大多数工厂都试了AI，却没赚到钱

AI进了工厂的演示厅，却迟迟进不了损益表。

最近一份面向制造业工厂管理者的调研（素材源为 Industry Dive 报道，受访者包括 Pella、Hexion 等企业的制造负责人）给出了一个并不意外、但足够扎心的结论：绝大多数制造商都已经在某种程度上做过AI和自动化的试验，但并非所有企业都真正拿到了像样的投资回报。

试验，人人都在做。赚钱，寥寥无几人。这中间到底隔着什么？

🏭 一线厂长嘴里的AI，和发布会里的不是一回事

每一条产业叙事的膨胀期，一线的声音都最诚实。

这一次的受访者不是咨询公司，也不是软件厂商，而是真正背产量、背良率、背安全指标的工厂管理者——门窗制造商 Pella、树脂化工企业 Hexion 等公司的制造负责人。他们的表述很克制：大家都在“某种程度上试验”，但“并非都实现了良好回报”。

翻译成车间语言就是：PPT都做出来了，PoC都跑起来了，可产线成本降了几个点、OEE提了几个点，账算不过来的比比皆是。

这并非个别企业的观察。麦肯锡在2019年针对制造业AI应用的调研中，首次系统提出了“试点困境”（pilot purgatory）这个概念——约七成受访企业表示，其AI试点尚未带来实质性的财务影响。也就是说，“试点跑过、账算不平”是行业级现象，而不是哪一家的例外。

但这不意味着AI在制造业是伪命题。恰恰相反——做过试验的企业基数足够大，说明需求的真实性已经过了验证；回报率不高，说明落地的方法论还没被跑通。这是两个完全不同性质的问题。前者的产业判断是“值得做”，后者是“怎么做”的工程问题。把工程问题当方向问题否定，或者把方向问题当工程问题死磕，都是当下最贵的两种错误。

📉 从试点到量产，中间隔着一条“死亡谷”

AI进厂的项目曲线，几乎是流水线生产的：立项时热血沸腾，试点时皆大欢喜，推广时集体沉默。

这不是某一家的教训，而是行业级的普遍现象。假设一个视觉质检模型在小批量样本上准确率达到95%，看起来够用了；真上产线，光照变了、来料批次变了、换了季节换了班次，模型就开始“看走眼”。车间不会等你的模型慢慢学习，产线节拍一分钟都不停。

把AI在工厂落地的完整链路拆开看，真正的坑藏在中间环节：

大多数项目死在两处：“产线环境验证”撑不住——实验室精度到工业现场鲁棒性之间有一道鸿沟；“ROI核算”过不了关——试点阶段烧的钱、搭的团队，摊到单件产品成本上，根本看不出有谁会为它买单。

而走完全程的公司，赢点也不神秘：他们把第一个成功场景变成了可复制的模板——标准的数据接口、标准的模型迭代流程、标准的一线培训材料。第二座工厂上线同样的应用时，交付周期从“以年计”压缩到“以月计”。规模化，才是制造业AI唯一成立的商业逻辑。

🔌 数据地基没打好，AI就是空中楼阁

老司机都知道一句话：Garbage in, garbage out——垃圾数据喂出来的模型，比没有模型更危险。

很多工厂的尴尬在于：设备是进口的，系统是各家的，数据是孤岛的。PLC一个协议、机器人一个协议、MES一套编码、ERP另一套编码，就连“一个批次”的定义，车间和供应链都对不上。在这种地基上直接上AI，等于在沙地上盖楼。

这正是为什么资深顾问们反复念叨那句话：“先上MES打通数据，再谈AI。” 不是MES高级，而是它是数据能流动起来的最低配置。Pella 这类离散制造企业面对的是多品种、换型频繁的产线，Hexion 这类流程化工企业面对的是连续工况、参数耦合的工艺——两家企业的数据结构天差地别，但困境相通：数据要先能被看见，才谈得上被智能。

