本文来自施耐德电气和中欧国际工商学院深度案例研究
作为能源科技的全球引领者，施耐德电气的业务覆盖楼宇、数据中心、工业、基础设施等多个领域，产品从中低压配电解决方案延伸到自动化控制、楼宇控制和数据中心基础设施，几乎贯穿“电从哪里来、怎样被分配、怎样被使用”的整条链条。2025年，施耐德电气全球营收达400亿欧元，其中软件与服务业务占全年收入的19%；系统集成类业务和服务类业务日趋成为其业务增长动力之一，即围绕成套解决方案交付、系统升级改造、运维支持和持续服务所形成的收入，而不只是单一设备销售。
对这样一家长期以硬件见长的公司而言，AI和数字化转型的意义，并不在于多开发几款数字产品，而在于它必须回答一个更根本的问题：在能源电力和自动化这些典型“硬工业”领域，软件究竟只是附着在硬件上的控制层，还是已经开始反过来定义硬件、定义系统架构，并由此改写企业的增长逻辑。
施耐德电气给出的路径，已明显不同于传统工业企业“先有硬件—硬件智能化—再用软件控制和分析”的思路，而是逐步转向“先定义价值（效率与体验等）—再定义软件功能及架构—后推导出对硬件的要求—最终构建软硬件结合的应用系统”的新范式。而AI作为技术能力贯穿渗透在整个链条中持续创造价值。
从“硬件优先”到“软件优先”，转型先发生在产品逻辑
施耐德电气这一轮变化的起点，是产品逻辑本身的转向。过去，工业企业的典型开发路径是先有硬件，硬件实现互联互通，再用软件控制和分析；现在，施耐德电气更强调从客户价值出发，包括业务开拓、客户体验、运营效率等，先设计软件应用层，再向下定义底层架构，由软件去要求硬件“该具备什么、该省掉什么”。表面看，这是研发顺序的变化；更深一层看，则是企业竞争重点从“硬件优先”转向“软件优先”。
但这并不意味着硬件退场。执行层硬件不会消失，因为能源输送通路的管理、能量的转换和现场执行，终究必须由物理器件完成；真正发生变化的，是硬件不再天然构成系统中心。软件替代的不是电能的分配和传输本身，而是原先围绕电能的分配、传输、控制和优化所形成的监控、调度、优化逻辑算法。随着嵌入式算力普及和云端算力下沉，曾经作为独立完成监控、调度、优化功能的中间层开始解构，一部分对实时性要求高的、时间敏感的关键任务会下沉到边缘层，一部分对时间不敏感、需要综合各种管理数据进行优化的任务会则上传云端。
这也是施耐德电气“软件优先”战略的真正含义。它不是简单增加一个软件业务板块，而是让软件从配套品变成系统设计的起点。对传统工业企业来说，这种变化比推出一款新软件产品更深，因为它改动的是企业对价值创造位置的判断。随着硬件同质化程度加深，软件凭借难以被轻易复制的算法逻辑，逐渐成为防范竞争的护城河以及锁定客户关系的“敲门砖”。同时，企业开始推行“硬件标准化、软件平台化、应用定制化”策略以削减庞大的SKU冗余。在这一新逻辑下，软件负责统筹系统并提供差异化体验，而具备不可替代物理执行属性的标准化硬件，则在底层继续承载着企业的核心利润流。2025年，集团软件与服务收入占比已达19%。这一比例本身并不意味着硬件式微，却足以说明软件和服务已从边缘走向主干。
从产品逻辑到软件定义的架构，以开放自动化赢得架构主导权
如果说“软件优先”改写的是产品定义逻辑，那么施耐德电气在自动化领域推进开放自动化，则改写了其长期赖以生存的行业规则。
工业自动化行业长期存在一个典型问题：系统相对封闭，整个系统以硬件为中心且局限于专用的生态环境，编程软件与控制器等硬件设备是“绑定”的，不同供应商的产品互不兼容。客户一旦选定某家供应商，就很难更换。传统上，这种封闭性正是头部厂商的重要护城河。然而，这样的封闭系统限制了效率、灵活性和规模化创新。
