制造業朝向智能制造進行升級轉型，已經是目前產業界多數業者的共識，也已經有許多業者開始針對既有的產線或新規劃的產線，著手設置傳感器并從事數字化與網絡化的更新及建置。
不過，隨著機臺設備搜集的數據越來越多，如何將數量龐大的數據轉化成具有實際效益的信息，開始成為業者往智能制造轉型上的新挑戰。
依據業界通用工業4.0的5C成熟度模型，工業4.0依照成熟度由低而高大致可分為五個階段，分別是通過物聯網完成機器對機器(M2M)的連結與協作，并擷取數據的設備連結(Connect)；通過打造大數據平臺及邊緣運算，將前一階段中萃取的數據加以分析、運用的數據轉換(Convert)；再進一步提供生產數據可視化與預測模擬的模擬預測(Cyber)；之后導入人工智能(AI)學習平臺，讓工廠成為可以自我診斷、自主修復、自動排程，并具有認知性的智能工廠(Cognitive)；以及最終達到可以從事小批量客制化制造與軟件定義，并能自動配置的動態客制(Configure)價值鏈平臺。
目前從事的數字化與網絡化建置，與前二階段較為相關，前一段時間包括臺達電子、研華、新漢等業者，開始與SAP、鼎新、東捷等業者展開跨業合作，則是希望能將在信息科技(IT)與操作科技(OT)的信息進行整合，借此邁入第3階段，進行數據可視化，及預測模擬等功能。
因為單純的搜集及顯示從作業機臺上搜集到的數據，其實對智能制造的貢獻度有限，因為單純的數據，如果沒有進行后續的分類、管理與分析，最終只會成為數據垃圾。通過IT與OT的結合，擷取適當的現場生產數據，與運營端的信息進行整合，才能為運營者在決策時提供有效的信息。
不過，想要真正達到工業4.0的最終境界，也就是直接為小批量客制化產品，進行上下游的自動配置的動態價值鏈，光是進行數據可視化，或預測模擬是不夠的。目前，雖然像是富士康的燈塔工廠，已經可以讓工廠本身部分制程進行自主運作，具備了第四階段的雛形；不過要達到動態配置，由于涉及到AI學習平臺建置，及更復雜的供應鏈、物流、市場等面向的數據搜集、分析、預測與管理，則都還有一段路程需要再發展。
業者認為，想要達到完全成熟的工業4.0最佳化階段，最重要的關鍵在于AI的部分，雖然目前AI相關的工具很多；不過，不同的產業或需求，都需要建立不同的模型，而且建模的過程也不是一蹴可幾，不僅要有充分、可靠的數據，模型本身也必須要不斷的訓練及修正。對許多才進入數字化與網絡化階段的業者而言，確實還有相當長的一段路要走。
目前制造業界對于轉型往智能制造發展，都已經有所共識，而且工業4.0也逐步進入導入期；雖然距離達到導入AI，進行小量客制化生產的成熟境界，還有相當長的路要走。但是，產業界愿意跨出第一步，之后才會有希望逐步邁進。扎實的做好數字化、網絡化的工作，進行正確的數據搜集，也是為之后要再導入AI應用時，作為提供大量、有效數據的基礎。