如何摆脱信息化桎梏，解锁AI人工智能驱动的资产管理
本文首次发表于亚太市政能源协会（APUEA）官方杂志2026年3月刊中。
现代能源设施的自动化与互联程度已达到前所未有的水平。从亚洲繁华都市的屋顶太阳能、区域供冷系统，到大型垃圾焚烧发电厂与电网级可再生能源项目，这些设施都面临着各自的挑战：太阳能与风能发电不稳定、湿热气候下的设备加速老化，以及城市电网连锁风险的叠加。与此同时，行业仍严重依赖稀缺的高技能人才。在这一高风险环境下，设备故障极易引发连锁反应，造成非计划停机、环保不合规、经济处罚乃至品牌声誉受损。AI能否重塑我们管理全球能源实体资产的方式？
当企业探讨AI在资产管理中的应用时，话题往往默认聚焦于预测性维护。我们不妨先退一步思考：根据ISO 55000:2024，资产管理是“组织为实现资产价值而开展的协调活动”。设备维护只是保障资产运行的执行环节，预测性维护更是一项具体的技术手段，并非适用于所有资产类型。真正AI赋能资产管理的范畴实则更为广泛。简而言之，预测性维护属于技术人员与设备供应商的工作范畴，而资产管理则是管理者与项目业主的核心职责。
能源企业通常有资金充足、运营经验深厚、信息技术体系完善等特性。行业长期采用企业资产管理系统（以下简称“EAM”）、计算机化的维修管理系统（以下简称“CMMS”），辅以自研的移动端应用与线上管理平台，但日常工作仍离不开大量的Excel表格与纸质记录。虽然许多企业早已试水物联网、数字孪生技术，如今又布局AI人工智能应用，但仍然发现，传统信息化系统与固化的工作模式，始终阻碍着真正的数字化进展。
本文结合全球40年资产管理数字化实践经验，其中包含20年亚洲本土行业经验撰写而成。
历史记录和背景信息至关重要
尽管AI应用前景可期，但多数资产所有者的尝试大多还停留在试点阶段，难以落地推广。虽然涡轮机等标准化设备制造商已开发出较为成熟的预测性维护方案，但从项目业主角度看，技术规模化落地依旧困难重重。设备差异、现场工况多变与系统集成复杂等难题大幅阻碍着方案的部署。
现有绝大多数AI应用仅依靠实时传感器数据运行。系统能够发出预警，却无法告知运维人员后续处理方案。振动异常预警无法区分是设备即将故障，还是传感器本身漂移失真。不结合故障模式、故障原因与历史处置记录，这类预警始终难以获得一线人员信任。误报问题更是雪上加霜：在频繁响应无效警报后，运维团队便会逐渐忽视系统提示。
黑盒式AI进一步加剧信任危机。团队无法验证来自AI的建议，一旦预测失误，也无从追溯原因。针对大语言模型LLM的应用尝试，例如多数能源企业都曾尝试将ChatGPT接入物联网数据，却频繁产生看似合理、实则令工程师难以认同的“幻觉结论”。
这就引出了核心问题：历史记录和背景信息比实时数据更重要。单纯依赖传感器会因噪声、误报警、部署成本以及故障模式覆盖不全（如腐蚀、人为失误、润滑问题等）等问题而难以实现长期可靠运维。实时监测数据必须结合完整的历史记录与运营背景信息才能发挥价值。
这一点不仅适用于预测性维护，对于AI赋能资产管理而言更是如此。缺乏场景支撑，设备维护便难以落地；如果缺少更全面的全局背景——投资规划、风险台账、资金限制、监管要求、企业战略目标，战略性资产管理同样无从谈起。人工智能并非数字化建设的起点，而是终点；唯有夯实现场数据基础，人工智能应用才能真正落地见效。
三大瓶颈
阻碍AI赋能资产管理落地的三大瓶颈：
- 竣工数据不完整
工厂从建设阶段就遗留下不完善的数据库，存在设备层级结构不清晰、命名规则不统一以及故障历史记录缺失等问题。这会削弱每一项战略决策的有效性，包括风险评估、全生命周期分析和投资优先级排序。 - 数据孤岛
业务数据分散在ERP、CMMS、Excel、纸质文件、自研应用和物联网平台等各个系统中。最终导致：无人使用的鸡肋移动端应用、数据同步错乱、Power BI看板依赖Excel导出数据才能更新、大量共享在线表格；更普遍的是未经授权，员工随意通过微信发送图片、语音来申请工单。最接近实际情况的现场数据往往严重缺失。这与ISO 55000的要求相悖，该标准要求基于可验证的现场数据开展协同活动，验证战略实施并推动持续改进。在碎片化的系统上叠加AI只会放大现有问题，徒增信息噪音，而无法输出有效的决策洞察。 - 现有供应商生态垄断绑定
老牌设备供应商长期深耕行业，固定的合作关系错综复杂，所形成的碎片化运维体系使得新服务商很难突破采购规则与信息技术合规壁垒。IT部门为保护现有系统，常常阻碍数据对接集成，在采购流程中一般倾向原有合作厂商，并要求其他供应商进行详尽的兼容性验证。对于资产管理而言，这意味着企业在引入创新解决方案时，往往面临巨大干扰或直接被否决的困境。