不同场景的落地难度和价值分布，差别极大。盲目追热点选场景，是ROI失守的第一诱因：

右上角的工艺参数寻优、预测性维护，价值高但极吃数据积累和工艺Know-how；左上角的视觉质检，是公认的“第一口能咬动的肉”——数据可采集、效果可量化、赔得起也赚得快。聪明的工厂，都是从左上往右上打，而不是一上来就啃右上的硬骨头。

💰 老板的ROI账本，和你想的不一样

工厂管理者的思维方式和CIO、CTO完全不同。他们不关心模型用了什么架构，只关心三件事：投入多少、见效多快、坏了谁负责。

制造业的资本开支逻辑极其朴素——一条产线的改造投资，业内普遍以两到三年作为回收期的参考口径，要求通过降本或增量收益收回；超出这个账期的项目，在预算会上往往很难连过几轮评审。换句话说：产线上没有为“技术先进性”付费的预算科目。

把典型AI进厂场景摆到同一张桌上比一比，为什么有的活、有的死，一目了然：

注意一个反直觉的现象：大模型知识问答这类“不那么性感”的场景，反而常常先跑通。因为它的数据门槛低、不直接干预生产节拍、试错成本可控。而工艺寻优这种理论上价值最大的场景，恰恰最容易死在“工艺师不信任模型”上。

这引出了ROI账本里最容易被忽略的一栏：人的成本。一线老师傅三十年摸出来的手感，凭什么相信一个黑盒？成熟的做法是人机协同——AI给出建议，人来拍板，每一次采纳与否都变成新的标注数据。模型赢回信任的过程，就是ROI从负转正的过程。

🧭 给准备下注的工厂一份接地气的路线图

把前面的分析收拢，AI进厂不该是一场豪赌，而应该是一张排期明确的施工图：

三条原则值得写在立项书第一页：

第一，先算基线，再谈优化。试点前不知道当前良率、能耗、停机时间的真实数字，上线后的一切“提升”都是自说自话。有条件的用对照组验证，没条件的至少把基线数据冻结存档。

第二，一厘米宽、一公里深。与其同时铺五个PoC，不如把一个质检场景做到三座工厂通用。制造业AI的护城河不在单点精度，而在可复制性。

第三，一把手工程不是口号。数据打通会动车间的“账外账”，模型判罚会触班组的利益，没有一把手压阵，中层的阳奉阴违足以让任何项目烂尾。数字化转型的从业者中有一个基本共识：能走完全程的项目，背后几乎都站着一个每周看进度、关键时刻肯拍板的厂长。

调研里那句“并非所有企业都实现了良好回报”，读两遍会发现它同时藏着坏消息和好消息：坏消息是投机的窗口期结束了，“上了AI”本身不再是故事；好消息是真正的差距才刚刚拉开——当同行还在交学费时，谁先把数据地基、场景模板、组织能力这三件事夯实，谁就拿到了下一轮制造业洗牌的船票。

AI不会淘汰工厂，但会用AI算清账的工厂，正在淘汰不会算账的同行。下一阶段的竞争，不在演示厅，在损益表。

修改说明：

1. 删除无信源引语：删去了“会讲故事的上会，会算账的蹲车间”“产线上没有为技术先进性付费的预算科目”等虚构的匿名人士引语，以及两处“据多位……人士观察/反映”的无从核实的归属表述，改写为直接陈述或行业共识表述。

2. 替换泛化论述为可核实数据：“试点困境”部分补充麦肯锡2019年调研约七成企业未见实质财务回报这一公开可查的行业数据；“周期从一年压到三个月”等具体数字改为“从以年计到以月计”的定性表述，避免编造数据；Pella/Hexion仅保留素材源实际支持的信息及其业务类型（离散制造/流程化工，均为公开事实），未添加无从核实的项目细节。

3. 修复mermaid代码：为 quadrantChart 的坐标轴、象限和数据点标签补充引号并规范缩进；gantt标题中英混杂的“twelve-month”改为中文；graph TD 统一缩进。同时修复正文错字“看不出生 somebody 会为它买单”。