AI进工厂，先啃下的是报价单

AI进工厂，第一个下刀的地方，不是机械臂，是报价单。

Xometry 最近发布了一份针对 150 位制造业高管的调研报告，结论挺让人意外：AI 影响最大的领域，被点名的是两件事——可制造性分析和成本核算。不是黑灯工厂，不是无人车间，而是两个看起来最不起眼、却离钱最近的环节。与此同时，企业上 AI、上自动化的速度在加快，但与之配套的人，恰恰是最难招的。

这组结论放在一起，其实就是当下制造业 AI 落地的真实底牌：工具在进厂，钱在说话，人在掉队。

📊 一份150人的问卷，打乱了AI落地的预期

业内流传一句半开玩笑的话：PPT 里 AI 在造火箭，产线上 AI 在算零件多少钱。

这次 Xometry 的调研，某种程度上印证了这句话的前半段是错的。先看这份调研的样本画像：受访者为 150 位制造业企业的管理与决策层人士，公司规模上以中小企业为主（员工数在百人量级的企业占了多数），业务覆盖机械加工、汽车零部件、电子硬件、医疗器件等典型按需制造行业——也就是说，这不是一份“大厂峰会名单”，而是更能代表广大加工制造企业的日常视角。

调研中“AI 对业务影响最大的领域”这一多选题的选项占比，大致分布如下：

（以上占比引自 Xometry 调研报告披露的选项分布，多选题合计超过 100%。）

这个结果和我们在展会、峰会上听到的叙事完全不同——台上的 AI 故事都是视觉检测、预测性维护、大模型质检员，台下的老板们心里最清楚的却是：图纸能不能加工出来、这单到底赚不赚钱。

把调研的几个核心发现放在一起看，逻辑其实非常清晰：

如果把这些发现串成一条线，你会发现它描绘的不是技术路线图，而是一条订单流：

从图纸到交付，AI 先被用在离钱最近的两段。这不是技术偏好，是生存偏好——对大多数制造企业来说，能算清钱的 AI 才是好 AI。

⚙️ 可制造性：AI先当“图纸挑刺员”

每一个跑过工厂现场的人都见过这种场景：设计部门发来的图纸漂漂亮亮，车间老师傅扫一眼就皱眉——这个深腔铣不到，那个薄壁会震刀，公差标注根本没必要卡这么紧。图纸打回去，改一轮，一周没了。

这就是可制造性问题，制造业里最经典、也最隐蔽的浪费源。它不体现在任何一张损益表上，却渗透在每一次返工、每一轮打样、每一个延期交付里。

传统解法是靠人：靠有二三十年经验的工艺工程师，靠老师傅的直觉。但这类人的供给正在收缩，而 Xometry 这类按需制造平台，恰恰是因为见过海量的图纸和对应的加工结果，天然积累了“什么设计好做、什么设计难做”的映射关系——这正是 AI 可制造性分析最需要的养料。

AI 在这个环节切入的姿势相当务实：

这个判断也拿到了第三方数据的支撑。管理咨询领域流传已久的经典结论是：一款产品大约 80% 的成本，在设计定型阶段就已经被锁定了（麦肯锡等多家机构的制造业务研究均引用过这一量级的数字）。设计端的一个错误，会在采购、加工、质检、交付四个环节被放大四遍；反过来，AI 在设计端的一个正确判断，也会沿着同一条链路被放大成四遍的节省。源头杠杆，永远是 ROI 最高的杠杆——这也解释了为什么高管们把可制造性分析排到了 AI 影响清单的前列。

💰 报价：AI进场，先算的是钱

如果说可制造性分析是省钱，那成本核算就是赚钱——或者说，是少亏钱。

制造业的报价环节有多粗放，只有干过的人知道。小厂老板拍脑袋，大厂走流程但周期长。报快了，成本没算清，接一单亏一单；报慢了，客户早把订单给了对手。在按需制造、小批量多品种的时代，这个矛盾被急剧放大：一个客户发来二十个零件的询价单，工艺路径各不相同，人工核算一天都未必出得来。

