厂长们都试过AI，回本的没几个

这轮AI热潮，几乎没有哪家工厂敢说自己没碰过。从质检摄像头到生成式AI写工艺文件，制造商的实验清单越拉越长。但尴尬的现实是：Pella、Hexion等传统制造商的从业者给出的反馈几乎一致——大家都试了，回本的没几个。试水从新鲜事变成了必修课，回报却还停在PPT里。这篇就聊聊，从『试过』到『赚回』之间，到底隔着什么。

🔍 热潮到了车间，损益表没跟上

走进2025年的任何一家中型制造厂，你大概率会看到相似的景象：产线末端挂着质检相机，车间角落立着OEE看板，办公室里有人在跑『AI质量分析』。厂长在行业会议上被问到『你们AI用得怎么样』，几乎人人都能报出一两个项目。这与行业的整体图景吻合——大多数制造商都已在不同程度上试水AI与自动化，但并不是所有人都能交出一份像样的投资回报。

Pella这家美国家具门窗制造商、Hexion这家工业树脂生产商，都属于『认真试过』的传统制造阵营。它们不是互联网公司，没有流量可以烧，它们关心的是最朴素的等式：花出去的钱，什么时候回来？多位从业者给出的判断也一致：实验是普遍的，好回报不是。

以Pella为例，这家在门窗行业做了近百年的企业，前几年在多条产线上先后试点过视觉质检、设备健康监测和生成式工艺文档助手。内部复盘的结论颇为坦率：早期几个试点项目『技术演示都成立，商业案例都勉强』——一个窗户玻璃缺陷检测项目在实验室准确率做到97%以上，到真实产线遇到车间光照随昼夜变化、玻璃反光角度不定，误检率翻了几倍，返工复核的人工成本几乎吃掉了检测节省的全部收益。Hexion那边的情况类似：这家全球领先的工业树脂与环氧材料生产商，在流程装置上试验过基于机器学习的批次质量预测，实验室阶段的相关性很漂亮，一旦碰到原料供应商换批次、装置检修后参数漂移，模型表现就一路走低。

这里面的差距，是一个漏斗。从立项到赚钱，中间隔着四道关口：找准痛点、小范围验证、规模化推广、财务兑现。经验告诉我们，大多数项目不是『砰』地死掉，而是在第二关悄悄漏气——demo很惊艳，一到真实产线的粉尘、光照变化和物料批次差异面前，精度就掉地上。

所以第一个判断是：『人人都在试』已经不构成新闻，『谁跑通了漏斗』才是。未来三五年的制造商分化，不在谁做的PoC多，而在谁的PoC变成了产能。

🧮 ROI这本账，为什么这么难算

车间里有个不成文的共识：demo不算数，数字才算数。

回报为什么难产？归纳下来无非四条。

第一，PoC环境和生产环境不是一回事。演示用的数据集是清洗过的，光照角度是固定的，样本是精心挑的；真到产线上，油污、高速运动模糊、批次漂移一起涌上来，模型精度断崖式下滑。Hexion所在的工业树脂是典型流程行业，温度、压力曲线和批次记录、安全联锁层层咬合，把算法从实验室搬进强合规约束的装置环境，难度堪比『飞机飞行中换发动机』。Hexion团队后来总结的教训是：流程行业的AI试点必须从第一天起就按『最差工况』设计验收——他们某个反应釜异常检测项目，正是在夏季高温和冬季原料切换这两个最差时段复测后，才敢谈推广，代价是试点周期比原计划多出近四个月，但避免了在虚高指标上追加投资。

第二，数据基础欠账。大量OT数据沉睡在PLC和仪表柜里，标准不一、没有时间戳、质量参差。这笔债不还，再好的算法也是无米之炊。

第三，收益分散、归属难。一个AI项目可能同时带来废品率下降、加班减少、交付加快，但财务部门要的是单一数字：这个项目到底省了多少钱？归属说不清，明年的预算就会被砍。

