研究人员警告，如果智能工厂的数字化转型计划仅停留在宏大的愿景陈述，而未能转化为结构化的系统设计，企业将面临时间、资金和技术精力的巨大浪费。发表在《Systems》期刊上的最新评论指出，生产部门正面临产品日益复杂、生命周期缩短、市场波动加剧以及精益运营需求等多重压力，但许多企业仍试图通过孤立的“技术赌注”来解决问题，而非建立清晰的架构基础。
这项题为《智能生产系统运营数字工程战略中数字架构的必要性》的研究强调，数字架构是连接高层数字化战略与智能生产系统实际部署的关键缺失环节。特别是在企业试图将人工智能（AI）、、物联网工具、云系统、流程控制等多种数字技术整合到可运行的工业环境时，这一架构作用尤为关键。
当前智能生产面临巨大压力，但数字化规划往往过于模糊。客户期望值攀升，产品复杂度增加，数字功能在制造商销售中的占比越来越大。与此同时，产品生命周期缩短迫使企业加快设计、生产和供应链协调的速度。全球价格竞争加剧，使得精益运营和快速响应成为生存关键。作者认为，正是这些叠加的压力促使企业转向智能生产战略。
然而，从战略意图到执行的道路并不平坦。生产企业在应对波动环境时，需 navigating 充满AI、大数据、、物联网、信息物理系统、增强/虚拟现实、移动系统及云边计算栈等技术 landscape。问题不仅在于选项众多，更在于这些技术间的相互依赖性往往不清晰，尤其是对于那些仍扎根于实体生产文化而非数字设计思维的组织而言。
评论将这一挑战描述为业务需求与技术可能性之间的张力场。一方面，企业需要能提升功能、速度、准确性、响应能力和运营质量的数字系统；另一方面，技术供应商和创新周期不断推出新工具并承诺转型。这制造了一个风险缺口：企业知道需要数字化，但缺乏可靠方法来决定技术如何组合、在何种层级引入以及如何支持实际运营目标。
文章指出的第一个主要问题是，许多数字化战略使用宽泛、诱人的语言，如“建设智能工厂”或“拥抱AI以提升效率”，但这些表述过于抽象，无法驱动实施。生产项目不能仅靠口号建成，它需要具体的解决方案结构、系统选择和设计逻辑。作者认为，这一翻译步骤的缺失，导致企业拥有宏大的文档却缺乏有力的运营跟进。
第二个问题同样严重。许多战略过早聚焦于某一类技术，甚至某一种被过度炒作的技术，而非从更广泛的系统视角出发。评论直接以AI和生成式AI为例。作者并非否认AI的价值，而是指出将其作为独立答案处理反而适得其反。这种炒作周期此前已在RFID、大数据和上上演过，每次都是期望跑在了实际部署逻辑前面。
根据论文，孤立的技术很少能创造完整的商业解决方案。大数据依赖云基础设施，AI依赖数据管道和连接的操作系统的物联网工具依赖更广泛的平台和接口，流程控制系统依赖多层集成。核心信息是：工业价值来自于技术如何排列和链接，而非单个工具在孤立状态下看起来多么令人印象深刻。
为了解决这些失败，作者主张更严谨地使用数字架构。在他们看来，数字架构是连接抽象战略与现实部署的桥梁。它赋予企业从雄心走向设计的方法，同时确保多种技术能结合成一个连贯的生产环境，而非作为孤立的修补方案引入。
文章特别批评了过于狭隘或过于抽象的方法。一边是围绕单一技术类构建的解决方案设计，另一边是有助于定位概念但无法提供构建结构化工业系统具体蓝图的大型参考框架。论文指出，RAMI 4.0、IIRA、IMSA和ISA-95等知名智能制造模型可作为参考，但不足以作为完整的设计答案。它们的价值在于框架和分类，而非提供构建复杂数字生产解决方案所需的系统工程结构。
