一个不该被忽视的数字
先说一组让HR头疼的数据。2025年某招聘平台统计，工业互联网相关岗位中，标注”既需工业背景又需数据分析能力”的复合型岗位，平均薪资比纯IT开发岗高18%-32%。但投递人数只有纯IT岗位的四分之一。开出30万年薪招一个”懂冶金工艺的数据工程师”，挂了三个月，收到的简历没有一份同时满足两个条件。
不是人才不够。是能同时说两种”语言”的人太少了。
IT人和OT人，互相看不上
这事儿挺无奈的。工业互联网本质上要打通IT（信息技术）和OT（运营技术）两个世界，但这两个世界的从业者，思维方式完全不同。
IT人看数据——关注数据量、架构、接口规范、系统性能。他们觉得数据就是数据，存储和查询是标准问题，什么行业的无所谓。你让他去理解一个高炉的温度-压力-风量关系，他觉得”这不就是几张表join一下”。
OT人看数据——关注工艺机理、设备状态、操作经验。他们干了二十年炼钢，高炉是否正常全凭经验和几组关键参数的趋势。你让他写SQL查数据，他说”我连Python都不会，你给我看代码？”
两边对不上话。IT团队做的数据看板，OT团队觉得”花里胡哨看不懂”；OT团队提的需求，IT团队觉得”说不清楚怎么做”。最后做出来的系统，IT觉得功能都实现了，OT觉得不好用——然后系统就搁那儿了。
某中型化工厂的信息化主管跟我吐槽过：”我们花了两百万请人做能耗分析平台，功能做出来了，但车间的老师傅不用。问他为什么不用，他说’你那个屏幕上的数字我知道，但我更相信自己眼睛看到的火焰颜色’。”
这就是翻译缺失的代价。
“翻译官”到底翻译什么
说准确点，”翻译官”不是一个岗位，是一种能力——在工艺问题和数据问题之间做双向翻译的能力。
工艺到数据的翻译：老师傅说”这段时间高炉不太顺”，翻译官要把”不顺”转化成可量化的数据指标——透气性指数下降、压差波动增大、风口前温度异常。这个转化不是简单映射，需要对冶炼工艺有深度理解。
数据到工艺的翻译：数据平台跑出一条告警”2号风电机组齿轮箱振动频谱出现啮合频率倍频分量”，翻译官要解释给运维的人听：”齿轮可能有早期磨损，建议下次定检时重点检查齿面”。运维的人不懂频谱分析，但他懂”检查齿轮”。
这种双向翻译能力，不是学几天Python就能掌握的。它需要同时具备两个知识体系——工业工艺的领域知识和数据分析的技术能力。市场上这种人才极度稀缺。据中国信通院的测算，2025年工业互联网领域的人才缺口超过300万，其中复合型人才缺口占比超过40%。
培养误区：学了Python就以为转型了
企业也不是不想自己培养。但大部分企业的培养方式有问题。
最常见的做法：选几个OT工程师，送去参加Python培训班，学一个月回来就算”数字化转型完成”了。结果呢？学完了基础语法，写不出一个完整的数据分析脚本。因为从”会写for循环”到”能做工业数据分析”之间，还隔着统计学、机器学习、数据可视化、工业机理建模一大段路。
更深层的问题是，培养方向搞反了。很多企业试图把OT人培养成IT人——教编程、教Spark、教机器学习框架。这条路太长，成功率很低。正确的方向应该是降低IT门槛，让OT人能用工具而非写代码来做数据分析。
人才类型 | 核心能力 | 培养难度 | 稀缺度 | 典型薪资区间 |
纯IT工程师 | 开发、架构、数据库 | 中（科班供应链充足） | 低 | 15-25万 |
纯OT工程师 | 工艺操作、设备维护 | 高（需要长期现场经验） | 中 | 12-20万 |
偏IT复合人才 | 数据分析+少量工业知识 | 较高 | 较高 | 20-35万 |
偏OT复合人才 | 深度工艺+数据分析能力 | 极高 | 极高 | 25-40万 |
翻译型人才 | 工艺-数据双向转化能力 | 极高（需轮岗+项目积累） | 极度稀缺 | 30-50万 |
两条靠谱的培养路径
既然外部招聘招不到，就得自己养。有两条路径被实践证明是可行的。
轮岗制。 山东某大型化工集团的做法值得参考。他们每年选5-8名OT工程师（5年以上现场经验），轮岗到IT部门6个月。不是去学编程，而是参与真实的数据分析项目——从需求理解、数据提取、分析方法选择到结果汇报全程参与。6个月后回到车间，用数据工具辅助日常工艺管理。两年下来，这批人成了车间里”既懂工艺又能在系统里查数据”的关键角色。
关键在于，轮岗期间不需要他们学会写代码。他们学的是数据思维——知道什么问题可以用数据回答，怎么提数据需求，怎么解读分析结果。写代码的事交给IT团队。
项目制。 比轮岗制更轻量但更聚焦。不脱离原岗位，但安排到跨部门的数据项目中担任”业务专家”角色。项目过程中，OT人和IT人一起工作，OT人负责讲工艺逻辑、定义数据需求、验证分析结果，IT人负责技术实现。做完一个项目，OT人对数据的能力边界有了认知，IT人对工艺有了理解。
这两种方式的核心思路是一致的：不追求把OT人变成IT人，而是在实战中培养”翻译”能力。
工具选择有反作用力
很多人忽略了一个事实：你选什么工具，就决定了你需要什么样的人。
如果平台的数据查询需要写Python或Scala代码，那OT人就永远只能提需求、等IT人实现。沟通成本高、响应慢、需求经常被曲解。最终的结果是OT人放弃自己查数据，所有数据需求堆在IT团队，IT团队忙不过来，需求积压，OT人觉得系统没用——恶性循环。
反过来，如果平台的数据接口是标准SQL呢？SQL对OT人来说学习门槛低很多。一个有工科背景的人，学基本的SELECT-FROM-WHERE语句，一周就够了。复杂的查询有模板可以参考，不需要从头写。这样OT人就能自己查设备运行数据、自己做一些基础分析、自己验证假设，不需要每次都排队等IT。
工具选对了，人才问题就缓解了一半。这比送人去培训班有效得多。
结语
工业互联网的人才困境，说到底不是一个”缺人”的问题，是一个”缺桥”的问题。IT和OT之间缺一座桥，而造桥的人既要懂这头又要懂那头。
别指望从人才市场直接招到现成的翻译官。这种人不流通——真正有这个能力的人，在企业内部太重要了，走不掉。务实的做法是降低工具门槛、建立轮岗机制、在实战中养人。当OT工程师能用标准SQL从数据平台里自己查数据、自己做基础分析的时候，他就已经是一名翻译官了。TDengine作为AI原生工业数据平台，用SQL作为核心查询语言，让工艺工程师不用学复杂的编程框架就能直接用数据回答工艺问题。降低门槛这件事，比培养全能人才更现实，也更有效。