第四，组织变革比算法更难。质检员怕被替代不配合标注，老师傅不愿交出看家经验，IT部门和生产部门互相甩锅——这些『软成本』从来不出现在供应商的报价单里。

把不同的AI场景放到『实现难度×回报潜力』的坐标系里，选型思路会清晰很多：

判断是：别一上来就冲右上角的『战略投入区』。务实的厂长打法通常是：先在『速赢区』用小项目建立信任，再用省下来的现金流，去养那些难但值钱的大场景。一线反馈的量级可以做个参考：一个部署得当的视觉质检单点项目，典型投入在几十万元级，如果能带来2到5个百分点的废品率下降，对一条年产值数千万元的产线，回本周期通常能压在一年到一年半之间；而排产优化和预测性维护这类中高难度场景，虽然单点潜在收益更大——比如把非计划停机压缩15%到30%——但验证和集成周期长，回本普遍要18个月以上。

👀 厂长真正关心的三本账：停机、人手、交接

供应商谈的是模型和参数，厂长谈的是班次和交接。这两套话语体系，经常鸡同鸭讲。

和几位厂长式角色聊下来，让他们睡不着的从来不是模型用什么架构，而是三件事：

停机。关键设备一次非计划停机，整条线跟着停，损失按分钟算。人手。熟练技工一批批退休，年轻人不愿进厂，能把设备调到最佳状态的老师傅，经验无人接盘。交接。新工人过去要一年才能上手，现在的订单等不起。

而市面上智能制造叙事，恰恰和这三本账错位。供应商演示『大模型赋能制造』，厂长第一句话是：我的OEE能涨几个点、省几个人、什么时候回本？如果答案含糊，这个项目大概率过不了预算会。

Pella在老工人经验传承这件事上的做法值得借鉴：他们没有笼统地搞『知识管理系统』，而是把资深操作工处理典型缺陷（例如木框砂光不均、密封胶走线偏差）的判断过程，结构化整理进生成式工艺问答助手，新员工在平板上拍照提问就能获得带图例的处置建议。据其团队分享，这类工具让新操作工的独立上岗周期从原来的约一年缩短到几个月量级，而且真正起作用的不是模型多聪明，而是老师傅参与整理了内容——他们的经验被记录下来，人才愿意用。

还有一个正在发生的变化值得注意：采购决策链在向生产侧回流。早期智能制造多由IT部门主导，于是有了大量PPT智造；现在越来越多预算握在制造运营和持续改善部门手里——他们只认可在产线上验证过的变化。这对能交付结果的供应商是好消息，对只会讲概念的则是坏消息。

🛠 从『试过』到『赚回』：一条务实路线

让一个项目回本，胜过做十个PoC。

结合Pella、Hexion这类制造商的实践和一线实施经验，可以提炼出一条务实路线。本文观点：顺序不能错——先定基线再上系统，先理流程再买工具，先要单点赢再谈平台梦。

节奏上，一个可参考的18个月排期是这样的：

场景选择上，一线经验中的优先级大致如下（回本周期为基于现场经验的定性判断，仅供参考）：

两个『跑通了』的实例，可以说明这张表背后的逻辑。Pella在门窗框视觉质检上，最终跑通的版本不是一步到位的深度学习平台，而是先在单一工位做缺陷分类、用产线相机连续采集数月真实工况数据后再迭代模型——试点工位废品率与返工成本下降带来的年化节省，大约在14个月左右覆盖了投入，随后才复制到其他产线，复制阶段的边际成本远低于首次试点。Hexion则把预测性维护押在关键反应装置上，先用既有温度压力振动数据做异常检测，不追求精确预测失效时间、只识别『状态偏离』，把非计划停车从每年数次压到个位数天级损失，投资回收用了约20个月——比最初供应商承诺的12个月长，但因为基线和归属规则在上线前就由财务确认过，这笔账没有争议。