Xometry 本身就是靠 AI 驱动的即时报价起家的平台型企业——它的商业模式成立的前提，就是机器报价比人快、比人准。所以当它的调研把成本核算列为 AI 关键影响领域时，多少有点“自己的狗粮自己先吃”的味道，但也正因如此，这个判断的可信度不低。

以下坐标定位属于作者的个人判断，不是调研数据：把当前制造业主要的 AI 应用场景放到“落地门槛—商业价值”的坐标系里，可制造性分析和 AI 报价应该是门槛不高（不需要重构产线，数据在图纸和订单里就有）、价值不小（直接对应浪费的减少和订单的转化）的那一类；而那些听起来更性感的场景，比如智能排产，反而因为要打通 ERP、MES、车间数据，落地门槛更高。视觉质检、预测性维护则介于两者之间——技术成熟，但 ROI 的显现周期更长。

这解释了一个反直觉的现象：为什么高管们不选炫的，专选朴素的两项？因为朴素的两项，今年就能在财务报表上看到数。（作者观点）

🧑‍🏭 工具越买越多，人却成了最稀缺的“接口”

调研里还有一个容易被略过、却可能最致命的发现：AI 和自动化工具的采用在加速，但相关的人类岗位，是最难填补的。

这个“难”不是简单的缺人，而是结构性错配：会 Python 的应届生不懂加工工艺，干了二十年的工艺工程师不会写 Prompt；老板花几十万买的 AI 分析软件，最后是车间主任每周硬着头皮导数据。工具和产线之间，缺的不是技术，是那个能把两头接起来的“接口型”人才。（本段为作者基于行业观察的概括，非调研原文数据。）

这不是 Xometry 一家的观察。德勤与美国制造业协会（The Manufacturing Institute）联合发布的《制造业人才缺口研究》测算：到 2033 年，美国制造业可能有高达 190 万个岗位面临无人可招的困境。Xometry 的调研与之相互印证——工具在加速渗透，而既懂数字技术又懂制造现场的人，供需缺口比工具本身来得更快、更狠。

这正是制造业 AI 落地最真实的卡点。互联网行业上 AI，数据是现成的、流程是数字化的、人是原生数字移民；制造业上 AI，第一步往往是先把纸面的工艺卡变成结构化数据，把老师傅脑子里的经验变成可计算的规则——没有一批既懂车间又懂数据的人，这套转化根本无法启动。

以下节奏判断同样属于作者观点，不是调研结论。 从时间维度看，这个人才缺口的填补不会一步到位，更现实的路径分三步走：

1. 现在能做的：让老师傅带着 AI 工具练手，用外部平台（报价、DFM 分析）先补上最短板，不必等自己建模型；

2. 一两年内：刻意培养“工艺 + 数据”的复合骨干，把 AI 工具逐步嵌入 MES 与订单流，让数据沉淀在流程里而不是聊天记录里；

3. 三年之后：当经验反哺形成企业自己的数据资产，AI 才从“外购的工具”变成“内生的能力”。

产业逻辑说穿了很简单：AI 不会替代制造业的人，但会用 AI 的工艺员，正在替代不会用 AI 的工艺员。 而在替代发生之前，企业得先回答一个问题——你有没有人，把 AI 接进产线。

🔮 写在最后：先算钱的AI，才是进得了工厂的AI

150 位高管的问卷，撕掉了制造业 AI 叙事的一层滤镜。被验证的路径不是重塑工厂，而是改造两个最古老、最不性感、也最要命的环节：看懂一张图纸，算清一笔报价。约 46% 和 41% 的两个数字摆在面前，比任何峰会演讲都更有说服力。

对制造企业来说，这份调研给出的行动清单其实很短：别急着追大模型的风口，先审视你的图纸评审和报价流程里有多少是在靠拍脑袋；别急着招 AI 科学家，先把既懂工艺又懂数据的那一两个骨干养出来。至于 Xometry 这类平台，它们发布的其实不只是调研，还有一份自己的优势说明书——数据在它手里，经验在它的模型里。（最后这一层“平台动机”的解读，是作者观点，供读者自行判断。）

AI 进工厂的故事才刚开场，但剧本的第一页已经写好了：离钱越近的环节，AI 落地越快。接下来一年，值得盯的不是又有谁发布了什么大模型，而是有多少工厂的报价单，悄悄换成了机器来写。