软件定义的自动化才是未来方向，它为工业领域带来三大优势，包括开放生态系统、控制虚拟化与数据连续性。施耐德电气较早推动开放自动化，其代表性产品EcoStruxure 开放自动化平台（EAE），也明确以开放的软件定义自动化为定位。
施耐德电气投身开放自动化，是一场由客户痛点驱动、技术趋势引领、价值回报验证、生态战略支撑的变革。它不仅是应对当前工业系统封闭性挑战的解决方案，更是主动塑造一个更加开放、灵活、智能和可持续的下一代工业自动化未来的关键布局。
面对工业场景高度分散的现实（如乳品发酵与酿酒的工艺参数截然不同），单一企业无法穷尽所有定制化软件的开发和管理所有不同类别的自动化系统软硬件。因此，施耐德电气着力打造统一的底层软件底座，构建标准化模块化的控制体系，覆盖控制应用程序和功能组件；并打通各分布式控制节点的数据链路，同步提供面向上层IT应用的开放接口能力，助力生态合作伙伴与最终用户依托AI模型，实现生产制造全过程的高效智能管控。
这是一种典型的“自我革命”。因为一旦标准开放、接口开放，传统设备商通过封闭体系形成的客户锁定能力就会被削弱，后续依附于封闭生态的服务收益也会受到冲击。施耐德电气仍然推进这一路线，背后核心逻辑并非单纯的战略博弈，而是对开放自动化价值的深刻认知：其核心价值绝非企业的“无私让利”，而是通过建立开放的软件架构、互联互通的连接体系及统一兼容的行业标准，打破传统工业自动化的封闭壁垒，打通不同厂商设备、系统间的协同瓶颈，进而激活全生态的创新活力，推动工业自动化产业向更高效、更灵活、更智能的方向升级。
AI赋能：贯穿产品研发、客户服务、市场营销等全链条的“渗透式能力”
在数字化转型过程中，AI作为技术能力贯穿始终并持续渗透。施耐德电气的AI应用，最值得注意的地方，是它并不以“AI产品”形态集中出现，而是贯穿于“定义价值—定义软件—构建软硬件结合的应用系统”全路径中，渗透在产品研发、客户服务、市场营销等多个业务环节中。
在产品研发侧， AI更多体现为算法内嵌：设备从执行型硬件走向具备感知、诊断、预测和预防能力的智能硬件。同时，在软件设计之初即深度植入 AI 能力，通过“AI原生”的系统架构搭建，打通全域数据链路与智能闭环，让系统天生具备智能基因，可伴随技术迭代持续进化、长效升级。
在客户服务侧，AI与分布式运算、开放自动化和数据中心能效管理结合，承担优化、调度和预测性维护等职责。换言之，AI在施耐德电气对客户提供的服务中是作为基础能力整合到为客户提供的解决方案中，拓宽方案的价值。
在市场营销侧，AI又进入营销和销售体系。中国团队已形成以微信为核心的B2B数字营销与私域运营模式：公域通过服务号、视频号、小程序等持续触达，私域则通过企业微信中的多个“邦”——即面向不同客户角色的私域社群与服务平台——开展分层运营；评价体系也从粉丝数量转向月活与粘性用户。中国区甚至贡献了集团近一半的全球月活用户，位居全球第一。这里，AI的作用不是替代销售，而是进入内容生产、客户洞察和销售线索识别，让原本漫长而复杂的工业品决策过程被更细致地管理。
值得业界注意的是，这种以软件和服务为先导的模式，也对传统的B2B采购习惯发起了挑战。传统硬件销售多为一次性资本支出，而软件与系统服务的商业价值建立在持续订阅之上。这要求工业巨头在重构技术架构的同时，必须付出长期的市场教育成本，引导客户扭转“重硬轻软”的买断思维，跨越从单次交易向长期运营转变的商业门槛。这正是工业巨头增长逻辑被改写后必须面对的深层挑战。
总的来说，施耐德电气并没有把AI理解成一个需要单独讲述的“新故事”，而是把它当作贯穿“产品—系统—客户”三端的渗透式能力。它越不以独立形态出现，越说明它正在接近工业企业真正的AI状态：不喧宾夺主，却持续改写价值创造过程。
