工业物联网(IIoT)将原本独立编程的各种装置，全结合在同一个智能网络系统。这些系统通常具备实时运算、数据互连、资安整合、高性能、可靠、可扩充等能力。由于当前采用的云端解决方案仍有不少限制，因此有越来越多先进且高价值的IIoT使用案例，开始从云端转向雾计算(fog computing)。
Embedded Computing Design报导指出，IIoT的演变，根据数据互连性与人工智能(AI)程度的不同，可分为监控、优化与自主性三个层级。监控包含了等预测性维修、资产追踪等资产绩效管理工作。这个层级的数据只是从边缘流向后端云端或控制中心，彼此间并未产生互连性。人工智能与先进分析都只在后端运行。
这个层级的使用案例重点，在于流程的优化，也就是利用传感器撷取的数据，监控并改进整个工业流程。随着传感器使用数量提升，为减少传输至后端的数据量，系统开始产生边缘分析的需求，而边缘分析也将持续提升流程的P2P数据互连性。如此一来，IIoT系统便具备数据互连性与分层的运算功能，而这都需有雾计算的支持。
进入自主性层级的IIoT，主要利用AI管理系统，不再需要人为介入。各项决策权与控制将依据反应时间要求与数据规模，分配到IIoT系统的不同阶层。这个层级的实时数据会在各个运算节点间移动。如果没有雾计算，系统便不可能拥有自主性，而透过雾计算，业者便能开发出更有弹性、韧性的自主化系统。
举例而言，离岸风力发电农场引进物联网技术后，每座风力发电机内的数据总线(databus)便可在各个运算节点的分析与控制应用间进行数据分享。当安装在某一座风力发电机的传感器侦测到风向或风力变化时，便可通知其他下风处的风力发电机做出调整，以维持整座风力发电农场的稳定输出。
发电农场的数据也可在传回至后端的控制中心后，与气象、整合业务系统等其他服务结合，产生长期的预测及分析数据。监控层级的IIoT并无部署雾计算的必要，但对于优化使用案例而言，雾计算可说是十分理想的功能;对于自主性使用案例，雾计算更是关键。
以Linux容器等灵活的运算框架有助于简化AI应用的部署与管理，而数据分布式服务(DDS)等连网标准，是优化与自主性使用案例达成数据互连性不可或缺的基础。
