150位制造高管，把AI的底牌摊开了
📋 总体概括
Xometry对150位制造业高管的调查显示，AI影响最大的不是炫酷的机械臂，而是可制造性分析和成本核算这两个「算账」环节。企业加速拥抱AI与自动化，但相关岗位却最难招人。本文拆解这组矛盾背后的产业逻辑。
📄 正文
AI进车间，第一刀砍的不是产线，是报价单。
Xometry 最近发布了一份针对150位制造业高管的调查，结论相当反直觉：被点名为AI影响最大领域的，不是大家想象中的机器人调度、黑灯工厂，而是两个朴素到近乎「记账」的环节——可制造性分析和成本核算。与此同时，调查还确认了两件事：企业在加速采用AI和自动化工具；但与此相关的人类岗位，恰恰是最难招满的。
一边是AI渗透越来越深，一边是会用AI的人越来越缺。这组矛盾，才是这份调查真正值得咀嚼的地方。
📊 高管们的答案，打脸了太多PPT智造
金句先行：制造业选AI，从来不看概念，只看能不能算清一笔账。
先看这份调查本身。样本是150位制造业高管，属于典型的决策层视角调研。当被问到AI影响最大的领域时，答案集中在两个方向：
- 可制造性：一个设计能不能被现有工艺稳定、经济地做出来；
- 成本核算：一个零件、一张图纸、一张订单，到底该报多少钱、花多少钱。
把这两个答案放在一起看，信息量很大。它们都不是产线上的「体力活」，而是发生在设计端与商务端之间的「脑力活」——恰恰是过去最难数字化、最依赖老师傅经验的部分。
一位跑过多家工厂的实施顾问私下聊过一句大实话：客户上一套系统，PPT里全是数字孪生和元宇宙，落地验收时问的永远是「能帮我少算错几个价、少改几版图」。
| 调查维度 | 核心发现 | 产业含义 |
|---|---|---|
| AI影响领域 | 可制造性、成本核算 | AI从「炫技环节」退回「算账环节」 |
| 技术采用 | AI与自动化工具持续加速渗透 | 技术供给已不是瓶颈 |
| 人才状况 | 相关人类岗位最难填补 | 技能断层成为落地新瓶颈 |
换句话说，这150位高管用投票的方式承认了一件事：制造业的AI，正从讲故事阶段进入算账阶段。
💰 为什么是报价和图纸，而不是机器人
金句先行：车间里最贵的不是设备，是「改一版图」和「报错一个价」。
先说可制造性。任何一个做过新品导入的人都知道，图纸从设计部门流向工艺部门，中间隔着一条巨大的经验鸿沟：孔位打不打得出来、壁厚够不够、公差标注是否合理、现有设备能不能加工——这些判断过去全靠工艺工程师一颗颗看。一张复杂图纸的评审，动辄消耗资深工程师数小时，返工一轮就是一个迭代周期的损失。
再说成本核算。定制化制造行业有个老大难：同一张图纸，不同的人报价能差出一大截。材料、工时、刀具损耗、良品率折算，每一项都带不确定性。报高了丢单，报低了亏本，这是所有接非标订单的企业的日常搏杀。
AI恰恰在这两处有天然优势：输入是结构化的图纸和参数，输出是判断和数字，且企业手里积累了大量历史订单数据可以训练。 相比之下，让AI去实时调度一台老设备，先得解决数据采集、协议打通、现场扰动一大堆脏活，投入产出周期完全不在一个量级。
这张定位图解释了高管们的选择：可制造性和成本核算处在「难度低、价值高」的第一象限，是理性决策者的必然首选。至于全厂数字孪生这种投得多、见效慢的方向，反而落在了角落里。
不是AI不够强，是制造业的钱包和耐心只够先买「确定性」。
🏭 落地逻辑：按需制造平台跑通了这条路
金句先行：谁先被AI报价逼过，谁就先懂AI该用在哪。
值得注意的一个背景是，Xometry 本身就是按需制造模式的代表玩家——客户上传图纸，平台快速给出报价并匹配产能。这种商业模式意味着，报价和可制造性评估是它的「看家饭碗」，每天要处理海量图纸和询价请求。由这样一家公司发起调查，得出的结论带有强烈的「一线验证」色彩：不是想象AI能用在哪，而是亲眼看着AI在哪真省了钱。
对传统制造企业来说，这份调查的参考价值在于一条清晰的落地路线：
这是一个会自我强化的飞轮：数据和订单喂养AI，AI提升报价速度与准确性，更快的报价赢得更多订单，更多订单又沉淀更多数据。调查显示企业正在加速采用AI与自动化工具，本质上就是在争抢这个飞轮的启动位。
有接近行业人士的说法是，现在客户选供应商，拼的不只是设备和价格，还有「响应速度」——图纸发过去二十四小时内给不出带DFM反馈的报价，单子可能就飞了。AI在这里不是降本工具，是抢单工具。
⚠️ 最深的坑：缺的不是算法，是「工艺+AI」复合人
金句先行：AI能把图纸读懂，但读懂车间还得靠人。
这份调查里最扎心的发现，藏在那句轻描淡写的话里：与AI、自动化相关的「人类角色，是最难填补的岗位之一」。
这背后的逻辑值得拆开看。企业要落地可制造性分析和智能成本核算，需要的人才是这样的：既看得懂图纸和工艺，又明白AI模型的边界，还能把现场经验翻译成数据和规则。这种「工艺+AI」的复合人，市场上几乎不存在现成供给——懂工艺的工程师大多四五十岁，离AI工具很远；会AI的年轻人，又缺乏十年产线摸爬的工艺直觉。
更现实的问题是组织惯性。一位在现场待过多年的自动化负责人吐槽过类似现象：花了大价钱上的分析工具，工艺老师傅看一眼结果说「不对，这台机床的脾气不是这样」，然后就再也不打开了。模型没有错，但它不了解那台用了八年的老设备。
所以人才缺口的本质，不是缺「会跑模型的人」，而是缺能把模型和现场互相校准的人。这类岗位薪酬在涨、供给在缩，会成为未来两三年智能制造落地速度的天花板。
小结： 150位制造高管的这份调查，本质上是一次「祛魅」：AI在制造业的价值排序里，排在最前面的不是酷炫的无人产线，而是可制造性分析和成本核算这两个能直接算出ROI的环节。技术采用在加速，人才断层在扩大，这两条曲线的剪刀差，决定了未来几年谁能真正把AI用起来。下一阶段值得盯的不是谁又发了大模型，而是哪些工厂率先把「报价飞轮」转起来——制造业的AI竞赛，正在从讲故事的赛场，搬进算账的账房。
（完）
本文由本站 AI 辅助聚合生成，原始来源如下：