的整套协同升级。不用追求一步到位，可以小步试跑、闭环沉淀，慢慢把被动售后，变成主动保障。行业的分水岭已经到来，早布局、早落地，才能拿到下一轮竞争的主动权。

结语：从卖设备到交付设备健康的确定性，工业服务的逻辑正在重塑。当AI不再是看不懂的黑盒，当IoT数据真正融入售后业务闭环，主动预测，终将成为制造业服务的新常态。

关于金万维帮我吧：

帮我吧是“金万维”旗下的一体化智能服务管理平台，技术上实现了“AI、云、ICT”的深度融合，功能上不仅包含了呼叫中心、在线客服、远程协助、客户管理、项目管理、资产管理、工单系统、知识库、智能机器人等标准功能模块，能够满足企业日常的基本需求。同时，帮我吧还具备工单工作流、BI报表、无代码开发aPaaS、开放平台iPaaS等PaaS平台能力，能够帮助企业实现更多个性化的场景及对接需求。

凭借自身的一体化、随需而建、智能化以及行业化管理属性等优势，目前"帮我吧"已广泛应用在ICT软硬件、智能制造、医疗器械、新能源、电子半导体、工业机器人等行业。中国中车、中船绿洲、伊戈尔、中际联合、埃泰斯、国药器械、积水医疗、航天长峰、致远电子、金蝶、麒麟软件等超过10000+企业，都选择帮我吧打造数字化服务。