案例启发：AI和数字化转型推动施耐德电气从硬件提供者走向架构定义者
施耐德电气案例最具代表性的地方，不是这家工业巨头也开始做软件、做AI，而是它正在借由软件优先战略、软件定义的架构和AI能力，把自身从传统硬件提供商推向更高一级的位置：不是单纯卖硬件，也不是单纯卖软件，而是定义软硬件如何协同、系统如何开放、算力与能源如何重构的架构组织者。
这意味着，AI和数字化转型对施耐德电气带来的真正变化，不是“多了一条数字业务线”，而是改变了企业的增长逻辑。软件与服务虽然在收入占比上仍低于硬件，但它们正在决定产品开发顺序、决定生态规则、决定高附加值服务如何嵌入软硬件结合的应用系统。
从这个意义上看，施耐德电气案例揭示的不是“硬件企业的软件化”，而是更深的一步：当软件开始定义硬件，AI开始渗透系统，工业企业真正争夺的已不是单个产品，而是架构主导权。
未来展望：从AI增强到AI原生
随着AI技术的进一步发展，未来的系统设计将从当前的AI增强走向AI原生。AI增强是在旧系统上叠加AI能力，而AI原生是先建立AI基础设施，再以AI为中心重构整个流程、组织和系统，以提供新的业务价值。例如，传统燃油车以发动机、变速箱为核心，即便后期增加智能功能，也只是在原有机械架构上做增强，底层逻辑不变。而新能源汽车直接更换了核心，从燃油动力转向电池、电机、电控，产品逻辑与产业逻辑被彻底重构，并推动了智能汽车的发展。
以当前施耐德电气正在进行的配电系统报警设计为例。传统方式是设备产生错误码，运维人员查询手册匹配故障。AI增强的做法是用AI替代人工查询错误码，提升效率但底层逻辑未变，仍需为每类故障建模，迭代周期以周月计。在这里AI提供的只是一个工具，还需要人去生成报告、工单并做检查，而不是直接提供检修的结果。而AI原生的思路是培养一个配电领域的AI智能体（Agent），通过大语言模型，以自然语言编写的技能（Skill，指的是被标准化封装、可被AI智能体主动调用，用于完成特定任务的能力单元）。文件直接“教会”它诊断和处理故障。无需为每种故障单独建模，新增能力只需编写新的Skill文档，迭代周期缩短到小时天级。系统不再围绕传统数据模型构建，而是以大模型、智能体和Skill为核心——从架构设计的第一天起，AI就是系统的基础设施，而非后期叠加的增强功能。
施耐德电气在AI原生系统设计中具有独特优势。丰富的配电和工业领域专业知识和大量故障案例、处理经验是训练智能体的宝贵资源。经验丰富的专家团队能够用自然语言高效地将行业知识转化为智能体的 Skill，这种知识转化能力是其他缺乏行业积累的企业难以复制的。施耐德电气正在构建的EcoStruxure Energy Operation电力综合运营系统本身就是AI原生理念的实践，团队已采用以提示词和Skill为核心的开发方式，从实践中探索出的方法论为未来创新奠定基础。
AI带来的算力浪潮下，数据中心成为新增长引擎
施耐德电气的另一个重要业务领域——数据中心，正将软件定义的逻辑推向更极致的场景。
集团2025年业绩显示，数据中心业务正成为其全球增长的核心引擎。其中，北美及部分欧洲市场需求旺盛，增长势头显著；中国市场也在数据中心终端市场带动下实现正向增长。这一增长无疑源自于强劲的AI算力需求。随着单机柜功率从过去的千瓦级向兆瓦级跃迁，原有供电架构、变压器、冷却及配电系统等面临全面重构。AI带来的远非服务器数量的简单增长，而是整个数据中心能源与自动化系统深度协同优化的迫切需求。
