AI进了车间，账还没算明白

过去两年，几乎没有一家像样的工厂没摸过AI。视觉质检、预测性维护、大模型知识库，试点一个接一个立项。但Manufacturing Dive近期对Pella、Hexion等多家制造企业管理层的访谈揭示了另一面：试过的多，算清账的少。智能制造正在从「讲故事」进入「算账」阶段——这一轮，厂长的耐心和预算，都比供应商想象的更有限。

🏭 人人都试点了，人人都在等回本

试点满地开花，回本迟迟不来。

Pella是美国老牌门窗制造商——铝型材冲压、木工开料、喷涂、组装，一条典型的离散制造产线；Hexion则是特种化学品公司，反应釜、管道、DCS控制系统，是教科书级的流程工业。两类工厂几乎没有一个车间是相似的，但谈起AI时的口径却高度一致：都动手试了，但都还没拿到一份漂亮的回报数字。

这正是过去两年制造业AI浪潮最真实的切面。在展示层，一切都欣欣向荣——绝大多数制造商都已以某种形式做过尝试，从车间里架起一台视觉检测相机，到办公室里部署一个大模型问答机器人。但素材同时点出关键：并非所有企业都实现了良好的投资回报。翻译成车间语言就是：验收单签了，汇报PPT交了，财务报表上那条回本曲线迟迟没有拐头。

用一张图看，项目在这条路径上是怎么一节一节流失的：

产业逻辑在于：对厂长而言，AI从来不是战略叙事，而是一条产线的OEE提升、一名质检工的替代成本、一次非计划停机的损失。这三笔账算不清，试点在预算科目里就永远是「费用」，而不是「投资」。当资本开支被反复审视时，最先被砍掉的，就是那些讲不出回本故事的项目。

📉 车间里的账，为什么这么难算

演示靠软件，落地靠运维。

几乎每一个做过AI试点的工厂，都经历过类似的剧本：供应商来演示，识别率漂亮，全场惊叹；合同签了，模型上了产线——第一周指标不错，第三周开始漂移。来料换了批次，车间灯管老化导致光照变了，夹具磨损让工件位置偏了两毫米。模型精度往下掉，车间里没人知道该找谁修。

这就是ROI难算的第一个原因：隐性成本。采购合同上只写了软件授权和实施费，但真正花钱的科目，全在合同之外——

素材里那句轻描淡写的「并非所有人都实现了良好投资回报」，背后就是这一整串没写进合同的账目。

第二个原因，是回报周期被系统性低估。很多企业按IT项目的节奏估算回本——半年上线、一年见效。但制造现场的数据基础远比写字楼脆弱：历史数据缺失、传感器没装够、OT与IT两张皮，光是「把数据弄干净」这一步，就足以吃掉半年的预算和耐心。

📌 不同AI用例在车间的成熟度差异巨大，厂长的态度也随之分层：

💬 据多位常年跑工厂现场的行业人士反馈，客户和AI厂商见面时的第一句话已经变了：从前问「这技术新不新」，现在直接问「钱什么时候回来」。

🎯 务实派打法：先摘低垂的果实

不追最炫的技术，只挑最好算的账。

把Pella和Hexion放在一张桌子上看，会发现务实派的选型逻辑惊人地一致。Pella的门窗产线上，最痛的是外观质检——玻璃划痕、型材漆面瑕疵、密封胶条错位，靠人眼盯着流水线看，既是用工成本，也是漏检风险。AI视觉质检的收益可以直接换算成质检工位数和漏检率的下降，账一目了然。Hexion这边，化工装置传感器密布，温度、压力、流量全是结构化时序数据，预测性维护和工艺参数寻优天然适合机器学习，连数据清洗的工作量都比离散制造小得多。

两家公司分别代表离散制造与流程工业两条主流路线，路径不同，但筛选标准相同：高频发生、收益可量化、数据基础相对扎实。把这些用例放进矩阵，位置一目了然：

判断很清楚：真正的领跑者并不是论坛上最热闹的数字孪生和大模型工艺优化，而是视觉质检这类「老场景+新算法」的组合。用例的商业价值兑现速度，和数据基础强相关：数据越干净、链路越短，账越好算；反之，再先进的技术也会困在数据沼泽里。对绝大多数还在观望的工厂来说，真正的问题不是「要不要上AI」，而是「我的哪条产线、哪个工位，数据最经得起AI」。

⚠️ 厂长不反AI，反的是PPT智造

他们不是保守，是被坑怕了。

行业展会上，某AI公司的展台人山人海，Demo视频里缺陷无所遁形、节拍行云流水。一位设备科长的评论很直白：视频很美，接上我们车间的PLC试试？据多位接近人士透露，不少算法出身的AI团队压根没趟过产线数据采集的「最后一百米」——工业协议的碎片化、毫秒级的采样要求、网络断点续传，每一项都是深坑。于是常见的结局是：平台买回来了，车间主任转头继续用Excel。

事实层面值得注意：Manufacturing Dive这次访谈里，企业高管们谈论的重点并非技术本身的先进性，而是投资回报与落地路径。这在两年前是不可想象的——那时论坛上讨论的还全是颠覆与变革。买方评价体系的变化，本身就是市场走向成熟的信号。

相应地，供应商的筛选逻辑正在发生三个转向：从「看Demo」转向「看同行案例的回本数据」；从一次性买断转向按效果付费、把持续运维写进合同；优先选择懂OT的工程伙伴，而不是纯算法团队。对应的痛点与解法，可以归纳成一张卡：

对工厂自己而言，道理同样朴素：先补数据地基，再谈智能化。没有数据治理托底的AI项目，本质是在沙地上盖楼——楼越高，塌得越快。所谓PPT智造，指的就是那种演示厅里光鲜、车间里断电的方案；而这轮洗牌要淘汰的，恰恰就是它们。

小结

AI在制造业的故事没有讲完，只是换了讲法。当Pella、Hexion这样的企业开始把「投资回报」作为公开访谈的关键词，意味着买方已经率先成熟。接下来的一两年，试点潮会退、洗牌会来：能算清账的工厂，会把AI从费用科目挪进投资科目；敢按效果收费的供应商，会拿到续约和口碑。潮水退去之后留在牌桌上的，不会是最会演示的玩家，而是最会算账的玩家。