相反，作者建议在业务信息系统架构层面开展工作。这是企业架构与软件架构之间的中间地带。企业架构更偏向业务且往往过于宽泛，软件架构更偏向技术且过于详细。而业务信息系统架构则被定位为组织可以构建面向业务的应用景观，同时不至于迷失在高层战略语言或技术细节中的层级。论文认为，正是这一中间层让许多智能生产企业感到挣扎。
论文推荐的框架是UT5，它将架构组织为五个相互关联的维度：数据、流程、组织、软件和平台。作者强调，价值不在于将UT5视为唯一模型，而在于使用一致的维度框架，在分离关注点的同时追踪每个变化如何影响系统的其他部分。这意味着认识到业务流程通过组织角色、软件解决方案和技术平台操作数据，且某一领域的糟糕设计会损害所有其他领域。
评论还反驳了架构必须成为只有专家才能理解的语言的观点。作者认为重点不应是过于复杂的建模语法，而应是保持利益相关者参与并使设计选择可理解的 disciplined 系统思维。换句话说，论文并非呼吁增加复杂性，而是呼吁增加结构、一致性和更好的方式，将数字化转型与运营目的绑定。
这种务实的强调延续到系统设计的讨论中。作者认为，复杂的智能生产解决方案需要在多个聚合层级上拥有架构，具有清晰的子系统关系和模型间的严格一致性。如果这些链接薄弱，结果不仅是技术混乱，还可能导致昂贵的返工、延误甚至系统彻底失败。这使得架构从规划练习转变为工业转型的风险控制机制。
来自欧洲项目的证据指向了更务实的转型路径。作者基于大型国际智能制造项目和咨询工作的实践经验，报告称已在CrossWork、HORSE、OEDIPUS和SHOP4CF等研发项目中应用了这种架构驱动的思路，涉及欧洲50多家工业组织。这使文章比许多高层数字化转型讨论具有更坚实的实践基础。
论文指出，一个早期项目揭示了缺乏架构的后果：解决方案定义在执行中缺乏连贯性，迫使团队基于更严格的业务信息系统层级架构方法重新设计。作者称，这一转变在几个月内帮助复杂的项目重回正轨。在后续项目中，架构方法从一开始就利用UT5框架作为概念骨干构建，据报道这产生了更有序的方案设计，使团队能专注于细节问题而非争论整体结构。
同样的模式也出现在商业工业咨询中。智能生产设计往往高度务实，但当这种务实缺乏健全的架构原则支持时，会导致混乱、重复的设计周期和更广泛的交付问题。作者将此作为已开发并采纳为公共AC2E模型下咨询工作标准的新修订模型的原因之一。
这篇论文更广泛的新闻价值在于其时机。欧洲及全球制造业部门正面临日益增长的现代化压力，AI已成为许多当前工业转型推销的核心。这篇评论并未拒绝这一趋势，而是对其进行了尖锐的重构。论文suggest，真正的竞争优势不会来自追逐市场上声音最大的技术，而是来自构建连贯的数字结构，让技术在一个与生产目标、供应链现实、利益相关者需求和遗留约束相一致的业务系统中协同工作。
作者最后警告不要急于构建解决方案。在许多企业中，新的数字元素是在时间压力下添加到遗留系统之上的，缺乏足够的结构设计。结果是雄心与实施之间的差距扩大。若未解决，这一差距将增加成本、延缓交付并使未来转型更加困难。在作者看来，架构是阻止这种漂移的纪律，它将战略转变为可操作、结构化且持久的东西。
对于将AI、云系统、工业物联网工具和流程自动化视为下一增长途径的制造商，作者的信息直截了当：智能生产中的数字化转型主要不是技术购物，而是一个设计问题。除非企业将架构视为工程战略的核心部分，否则它们可能会继续投资智能工具，却永远无法构建真正的智能生产系统。
对中国制造业从业者而言，这一观点极具警示意义：在追逐AI等热点技术时，切勿忽视底层的架构设计，唯有构建逻辑严密的数字底座，才能避免“有智能无系统”的陷阱，实现真正的降本增效。