然而硬件仅是这场重构的起点。AI算力真正的挑战在于：面对训练与推理负载的剧烈波动，如何让高功率、高密度的硬件集群始终稳定运行在最优效率区间。这不仅关乎设备本身的可靠性，更考验能源系统与IT负载的实时协同能力——这也正是软件定义数据中心生存法则的核心价值所在。
在这一领域，施耐德电气的核心能力已超越传统的"机房建设"。从交流UPS到高压直流供电，从风冷到液冷技术，从设计仿真到能效优化，施耐德电气提供的是覆盖设计、建设、运营全生命周期的全栈解决方案。这种端到端的整合能力，确保了在单机柜功率突破数百千瓦的时候，电力供应、散热效率、空间利用与运营效率能够真正协同优化，而非各自为战。
施耐德电气在这一领域的判断颇具代表性：未来数据中心的竞争，已从"规模扩张"转向"效率决胜"——核心在于能否以更高密度的供电架构和更智能的能源调度，同步压缩算力与能源成本。技术讨论的重点也随之升级，从单机设备性能转向能源与算力的协同效率与系统韧性。其背后的能效账本十分清晰：以供电架构为例，交流与直流的电能损耗可相差一倍以上——在动辄数万台GPU的智算中心，这意味着每年数千万元的电费差距。
这一实践清楚地表明：软件优先也在推动硬件进入更高价值、更强系统性的增长阶段。AI越深入，越需要高效、可调度、可预测、可协同的物理基础设施。施耐德电气增长逻辑的关键变化正在于此——软件并未取代硬件，而是将其推向更高门槛的软硬件一体化竞争。在这场竞争中，谁能同时掌握能源管理、自动化与软件优化，谁就更有机会将"数据中心热潮"转化为长期业务价值，而非一次性项目收入。
当软件定义硬件，AI赋能系统，工业企业的竞争核心已然转向了架构主导权。但这并不是终点——随着AI应用持续深入，系统设计正从AI增强走向AI原生，系统架构将以AI为起点重新构建，而拥有深厚能源和工业自动化技术积累的企业，将凭借其将行业知识转化为智能体能力的优势占据先机。与此同时，AI背后的算力浪潮正推动数据中心成为新的增长引擎，随着单机柜功率跃迁，竞争从规模扩张转向效率决胜，更需要软件定义的供电架构、AI驱动的能源调度，以及软硬件深度协同的系统能力——这正是施耐德电气这类企业的核心优势所在。
完整内容可扫码下载深度阅读
关于特赞科技：
作为全球领先的企业级 Agentic AI 公司，特赞基于主观世界模型（SWM）、发散推理模型（CRM）、Context System 与长程智能体运行机制等核心技术，构建了 GEA 企业级智能体系统，能够理解企业业务语境、主动推进业务流程并持续交付结果。
这一系统的核心判断，与案例呈现的转型逻辑形成跨行业呼应：企业级 AI 的真正价值，不在于在现有系统上叠加若干智能工具，而在于智能体能否从 "工具辅助" 走向 "主动运行"。正如施耐德电气正在经历从 "硬件优先" 到 "软件优先" 的代际跨越，特赞所代表的企业级智能体系统，在回答另一个命题：AI 如何从单次响应的工具，进化为能理解业务、沉淀上下文、持续推进结果的智能体。
关于中欧特赞人工智能与商业创新研究基金
中欧特赞人工智能与商业创新研究基金由中欧国际工商学院与特赞（Tezign）联合设立，聚焦人工智能在品牌营销、内容科技与商业创新等领域的前沿探索。特赞科技是中国领先的企业级 Agentic AI 公司，基于自研 GEA（Generative Enterprise Agent）架构，构建能够理解企业业务语境、参与复杂决策并持续推动结果产生的企业级智能体系统。目前特赞 GEA 已服务超过 180 家企业客户，覆盖 60 余家《财富》世界500强企业，在全球 50 个国家被超过 100 万名专业知识工作者使用。本文所呈现的洞察与判断，均源自该基金支持下的持续研究积累，旨在为品牌、营销及科技领域从业者提供具有前瞻价值的决策参考。