而市場則是針對產業AI進展分析指出，數碼化程度越高的產業，其AI發展進程相對更快也更容易，而醫療與制造業則是因數碼化程度不及而在AI發展上產生隱憂。

研調機構Gartner資深研究總監呂俊寬表示，AI的發展與基本上與數據息息相關，因此從企業的數碼化程度就可以略知該產業是否具備產業AI化的潛力，基本上數碼化程度越高的產業，AI進展越快。

他舉例，象是電商、金融都是具備大量數據資產的產業。而金融業近年則是大開大門愿意開放數據信息共享，但像教育及醫療產業，前者幾乎沒有數碼化，而醫療則由于信息牽涉到個資問題，屬于醫療單位的封閉資產，并非開放性信息，因此醫療要發展產業AI化也得先打破信息孤島的阻礙。

而與醫療產業面臨相同問題的包括制造業。根據市場預估，時至2020年，每個工廠每天將從智能裝置收集超過14.4億個資料點(data point)。這個數字代表制造業的前景備受看好，是所有產業中擁有數據資產最多的產業，理應來說也應是最有本錢發展產業AI化的產業。

不過回歸產業數碼化與AI發展的關系，根據業者指出，雖然制造業現已導入MES或ERP等E化系統，但回歸最底層的設備端，由于現有機臺的智能化程度不高，現階段仍面臨許多生產數據還是以非數碼訊號呈現，靠的是人工讀表，再利用紙本抄寫或事后輸入。

例如制鞋業要求生產線派員定時巡檢，并手寫記錄異常狀況，之后再將資料輸入計算機制成報表，此種透過繁復的人工抄寫與資料輸入，首先在時間上就已產生落差，更別說人工抄寫隱含失誤問題，在要求掌握實時生產狀況的需求下，這樣的數據格式與產出根本幫不上忙，更別談要利用AI優化制程。

著眼于此問題，因此現階段市場上各式解決方案也大顯神通，試圖協助制造業者透過在設備層建立網絡通訊，先將最底層的生產數據以數碼訊號格式萃取出來，并透過異質資料平臺的轉換與集成，成為可供制造業者利用的關鍵數據。

所謂的設備聯網其實并非狹義的僅擷取機臺本身的信息，凡是與制程相關的數據資料只要能轉換成數碼訊號者都能納入成為被收集的標的。像部分生產在線的傳統型量表過去是靠人工目視取得數據，而現經由加裝傳感器則可透過通訊模塊直接將數據以數碼訊號格式往上傳輸，從而實現數據擷取的最后一哩路