物联网平台加大模型，现在是投标文件里的标配话术。但真正上线用起来的场景很少，大部分停在演示阶段——演示时问了几个问题答得不错，实际用起来发现数据不准、响应太慢、或者根本没人用。
这篇把场景分成两类：真能省人力的五个，和基本是噱头的三个。
五个真能用的
一、告警降噪与归因
这是投入产出比最高的一个。物联网平台最大的运维负担不是设备坏，是告警太多。一个几千台设备的平台，一天几千条告警，其中 80% 是同源告警（一个网关掉线，下面 50 个设备全报离线）和抖动告警（信号波动触发又恢复）。
大模型能做的：
- 把同一时间窗、同一空间、同一拓扑链路上的告警聚成一条根因告警，附上「疑似网关 X 离线导致下挂 47 台设备失联」
- 结合历史工单，给出「上次类似情况是电源模块故障，更换耗时 2 小时」的参考
- 把告警文本规范化，统一同类设备的描述方式
效果实测：告警量能压到原来的 15-30%，运维人员的处理效率提升明显。这个场景不需要模型多聪明，需要的是拓扑数据准确。
成本：8-20 万（含告警聚合规则引擎 + 模型调用）。
二、自然语言查数
「上个月三号厂房用电多少度」「哪些设备连续七天离线超过 4 小时」——用自然语言问，系统生成查询并返回结果和图表。
技术路径：把数据表结构、字段含义、常用指标定义做成 schema 描述喂给模型，让它生成 SQL 或调用预定义查询接口。
关键设计：不要让模型直接生成 SQL 打到生产库。正确做法是模型只做「意图识别 + 参数抽取」，实际查询走预定义的安全接口。这样既能覆盖 80% 的常见问题，又不会因为模型幻觉把库拖垮。
效果：能覆盖 60-75% 的临时取数需求。复杂的多表关联还是得人写。
成本：10-25 万。
三、运维知识问答
把设备手册、故障处理 SOP、历史工单、验收报告做成知识库，运维人员现场用手机问「这个型号的网关一直闪红灯是什么意思」。
这个场景的价值在于把老师傅的经验变成可检索的资产。物联网项目最大的隐性成本是人员流动，一个懂现场的运维走了，新人上手要三个月。
效果取决于知识库质量。文档不全、工单记录潦草的项目，做出来效果很差。要先做知识治理，这部分工作量常被忽略。
成本：8-20 万（含知识库整理）。
四、工单自动填写
从告警自动生成工单草稿：设备位置、故障现象、可能原因、建议备件、参考历史处理记录。运维人员确认或修改后派单。
看着不起眼，实际省的时间不少——一张工单手填要 3-5 分钟，自动生成后 30 秒确认。一天 50 张工单就是 2 小时。
成本：5-15 万。
五、报告自动生成
周报、月报、季度分析。把数据、告警、工单、能耗统计汇总，生成带分析结论的文字报告。
这个场景的准确率高，因为输入是结构化数据，模型只做文字组织，不做事实判断。而且报告本来就是人写的套话，模型写得比人快。
成本：5-12 万。
三个纯噱头
噱头一：语音控制设备
「把三号会议室空调调到 24 度」。演示很酷，实际没人用——现场有开关、有 App、有中控面板，语音是最慢的方式，而且在嘈杂环境识别率低。
更严重的是安全问题：语音指令无法可靠鉴权。谁能喊这句话？在门外喊行不行？录音回放行不行？
噱头二：自动生成控制策略
「让模型根据历史数据自动优化空调运行策略」。听起来很美，实际做不了：
- 控制策略要考虑设备寿命、舒适度约束、安全边界，这些是硬规则，不是优化问题
- 模型给出的策略无法解释，出问题没人敢担责
- 验证一个策略需要几个月的数据，迭代周期太长
可行的替代：用传统规则引擎 + 参数自动寻优（比如基于历史数据调整温度设定点和启停阈值），效果可控、可解释。这类工作不需要大模型。
噱头三：无人值守决策
「让 AI 判断告警要不要派人」。这个决策涉及安全和责任，模型给不出可追责的依据。实际做法还是规则 + 人工确认。
大模型可以做的是辅助排序——把告警按紧急度排个序，人还是最终决策者。这个边界要守住。
成本：私有化 20-80 万
| 方式 | 一次性投入 | 年运营 | 适合 |
|---|---|---|---|
| 公有云 API | 5-15 万（开发） | 按 token 计费，年 1-10 万 | 非涉密、数据可出网 |
| 私有化小模型（7B-14B） | 20-50 万 | 3-8 万（电费+运维） | 数据不能出内网 |
| 私有化中等模型（32B-72B） | 50-120 万 | 8-20 万 | 复杂推理需求 |
| 含 RAG 知识库 | 再加 10-30 万 | 5-15 万 | 知识问答类场景 |
私有化部署的硬件是大头：7B 模型推理需要 1 张 A10/4090 级别的卡（3-8 万），32B 需要 2-4 张 A100/H20（20-60 万）。政府项目通常要求私有化，这笔预算要提前列。
另一个常被忽略的成本：提示词工程和效果调优。一个场景从 POC 到稳定可用，通常要 4-8 周迭代，这部分人力成本 5-15 万。
不能把控制权交给模型的四个理由
- 不可解释：模型为什么这么判断，说不清。出事故要追责，没人能签字。
- 不确定性：同样的输入可能给不同输出。工业控制要求确定性。
- 幻觉：模型会编造不存在的设备编号、参数值。在控制链路上这是致命的。
- 延迟：一次推理几百毫秒到几秒，实时控制要求毫秒级。
正确的架构：模型在旁路，不在主路。数据采集、控制执行、安全保护走确定性链路（PLC、规则引擎、硬件联锁），模型只在旁路做分析、建议、生成文本。人可以采纳模型的建议，但采纳动作由人触发。
从哪个场景开始
建议顺序：告警降噪 → 报告自动生成 → 知识问答 → 自然语言查数 → 工单填写。
理由：告警降噪见效最快、最容易量化（告警量降了多少），而且不涉及对外交互，风险最低。报告生成是纯文本工作，几乎不会出错。知识问答需要知识治理，周期长但价值持续。查数和工单依赖前面的数据治理基础。
不要一开始就做「AI 大脑」式的整体方案。按单场景做，每个场景 4-8 周出效果，用效果换下一期的预算。
下一步
大模型是加分项，不是基础。平台本身的数据采集、告警、工单没做好，接了大模型也没用。看物联网平台自建还是买了解基础能力的评估方法，看数据可视化大屏的成本了解分析结果怎么呈现。
要估算含 AI 能力的整体项目预算，用物联网项目报价测算器，把「AI 分析模块」单独列项。行业侧看安防一体化，AI 视频分析是这个领域最成熟的落地场景。