AI很热闹，车间只认回本账

发布会的灯光越亮，车间里的账本越冷。

2025年，AI与自动化几乎成了制造业的通用语言：每场行业峰会的议程上都有它，每家厂商的产品手册里都写它。但一个耐人寻味的信号来自一线——据海外制造业媒体的调研报道，尽管大多数制造商都或多或少做过AI与自动化的实验，真正实现良好投资回报的，并没有想象中那么多。Pella、Hexion等企业的管理者的反馈，把一个被发布会遮蔽的事实摆上了台面：车间里没有信仰，只有稼动率、良品率和回本周期。

这篇文章想回答三个问题：为什么实验人人都在做，回本却寥寥？厂长的账本和CTO的PPT，差在哪一页？从试点到规模化，中间那道断点到底卡在什么地方？

📉 试点繁荣，回本萧条

实验的门槛从来没有这么低，回本的门槛也从来没有这么高。

先看一个典型场景。某家做工业制品的工厂，去年立项做了AI视觉质检试点：一台风扇光源、一套推理盒子、一个外包算法团队，三个月上线，验收当天大家都鼓了掌。半年后复盘，这套系统检出的不良里有三成是误报，产线工人干脆绕过它回人工复检——设备还在，价值已经死了。

这个剧本不是孤例。报道明确指出：虽然大多数制造商都在某种程度上进行过尝试，但并非所有人都实现了良好的投资回报。换句话说，行业已经跨过了'敢不敢用'的阶段，正卡在'值不值'的关口。

这里的产业逻辑值得展开。过去十年，自动化解决的是'确定性'问题——机械臂重复一个动作，误差以丝计。而这一轮AI解决的却是'不确定性'问题——瑕疵形态千变万化、工艺参数互相耦合、排产约束天天变。确定性问题可以一次性买断，不确定性问题却需要数据、算法、工艺知识三者持续喂养。很多企业买的是'一次性买断'的预期，得到的却是'持续运营'的成本结构，ROI的账自然算不平。

另一位接近实施方的咨询顾问的说法在圈子里流传很广：企业里签字买系统的是副总，每天被系统报警吵醒的是班长——两拨人对'成功'的定义，从来不在同一页纸上。

落地路径本身，其实并不复杂，复杂的是每一步背后的组织成本：

注意图里的那个回路：绝大多数'试点繁荣'的企业，都死在了C到F这一段——试点验收通过，经济性核算不过关，又没有组织能力回炉重构，最后系统变成数字摆设。

🪟 Pella们为什么冷静

离消费市场越近的工厂，对'炫技'的免疫力越强。

Pella是美国老牌门窗制造商，Hexion是工业树脂领域的玩家。这两类企业有个共同点：产品高度标准化、利润被原材料和人工成本死死压住、客户不会为'我用了AI'多付一分钱。门窗厂拼的是交付周期和良率，树脂厂拼的是反应釜的稳定性和能耗——它们的每一分IT预算，最终都要换算成每扇门、每吨树脂的边际成本。

据这些企业管理者在公开访谈中传递的态度，可以提炼出几条一线的共识：

第一，自动化优先于智能化。能把物料搬运、装配节拍这些确定性环节用机械臂和AGV啃下来的，先啃；AI是啃不动之后的工具，不是起点。这个顺序背后是资金成本——自动化的回报模型清晰，AI的回报模型还在被验证。

第二，场景选择上'小题大做'。不做全厂数字孪生的大词，先做OEE统计自动化、能耗异常检测这类三个月能见效的点。

第三，对供应商的耐心极其有限。一位业内实施顾问私下感慨，工厂客户现在开口第一句往往不是'你们技术多先进'，而是'你们在同工艺产线上跑过几个项目，让我们去现场看看'。

把当前制造业里常见的AI与自动化应用摆到一张坐标图上，厂长的取舍逻辑会更直观——技术门槛决定了'能不能做'，商业价值决定了'值不值得做'：

右上角的'领跑者'区间，正是Pella们把预算砸过去的地方：视觉质检、预测性维护、智能排产——共同特征是技术已被验证、且直接挂钩产量与质量这两个老板最敏感的指标。而左下角的报表自动化，做起来轻松，省下的也只是几个人天，永远成不了立项理由。

🧮 一线痛点与真实解法

AI项目失败的原因高度雷同，成功的路径各有各的工艺Know-how。

把一线反馈里反复出现的问题和对应的务实解法放在一张图里，基本就是当前车间AI落地的'避坑手册'：

这张表里最容易被忽视的是第一条。很多企业在立项时把数据当作'本来就有的资产'，实际执行才发现：老旧设备没有数据接口，班次记录还在纸质表上，各车间的时间戳对不齐。数据治理的花费常常追平甚至超过软件本身的采购价——这是ROI核算失真的最大单一来源。

一个务实的ROI账本，至少要包含下面这几列，任何一列缺失都意味着回本周期会被系统性低估：

据多位接近项目交付的人士反映，凡是把回本周期按保守情形测算并通过的项目，二期推广几乎都获得了预算；凡是按乐观情形立项的，二次汇报时基本都要面对财务部门的无情质询。

🚧 从'能跑'到'能复制'，中间隔着一条断崖

试点是工程师的胜利，规模化是组织的胜利。

很多CEO都有个疑问：为什么一个厂试点明明有效，推广到第二、第三个厂就掉链子？答案藏在'隐性根基'里——试点展示的是水面上的成果，真正决定能否复制的，是水面下的东西：

Pella、Hexion这类企业反馈中透露的谨慎，本质上是对'断崖'的敬畏：它们见过太多试点，深知复制成本往往不亚于重建。多产品线的门窗厂、多工艺路线的树脂厂，每个厂的数据分布都不同，模型要么重训、要么重建数据管线——这笔账如果没在立项时就写进去，规模化阶段的预算就会在CFO那里撞墙。

一份务实企业常见的18个月落地节奏，值得参考：

注意这个节奏里试点期占了将近七个月——比大多数供应商销售承诺的'三个月上线'长得多，但多出来的时间都花在了回炉优化和经济性复盘上，这恰恰是试点与规模化之间那道断崖上的桥。

🔭 给决策者的三句实话

制造业不反对AI，反对的是为AI而AI。

回到这篇开头：为什么大多数制造商都做了实验，却没几个算平了账？把前面的分析收拢成三句话：

第一句，先自动化、后智能化。确定性环节用确定性工具解决，AI留给真正的不确定性问题。预算顺序反了，ROI就从第一天起是负的。

第二句，把运营当投资，把数据当成本。AI项目不是一次性采购，是持续运营的业务——驻厂运营岗的工资和数据治理的账单，都该在立项时白纸黑字写进模型。

第三句，用保守情形做决策。按收益打七折还能回本的项目才值得上会。这不是悲观，这是工厂的宿命——产线容错率本来就低，决策标准理应更苛刻。

往前看，这轮'实验繁荣'的泡沫会自己出清：PPT型供应商拿不到二单，账算不平的企业冻结预算，而把数据底盘、运营团队和工艺Know-how这三样隐性根基打牢的企业，会在下一轮预算解冻时拿到超车窗口。车间不看发布会，只看报表——这既是AI在制造业最残酷的法则，也是它最诚实的滤镜。