🏢 公司C档 · NaN分

工厂老板开始对AI祛魅

··约1分钟阅读

📋 总体概括

Pella、Hexion等制造企业负责人集体发声:绝大多数工厂都试过AI与自动化,但真正算回投资账的并不多。本文拆解ROI分化的场景逻辑、冰山下的数据与Know-how根基,以及从试点到规模化的组织关卡,判断工厂AI已进入实用主义周期。

📄 正文

试点轰轰烈烈,回本冷冷清清。

最近,Pella、Hexion 等一批制造业企业的负责人在行业访谈中集体亮了底牌:绝大多数制造商都已在不同程度上试验过 AI 与自动化,但——真正拿到良好投资回报的,并没有想象中那么多。这句话听起来平淡,实则是一记闷棍:它意味着工厂管理层对 AI 的态度,正在从「要不要上」的叙事狂欢,转向「在哪上、怎么上、账怎么算」的实用主义拷问。

这不是 AI 的失败,而是工厂的祛魅。

🏭 试点遍地都是,回本的没几个

金句开场:工厂里最不缺的就是试点,最缺的是能复制的试点。

场景是这样的:过去两年,几乎所有像样的工厂都立项过 AI——视觉质检、预测性维护、能耗优化、文档问答,PPT 一套比一套漂亮。Pella 做门窗制造,Hexion 做树脂与特种化学品,两家分属离散制造和流程化工,情况迥异,但他们的负责人在访谈中给出的判断惊人一致:大家都在试,只是不少人还没把投资赚回来。

从素材披露的事实看,两个关键点值得划线:其一,「most manufacturers have experimented」——试验渗透率已经不是问题,AI 在制造业的「认知普及」阶段基本完成;其二,「not all have yet realized a good return」——注意措辞,是「还没实现」,不是「实现不了」。这里面藏着时间差,也藏着分化。

这种「普遍试验、普遍未达回报」的格局,并不缺外部数据的佐证:

  • 麦肯锡《The State of AI》2025 年 3 月版调查显示,78% 的受访组织已在至少一个业务职能中使用 AI,但超过 80% 的受访者表示其组织的生成式 AI 尚未带来可感知的 EBIT(息税前利润)影响,且只有约 1% 的高管认为自己公司在部署成熟度上达到「成熟」水平(McKinsey, The State of AI, March 2025)。
  • 咨询公司 Gartner 在 2024 年 7 月发布预测:到 2025 年底,至少 30% 的生成式 AI 项目将在概念验证(PoC)后被放弃,原因包括数据质量不佳、成本攀升、风险控制不足或商业价值不清晰(Gartner 新闻稿,2024 年 7 月 29 日)。
  • 兰德公司(RAND)2024 年发布的报告《The Root Causes of Failure for AI Projects》引述行业调查指出,AI 项目的失败率超过 80%,远高于普通 IT 项目约 50% 的失败率(RAND Corporation, 2024)。

把这些数字放回工厂语境,「试点多、回本少」就不是传闻,而是可查证的行业现状——它意味着淘汰不是个案,而是这一代工厂 AI 的默认底色。一个可以观察到的现象是(作者推断):不少 AI 项目在季度复盘会上被悄悄归入「暂停」栏而非「失败」栏,没人愿意第一个承认花了钱没效果,但预算在下一年度悄悄缩了水。

产业逻辑很清楚:当渗透率接近饱和,行业的竞争焦点就不再是「有没有」,而是「谁先把试点变成产线上的常驻能力」。ROI 的分化,就是下一轮洗牌的分水岭。

📊 ROI 分化,根子大多在选错了场景

金句开场:选场景的失误,是 AI 项目最大的隐性成本。

为什么同样是上 AI,有的工厂算得平账,有的却成了沉没成本?把制造业常见的 AI 应用拉一张四象限图,规律立刻浮现:

左下角的文档问答、报表自动化,门槛低、见效快,但商业价值也薄——它能省几个文员的工时,省不出一条产线的良率。真正决定 ROI 的,是右上角的视觉质检、排产优化和工艺参数优化:这些场景直接咬合在质量、交付和能耗这些「值钱」的指标上,但技术门槛也陡然抬升。

高价值场景的回报上限,是有公开数据可循的。以预测性维护为例,德勤(Deloitte)在《Predictive Maintenance and the Smart Factory》研究中的测算被广泛引用:有效的预测性维护可使故障停机减少约 30%–50%、维护成本降低约 10%–40%(Deloitte, 2017)——这些正是产线账本上「值钱」的那几行。与之相对,BCG 长期跟踪研究显示,约 70% 的数字化转型未能达成既定目标(BCG, 2020),而差距大多不在技术选型,而在价值定义与落地路径。

很多工厂的失误恰恰在于路径倒挂:先从左下角做起,尝到了「见效快」的甜头,于是误以为 AI 落地很容易,等真的冲到右上角,才发现工艺 Know-how、数据质量、产线稳定性样样都是坑——钱花在了学习曲线上,账自然算不平。

Hexion 这类流程化工企业对此体会更深:流程工业的参数空间复杂,AI 一旦做通工艺优化,价值极大;但反过来,数据没治理好就上模型,等于在沙地上盖楼。场景选择和自身数字化底座的匹配度,比模型本身先进与否重要得多。

🧱 冰山之下:数据、Know-how 与流程重构

金句开场:工厂里的 AI,水面之上是模型,水面之下是命。

把一个「成功落地」的 AI 项目刨开看,露出水面的部分光鲜,水下部分才是决定成败的体积:

工厂AI项目的冰山结构
显性成果:质检效率提升、报表与文档自动化、能耗与良率的可量化改善
~ 水面线 · 大众看得见的部分到此为止 ~
数据采集与治理:产线数据打通、清洗与标注,往往占总投入的大头
工艺Know-how数字化:老师傅经验转成模型可学的数据资产,最慢也最难
流程与组织重构:AI输出要嵌入排产、质检的实际决策链,而非旁挂大屏
一线人员再培训:操作与维护习惯的改变,决定系统能否长期运行

素材里那句「大多数企业都试过,但并非都拿到好回报」,背后正是冰山比例的失衡:很多项目把预算押在了水面之上——买算法、搭平台、开发布会;水面之下的数据治理、Know-how 沉淀、流程改造却投入不足。RAND 的报告把 AI 项目失败的首要根因归结为「对问题的理解不足」与「数据/技术底座准备不足」,而非算法本身(RAND Corporation, 2024),这与冰山结构的观察相互印证。结果模型上线三个月,产线换了一批原料、改了一个模具,模型没跟上了,就慢慢没人用。

这也是我对「not all have yet realized a good return」这个判断的另一层解读:回报迟到,很多时候不是方向错了,而是水下工程还没挖完。 Gartner 那「30% 项目死在 PoC 之后」的预测,死因清单里排在前面的正是数据质量与价值不清(Gartner, 2024)——工厂管理层真正该警惕的不是「AI 没用」,而是「水下预算被砍光」,那才是真正的死局。

⚙️ 从单点到产线,组织才是最后一关

金句开场:AI 项目死在技术上的少,死在组织上的多。

一个 AI 能力要从单个试点走到整条产线、再走到多个工厂,路径大致是这样:

这条链上每一环的淘汰率都不低。Pella 这类多工厂离散制造企业面临的问题是:一个工厂跑通的质检模型,搬到另一个工厂,光照、夹具、产品型号全变了,模型要重训,数据要重标——「复制」远不是拷贝文件夹那么简单。Hexion 的流程工业则是另一番景象:单套装置打通后复制性强,但每一步工艺改动都要过安全与合规审查,节奏快不起来。

