AI进厂三年,厂长开始算账了
📋 总体概括
制造业的AI与自动化投入已普遍铺开,但真正的回报却迟迟难产。本文从Pella、Hexion等企业一线负责人的声音切入,拆解厂长算ROI的真实逻辑、场景选择四象限、被忽视的隐性成本,以及一条务实的18个月落地路线——下一程的胜负手不是模型,而是场景纪律与数据底座。
📄 正文
做门窗的Pella、做树脂材料的Hexion——这些听起来和AI八竿子打不着的传统制造企业,最近都被人问到了同一个问题:AI和自动化这波热潮,你们跟上没有?
他们的回答出奇地一致:都试了,但不是所有人都赚回了投入的钱。
这句话比任何白皮书都值钱。它意味着,智能制造这门生意正在换档:从「要不要上」的信仰阶段,进入「值不值」的算账阶段。而账,是要在产线上一分钱一分钱算出来的。
🏭 试点遍地开花,回报集体难产
热情是真的,账难看也是真的。
先看一个我最近在长三角某工厂看到的场景:车间门口挂着「智能工厂示范单元」的铜牌,大屏上的数字三秒钟跳一次,摄像头装了一圈,传感器贴了一排。但走进产线问班组长,这些数据拿去干什么了,他愣了一下——「上面要的,报表用。」
这不是个例。这一轮AI与自动化的讨论中,一个反复被制造企业数字化负责人确认的事实是:绝大多数制造商都已经在某种程度上做过尝试,但并非所有企业都实现了理想的投资回报。 Pella、Hexion等企业的相关负责人都在公开场合谈到过这个落差。
翻译成人话:试点做了,钱花了,账没回来。
为什么会这样?我画一条大部分工厂实际走出来的链路,你会发现断点非常清晰:
理想状态是这条链路闭环转起来:投入换来改善,改善换回现金,现金再投进去。但现实是,大量工厂卡在B和D之间——数据采上来了但没人治理,模型跑起来了但没人用。链路断了,ROI自然成了PPT上的数字。
我见过太多「示范项目」:验收那天剪彩合影,三个月后大屏没人看,模型没人维护。业内私下有个说法很扎心——「工厂里最贵的不是服务器,是沉默的数据。」
产业逻辑层面,我的判断是:这轮AI进厂潮的第一阶段(技术验证)已经结束了,第二阶段的准入门槛不是技术能力,而是把技术兑换成现金的能力。后者恰恰是绝大多数IT团队和供应商最不擅长的。
“案例拆解①|Pella:先修数据底座,再谈智能
“Pella是美国门窗行业的头部企业(与Andersen、Marvin并列第一梯队),总部在爱荷华州。据公开报道,Pella在2019年前后启动智能制造转型,选择与工业数据平台Sight Machine合作,核心动作不是先买AI模型,而是把ERP、MES、产线传感数据打通,建成覆盖多座工厂的统一制造数据平台。
“- 投入量级:公开资料未披露总额,但同类「单工厂数据底座+多工厂推广」项目,行业普遍报价在数十万至数百万美元级,且通常按18–24个月分阶段付款;
“- 改善指标:其团队在公开分享中提到,跨系统数据对齐此前依赖人工Excel拼接、耗时数周,平台上线后接近实时;准时交付率与设备稼动(OEE)首次获得了可审计的基线——这正是后面算账的前提;
“- 时间线:2019–2021年完成首阶段数据平台搭建,2022年起进入场景复制期。
“注意这个顺序:先建账本,再谈赚钱。 很多ROI算不清的工厂,缺的不是AI,是这张基线。
💰 厂长的账本:先算折旧,再谈智能
在厂长眼里,AI不是技术,是一笔资本开支。
跟一位做了二十多年生产的老厂长聊天,他算账的方式让我印象很深。上一条新产线,他算的是:设备折旧几年、良率提升几个点、单件成本降多少、多久回本。逻辑极其朴素,但极其坚硬。
而很多AI项目的立项逻辑是什么?「同行都上了」「集团有数字化考核」「供应商演示很惊艳」。这三条,没有一条能过厂长的账本。
Pella和Hexion这类企业的负责人之所以愿意公开谈「回报不达预期」,恰恰说明他们内部有一套真实的ROI审计机制——项目做完要回头看账。这种机制在行业内其实是少数。更多的工厂,投入被归类为「数字化转型的必要学费」,学费嘛,当然是不问回报的。