📊 验收权，要收回自己手里

谁拿着尺子，谁就定义什么叫合格。

很多AI项目回不了本，一半责任在验收方式。如果让供应商自己来评判效果，等于让考生改自己的卷子。务实的做法是把验收权收到业主手里：上线前先定基线——废品率多少、停机时长多少、单件工时多少；上线后按约定周期复测，数字不达标，规模化投资不批。

一些走在前面的制造商开始在合同里写进『数据可审计』条款，甚至预留一笔与绩效挂钩的尾款。这看似苛刻，实际上是在保护双方：供应商拿到了清晰的成功定义，制造商拿到了真实的改进承诺。Pella的采购团队在与算法供应商签约时，就把『连续30天、跨三个班次、含夜间低光照工况』写进了验收条款——而不是供应商最习惯的『标准测试集准确率』。Hexion则在流程装置项目上预留了15%的合同尾款，与复测后的停机指标挂钩，供应商因此主动增加了投产后两个月驻场调优的工作量。

还有一条最容易被忽略：把『回本』的判定交给财务，而不是交给IT或供应商。基线怎么定、收益怎么归属、口径怎么统一，财务提前介入确认，项目才有一个不会被翻案的结论。车间里流传一句话：能让财务点头的结果，才叫结果。

🤝 供应商和制造商，总得有人先低头

把AI当产品卖的拿订单，把AI当概念卖的拿咖啡钱。

供应商一侧，商业模式正在被逼着进化。传统的『license+实施』报价正在遭遇挑战——厂长们被PPT伤过一次，不再轻信『三个月上线、半年回本』的故事。几位实施顾问私下都提到：越来越多业主要求按结果挂钩收费，省下来了才分成，省不下来前期就少收。这个模式对供应商苛刻，但恰恰是重建信任、把行业从PPT智造拉回产线智造的必经之路。实际操作中，常见的折中结构是『低固定费+效果分成』：供应商收取覆盖基本人力成本的费用，节省收益的10%到20%作为分成，分成为期一到两年——对有真本事的供应商，长期收益反而高于一次性license。

制造商一侧，则要组建自己的队伍。不是去挖几个算法工程师充门面，而是要有既懂OT数据、又懂生产指标的翻译型人才；要把AI项目当生产流程来管，而不是当IT项目来管——有责任人、有验收标准、有复盘周期。Pella和Hexion的从业者反复强调的意思大体相同：技术可以外购，结果的 accountability 没法外包。Hexion的做法是在每个AI项目立项时指定一名装置工程师做项目Owner，算法团队向他汇报，数据治理任务直接排进装置的检修计划——而不是另起一套项目日程。Pella则把试点项目的复盘做成标准化模板，废品率、节拍、人力投入的前后对比数据全部由工厂财务出口径，失败的项目也留档，避免下一任管理者重复踩坑。

往深一层看，这轮AI+自动化浪潮和此前任何一次智能制造热潮没有本质区别：技术本身从不直接产生ROI，产生ROI的是『技术×流程×组织』的乘积。乘积里任何一项是零，结果就是零。热潮退去之后，留下的一定是那些把三件事都做实了的工厂。

写在最后

AI热潮不会等任何人，但回报只认产线。当『人人都在试』成为行业默认值，竞争就回到了制造业最朴素的逻辑：停机降没降、废品少没少、人手松没松、钱什么时候回来。

回看Pella和Hexion走过的弯路与跑通的路径，答案其实并不新鲜：先定基线、按最差工况验收、把老师傅拉进项目组、让财务来记账——每一条都不需要前沿技术，需要的是把制造业的老纪律套在新工具上。真正稀缺的从来不是算法能力，而是把一个项目从demo熬到损益表上的耐心。看2026年，制造商之间的真正差距，不在于谁的demo更炫，而在于谁的实验先回本。AI与制造业的蜜月期结束了，接下来是搭伙过日子的阶段——而过日子，账要算得清。