更要命的是组织缝隙。IT 部门懂模型不懂工艺,工艺部门懂产线不懂数据,运营部门只认 KPI——AI 项目夹在中间,谁的预算、谁背指标、谁担风险,往往扯到试点窗口期耗尽。行业里流传一句糙话:「工厂上 AI,三分技术,七分开会。」(这是作者基于行业观察的个人概括,非统计数据)但它指向的却是可查证的规律:麦肯锡对生成式 AI 的研究显示,决定 EBIT 影响的往往是工作流再造与组织适配,而非模型能力本身(McKinsey, Seizing the Agentic AI Advantage, 2025)。

产业逻辑在这里收敛为一点:规模化不是技术问题,是把 AI 塞进现有决策链和组织流程的工程问题。 谁先把这件事制度化——有专门团队、有清晰 ROI 口径、有跨部门闭环——谁就先拿到复利的入场券。

💡 工厂要的是账本,不是神话

金句开场:制造业对 AI 的信任,是一次一次算账算出来的。

把主流场景的落地画像摆到一张表上,工厂管理者的决策参考其实已经清晰(表中「典型见效周期」为作者基于 Deloitte、Gartner、McKinsey 等公开研究的综合推断,供参考):

应用场景技术门槛ROI 确定性典型见效周期适合的切入点
文档知识问答低中数月内快速见效、建立信心
报表自动化低中数月内轻量试点
视觉质检中较高半年到一年质量痛点明确的产线
预测性维护中中一年左右设备故障损失大的场景(参考 Deloitte 测算:停机可减 30%–50%)
排产优化较高较高一年以上交付压力大的多品种产线
工艺参数优化高高但慢一年以上数据底座扎实的流程工业

把这张表和 Pella、Hexion 负责人的判断放在一起看,结论不复杂:AI 在工厂里的扩散曲线,正在从「信息扩散」切换到「价值扩散」。前一个阶段比的是谁先上马,后一个阶段比的是谁的场景选得准、水下工程挖得深、组织跑得通。行业访谈里那句「还没实现良好回报」,与其读成泼冷水,不如读成一种成熟的标志——工厂终于开始用对待设备投资的方式对待 AI:算折旧、算良率、算停机损失。

我认为,接下来一年,制造业 AI 的关键词不会是「更大模型」,而是「更准的口径」:ROI 怎么定义、成本怎么摊、复制的边际成本怎么降。把这三个口径统一了,那些还在「暂停」栏里的项目,才会真正回到产线上。

小结

Pella 与 Hexion 等企业的集体发声,戳破了制造业 AI 的最后一层叙事泡沫:渗透率已经不缺,缺的是可复制、可算账的回报——这一判断与麦肯锡「78% 已采用、80% 未见 EBIT 影响」、Gartner「30% 项目止步 PoC」的公开数据高度一致。场景选择决定 ROI 上限,数据与 Know-how 的水下工程决定成败,组织能力决定能否规模化——三者缺一,项目就停在「试点」这一栏。祛魅不是退潮,而是这场变革真正进入深水区的标志:当工厂开始用账本投票,AI 供应商的日子会难一点,但制造业的智能化,反而会更结实一点。

参考信源

1. McKinsey, The State of AI(2025 年 3 月):78% 组织已在至少一个业务职能使用 AI;超 80% 受访者称生成式 AI 尚未带来可感知 EBIT 影响;约 1% 高管认为部署达到「成熟」。

2. Gartner 新闻稿(2024 年 7 月 29 日):预测到 2025 年底,至少 30% 生成式 AI 项目将在概念验证后被放弃。

3. RAND Corporation, The Root Causes of Failure for AI Projects(2024):AI 项目失败率超过 80%,首要根因为问题理解不足与数据底座薄弱。

4. Deloitte, Predictive Maintenance and the Smart Factory(2017):预测性维护可使停机减少约 30%–50%、维护成本降低约 10%–40%。

5. BCG(2020):约 70% 的数字化转型未能达成既定目标。

6. Pella、Hexion 负责人行业访谈素材(「most manufacturers have experimented」「not all have yet realized a good return」)。

本文由本站 AI 辅助聚合生成,原始来源如下:

🔎 本文基于以下资讯(素材溯源 · 信息来源)