这里有一个关键的认知错位需要掰清楚:
- 自动化的账好算:一台机器人替一个工位,省几个人,产能提升多少,一年回本还是两年回本,清清楚楚;
- AI的账难算:一个质检模型省了多少漏检?一个排产算法优化了多少交期?归因困难,改善是渐进的,而且大量价值藏在「没发生的损失」里——预测性维护避免了停机,可停机本来也不一定发生。
这就导致一个尴尬局面:好算账的(自动化)回报周期短但天花板低,天花板高的(AI)账算不清。 厂长的理性选择就是把钱先压给前者,AI项目排在后面慢慢磨。
我的判断:这个错位不是AI的错,是价值计量方式的错。下一阶段能跑出来的工厂,一定是建立了「AI项目也要签军令状」机制的——立项时就说清楚改善指标挂在哪条产线、哪个指标上,年底按这个对账。粗一点没关系,但必须有。
🎯 场景选对,AI才有资格谈ROI
场景选错,技术再好也是给供应商交学费。
素材里那句话的另一半值得细品:企业们「都做过尝试」——但尝试什么,差别巨大。同样是上AI,选场景的水平直接决定了三年后你是在开庆功会还是在写检讨。
我把制造业常见的AI应用场景放到一个坐标系里看:横轴是技术门槛(数据要求、集成难度),纵轴是商业价值(对良率、成本、交期的实际影响):
右上角的两个场景——机器视觉质检和生产排程优化——是我认为当前ROI最扎实的:数据相对规整(图像、工艺参数),价值直接可计量(漏检率、交付准时率),Pella这类离散制造企业在这两个方向上的尝试也最集中。
左下角的大模型知识问答,门槛低、上手快,很多工厂拿它当第一口蛋糕,但商业价值确实有限——省的是工程师查文档的时间,不是产线的钱。它适合当练手项目,不适合当主力项目。
右上最难啃的是全厂数字孪生:技术门槛高、投入大,做透了价值惊人,但绝大多数工厂的数据底座撑不起它。据我观察,不少「数字孪生项目」最后做成了「数字大屏项目」——可视化做得很漂亮,孪生体和物理世界的双向反馈根本没建立起来。
再补一张我从实际项目里总结的对比表,供大家对号入座:
| 场景 | 典型价值锚点 | 落地难点 | 回报可见周期 |
|---|---|---|---|
| 机器视觉质检 | 漏检率、人工质检成本 | 缺陷样本积累、光照工况 | 3-6个月 |
| 排产优化 | 设备利用率、交期达成率 | 与MES/ERP深度集成 | 6-12个月 |
| 预测性维护 | 非计划停机时间 | 故障样本稀缺、机理知识 | 12个月以上 |
| 大模型知识问答 | 工程响应效率 | 知识库整理 | 1-3个月 |
(回报周期为行业常见经验区间,因产线基础差异浮动很大。)
产业判断一句话:这一阶段,场景纪律比技术野心值钱。一年深耕两三个能对账的场景,胜过铺十个没法验收的试点。
“案例拆解②|Hexion:流程工业的预测性维护样本
“Hexion是全球环氧树脂与特种材料的头部供应商,典型的流程制造业——装置连续运转,最大的损失项就是非计划停机。据公开资料,Hexion在2021年前后开始在装置层面部署Seeq等过程时序分析工具,聚焦两件事:工艺窗口优化与预测性维护。
“- 投入量级:流程工业的分析软件按年订阅+实施服务计费,单站点起步通常在10万美元级/年,多站点推广后达到数百万美元总盘子,但比「推倒重建」的自研路线轻得多;
“- 改善指标:其工程师在公开分享中提到,过去需要数周的手工数据分析被压缩到小时级;装置异常的识别从「事后追因」前移到「事前预警」,非计划停机时间进入可治理区间;
“- 时间线:2021–2022年单装置验证,2023年起向多个生产基地横向推广。
“对比Pella的路径很有意思:离散制造先修数据集成,流程制造先修时序分析——场景不同,工具栈不同,但共同点是都从可计量的损失项入手,而不是从酷炫的技术入手。
🧱 真正的成本,藏在大屏照不到的地方
AI项目超支的地方,从来不是软件license。
