AI进厂第一刀，砍向报价单

AI进厂，没有从质检摄像头开始，也没有从数字孪生大屏开始，而是从报价单开始的。

Xometry 最近发布了一份针对150位制造高管的调研，结论出乎很多人的意料：AI影响力最大的两个领域，一是可制造性分析，二是成本核算。同时，企业在加速上AI和自动化工具，但相关的岗位，恰恰是最难招的。

这两个信号放在一起看，其实说了一件事：制造业对AI的期待，正在从「看起来很酷」回归到「能不能帮我省钱、省钱、再省钱」。

📊 一份150人调研，投出了什么信号

先说场景。一位跑过长三角几家机加工厂的朋友跟我说过一句大实话：「工厂老板听不懂大模型，但听得懂『这单还能不能省两块钱』。」

Xometry 这份覆盖150位制造高管的调研，给出的正是这个方向。被问及AI影响力最大的领域时，高管们把票投给了可制造性分析和成本核算——这两个听起来毫不性感的环节，压过了大众想象中AI该干的所有炫酷活儿。

这个结果并不意外。可制造性分析和成本核算，是制造业里「每天都在发生、每次都要人扛」的活儿：图纸来了要判断能不能做、怎么做最省，报价来了要在几分钟到几小时内给出一个既不亏本、又能拿单的价。做得好没人夸，做砸了直接丢单或亏钱。

产业逻辑很清晰：AI在制造业的落地点，正在从「锦上添花」的展示型场景，转向「雪中送炭」的算账型场景。 算账型场景有三个特点——高频、可量化、直接对齐收入。恰恰是这三个特点，决定了它最容易通过ROI这一关。

据多位接近制造企业数字化转型项目的人士透露，这两年工厂立项时，老板问的第一个问题已经从「这个系统先进在哪」，变成了「几个月能回本」。这一问，把一半的PPT智造项目问死在了会议室里，也让另一批从成本和工艺切入的项目活了下来。

📐 可制造性分析：老师傅的手艺，先被AI学走

每一张图纸背后，都藏着一个老师傅。

传统流程里，设计工程师出图，工艺工程师审图，机加工车间里经验最深的师傅再挑一遍毛病：这个内角半径刀具够不着、这个深腔需要专用工装、这个公差标注会导致装夹变形。一轮轮往返，快的几天，慢的几周。图纸改不动，后面全部停摆。

AI的可制造性分析，本质上是把这个「挑毛病」的过程前移、自动化：图纸一进来，系统自动识别结构特征，标注加工风险，给出工艺建议，甚至直接估算出多种工艺路线下的成本。设计、工艺、报价，从串行的接力赛，变成一次并行的闭环。

Xometry 的调研把可制造性分析列为AI影响力最大的领域之一，恰恰说明这个环节的痛点足够普遍——它依赖稀缺的老师傅经验，又卡在整个制造流程的最上游。上游堵一天，下游全停。

产业逻辑上，这里有一个值得注意的结构性变化：DFM（面向制造的设计）正在从「人的经验」变成「系统的能力」。 过去这门手艺长在老师傅脑子里，离职就带走；现在它被沉淀为数据和模型，成了可以被复用、被迭代、甚至被封装进报价平台的数字资产。谁先把自己的工艺经验模型化，谁就掌握了新的护城河。

💰 成本核算：AI先学会算账，再学会干活

报价是制造企业的生死线，而多数企业的报价，至今还是一门「玄学」。

成本估不准是常态：材料价格波动、工时估算拍脑袋、废品率靠历史感觉。估高了丢单，估低了亏钱，中间地带全靠财务事后补账。一位做过外贸代工的厂长私下吐槽：「我们的报价系统就是Excel加胆量。」

AI切入成本核算的方式很直接：基于历史加工数据、材料价格、设备参数，对零件成本做快速、多维的估算，把过去几天的报价周期压到几分钟，同时给出不同工艺方案下的成本对比——铸造还是CNC、一体件还是拼接件，一目了然。

把Xometry调研里高管们提到的场景，放到「技术门槛×商业价值」的坐标系里看，位置就很清楚了：

可制造性分析和成本核算落在左上偏领跑者的位置：技术门槛没那么高不可攀，商业价值却实打实。而右下角的数字孪生——前几年展会上的绝对主角——技术上最炫，短期商业价值反而最难兑现。这正是这份调研最有价值的弦外之音：高管们用真金白银的投票，把AI叙事从「大屏时代」拉回了「账本时代」。

对供应商的启示同样直接：先帮客户把账算清楚的产品，比先帮客户把大屏装漂亮的产品，续费率高得多。

⚠️ 工具越多，人越缺

调研的另一半结论，扎心但不意外：企业在加速采用AI和自动化工具，但相关的岗位，恰恰是最难填补的。

工具到位了，人不到位，这是当下智能制造最普遍的半拉子工程。设备商把机械臂装好了，MES上了线，AI分析平台开了账号——然后发现车间里没人能把这些东西真正用起来。

`markdown

`

（注：表中第三行原文应为「数据藏在设备里，得下车间挖」——顺便说一句，能把数据从老设备里「挖」出来的人，现在比会调模型的人更难找。）

为什么难招？三个原因。第一，这类岗位要求「懂AI也懂工艺」，而教育体系里AI专业和机械专业基本是两条平行线；第二，薪资结构错位——会写代码的年轻人不愿下车间，懂车间的老师傅学不动新工具；第三，也是最隐蔽的一点，AI工具越好用，对使用者「翻译能力」的要求越高——你得能把车间的模糊问题翻译成系统听得清的输入。

据多位接近设备厂商的人士反馈，不少自动化项目的延期原因不是技术，而是「现场没人接得住」。这提示企业：买工具的预算里，应该预留一块人才培养和岗位重构的钱，否则工具只是昂贵的摆件。

🏭 从PPT智造到算账智造

把这份调研放到更大的坐标系里，能看到一个正在发生的转向。

过去几年的智能制造叙事，是自上而下的：灯塔工厂、数字孪生、黑灯产线，关键词是「先进」。而150位制造高管投票选出的AI落点——可制造性分析、成本核算——是自下而上的：关键词是「省钱」。这不是叙事的降级，而是产业的成熟。当一项技术开始被用来算成本，它才真正进入制造业的血液。

给工厂的务实建议，可以浓缩成一张卡：

顺序很重要：先从图纸和报价这类「每天发生、能量化」的场景切入，跑通一个闭环，再往排产、质检延伸，最后才是数字孪生这类重投入的展示型工程。反着来，大概率沦为展会素材。

小结

Xometry 这份150人的调研，样本不大，信号很强：制造高管们已经想明白了，AI的价值不在酷，在省。可制造性分析和成本核算成为影响力最大的领域，意味着AI正在从制造业的「面子」渗入「里子」。而最难招的岗位提醒我们另一件事——工具进厂的同步工程，是人。接下来两年的看点，不是谁的AI故事讲得好，而是谁的报价单先被AI改写。