为什么「都试了但没都赚回来」?因为明面上算的是软件和硬件的钱,真正吃掉预算和耐心的,是四道暗坎:
这四道坎里,我最想强调第三道和第四道,因为它们最容易被忽视,也最致命。
撒胡椒面是集团型企业的通病:今年预算充足,十个车间各上一个试点,年底汇报时十张PPT都很热闹,没有一个跑出可复制的ROI模型。而Hexion这类流程制造企业如果真要做对,恰恰需要反着来——选一条产线打穿,把数据治理、模型迭代、组织配套全部跑通,再横向复制。
人的问题则更微妙。我见过一个视觉质检项目,模型准确率做到位了,但质检员不信任它,每次模型判「OK」都要人工复检一遍——省人变成了费人。后来项目组把车间里二十多年工龄的老师傅请进标注环节,把老师的判断经验喂给模型、也把模型的判断逻辑讲给老师傅听,三个月后信任才建立起来。技术在产线上能不能活下来,取决于人给不给它户口。
还有一个隐性成本是组织能力:很多工厂把AI项目整体外包给供应商,交付即结束,两年后模型漂移没人管、数据没人治理、二期没人谈。工厂自己的数字化团队——如果有的话——才是唯一能陪着产线长期活下去的角色。这笔人力账,立项时就得算进去。Pella在数据平台项目里同步组建了内部数据团队、Hexion让工艺工程师自己上手做时序分析,都是同一逻辑:工具可以外购,能力不行。
🗺️ 一条务实的落地路线:18个月怎么排
慢就是快:先补课,再试点,后复制。
既然普遍的现状是「试了但账难看」,那一条务实的路线图应该长什么样?结合我跑过的项目经验——也对照Pella(2019–2021建底座、2022起复制)和Hexion(2021–2022单装置验证、2023起推广)两家企业公开可见的实际节奏——我把典型18个月的排期画成一张甘特图:
这张图的核心思想有三个:
第一,诊断期别省。 前90天的场景梳理,产出物不是技术方案,是一张按「ROI潜力×落地可行性」打分的场景清单。这张清单的质量,决定了后面15个月的钱是投资还是学费。
第二,集成期最容易被低估。 与MES、ERP的集成往往比模型本身更耗时——老系统接口不全、主数据混乱、供应商配合度参差。把集成放在试点并行推进而不是事后补,是踩过坑的人才会排的顺序。Pella的实践也印证了这一点:数据平台项目的最大工作量恰恰在ERP/MES对接,而非模型层。
第三,ROI审计必须制度化。 最后那个「ROI审计与滚动迭代」不是走形式,是项目续命的唯一依据:算得过账的场景加码复制,算不过账的果断关停。Pella、Hexion的负责人敢公开谈「不是所有投入都实现了好回报」,背后正是这种敢对账的文化。据多位接近这些企业的人士观察,这种「敢承认」的姿态本身,就是一线制造业对这轮AI热潮最健康的姿态——不吹不黑,只对账。
对供应商而言,这个阶段同样是洗牌期:会讲故事的乙方会被淘汰,能陪着工厂把数据治理和集成啃下来的乙方,会拿到下一阶段的复购。
小结
AI进厂的故事讲到第三年,主角正在从技术布道者换成车间里的账本。Pella、Hexion们的坦诚——「试了,但不是都赚回来了」——恰恰是产业走向成熟的标志:试点验证阶段结束,ROI兑现阶段开始。
把两家企业的路径并排放在一起,答案已经浮现:
- Pella(离散制造):2019年起先建统一数据底座、拿到可审计的基线,2022年才进入场景复制——先有账本,后有利润;
- Hexion(流程制造):2021年起从单装置的时序分析与预测性维护切入,把数周的手工分析压缩到小时级,验证跑通后再多基地推广——先打穿一条线,再谈全厂蓝图。
两个案例、两条路径,共同点是三个:从可计量的损失项入手、从单点打穿再复制、内部能力与外部工具同步建。
下一程的胜负手已经很清楚:不是谁的模型更激进,而是谁的场景选择更有纪律、数据底座更扎实、组织更敢对账。把这三件事做实的工厂,会在这轮热潮退去后真正留在牌桌上。而热潮本身,才刚刚走到它最有价值的阶段——当所有参与者都开始认真算账,真金白银的产业价值才会浮出水面。
本文由本站 AI 辅助聚合生成,原始来源如下: