工厂里最值钱的AI,是会算账的那个
Xometry对150位制造高管的调查显示,AI在制造业最大的价值点不是炫酷的机械臂,而是可制造性分析和成本核算——两件最枯燥、最烧人的事。本文拆解这一结果背后的产业逻辑:AI进厂的正确顺序,是从办公室里那笔算不清的账开始的。
都说AI要进厂了,但你猜高管们最指望它干什么?
不是让机器人跳舞,也不是让大模型写周报。近期Xometry发布的一项针对150位制造企业高管的调查显示,AI在制造业最被看好的两大价值落点,一个是可制造性分析(Manufacturability),一个是成本核算(Costing)。与此同时,调查还发现一个扎心的反差:企业 adoption(采用)AI与自动化工具的速度在加快,但与之配套的人,恰恰是厂里最难招的一批。
两个结论拼在一起,其实说了一件事:AI进厂,不是从车间开始的,是从办公室里那笔算不清的账开始的。
📊 高管们用投票,给AI画了一条进厂路线
每一轮技术浪潮进厂,都要先回答同一个问题:第一刀切在哪?
这次的答案是:切在设计和报价之间那道缝里。
Xometry的这项调查覆盖了150位制造业高管——这是一个很有代表性的样本群体,他们手里管着预算、产线和招聘,对AI的态度直接决定了未来两三年工厂里的钱往哪花。调查给出的两个关键词很值得玩味:
- 可制造性(Manufacturability):一张图纸能不能高效、低成本地做出来,工艺路线选对没有,公差设得合不合理;
- 成本核算(Costing):这个件做出来要花多少钱,哪些环节在悄悄吃掉利润。
说白了,高管们没有把票投给最性感的场景,而是投给了最枯燥的场景。这恰恰是成熟产业决策者的特征:不关心AI能不能惊艳,只关心AI能不能把那笔反复拉扯、来回打脸的账算明白。
从调查的整体倾向看,企业对AI与自动化工具的采用是明确上升的。这不是某一家厂的孤例,而是一个跨企业的共识信号:AI在制造业的叙事,正在从'要不要上'转向'先上哪儿'。
🔍 可制造性:设计师和工艺员吵了二十年的架,AI来劝
工厂里最贵的成本,往往不在机床上,而在'返工'两个字上。
一个熟悉机械加工行业的人都见过这个场景:设计工程师交出一张图纸,公差收紧到±0.005,内腔深径比夸张到离谱;工艺员一看,摇摇头打回去:'这个做不了,或者做出来你付三倍价。'设计说'客户就要这个精度',工艺说'那你去跟客户说'。一来一回,一周过去了,模具费、试制费、交付期全在扯皮中蒸发。
这就是可制造性分析(DFM,Design for Manufacturability)的老大难地位。它理论上人人知道重要,实操中却长期依赖老师傅的经验——而老师傅正在退休,年轻人不爱进这一行。
AI切进来,逻辑很顺:
这套链路的本质,是把'老师傅脑子里的工艺知识'结构化、前置化。图纸还没进车间,问题就暴露在屏幕上。对于多品种、小批量的按需制造场景——也就是Xometry这类平台的主战场——这种前置分析的价值会被订单数量放大成千上万倍:每一单都省一次来回,攒起来就是实打实的产能和毛利。
产业逻辑也在这里:可制造性分析是AI在制造业里少有的'低摩擦、高频次、可量化'的落点。它不挑战产线,不打断生产,只是让信息流先跑通。这符合所有成功的工业软件落地的规律——先动数据,再动物理。
💰 成本核算:报价这件事,正在从玄学变成科学
制造业的老板们私下常讲一句话:'接单的时候觉得赚,月底盘账才知道赔。'
报价是制造业最高频、也最不透明的决策之一。一个机加工件到底成本几何,往往取决于报价员的功底和心情:材料价、加工工时、刀具损耗、装夹次数、表面处理外协……变量几十个,没有人真能在客户催单的两小时内算清楚。于是行业里流行'拍脑袋报价,事后追款',利润就藏在这团迷雾里被磨掉了。
Xometry自身的商业模式就是这个痛点的产物——它靠AI即时报价起家,把传统上需要几天、几轮邮件才能完成的询价-报价流程压缩到几分钟。这次调查中高管们把Costing列为AI最大价值领域之一,某种程度上等于行业内的一次'对账':大家承认,成本核算是过去被系统性低估的数字化洼地。
把AI在制造各环节的应用摆开来看,定位差异很清晰:
看这个象限图就明白高管们为什么把票投给可制造性和成本核算了:它们落在商业价值最高的一档,技术门槛又没有高到够不着。相比之下,那些技术门槛拉满、商业价值反而不明朗的'PPT智造'项目——开一百场发布会、落不了地一个车间——正是这类调查反复敲打的反面参照。
一位在华东做精密加工的朋友的说法很 representative(有代表性):'谁能把报价误差压到10%以内,谁就能在接单端多挤出一到两个点的净利。这两个点,比车间里省电省油金贵多了。'
⚠️ 反差信号:工具越买越多,人却越来越难招
调查里最容易被忽略、但可能最有分量的发现是这个:企业越来越愿意用AI和自动化工具,但相关的人,是厂里最难招的岗位。
这个反差戳破了一个流行幻觉——'AI来了,工厂就没人了'。现实恰恰相反:AI不是消灭了岗位,而是把岗位的要求曲线整个抬高了。过去招一个工艺员,会看图纸、懂车铣就够了;现在要招的人,得同时懂工艺、懂数据、会用AI工具,还得愿意待在厂区。这种人市场上本来就稀缺,制造业的薪酬带宽又抢不过互联网和AI公司。
落到落地的链条上看,卡点非常清楚:
据多位接近制造企业数字化项目的人士反映,现在甲乙方谈AI项目,吵架的焦点已经不是'模型准不准',而是'厂里有没有人接得住'。系统上线三个月没人维护、没人迭代,最后回归Excel——这是过去两年大量智能制造项目烂尾的标准剧本。
所以这次调查里'人难招'的信号,与其说是困难,不如说是一个诚实的提醒:工具的采用速度可以靠预算堆,组织的消化速度只能靠人。AI在制造业的渗透率,短期上限由算法决定,长期上限由人才结构决定。
🚀 路径判断:AI进厂的正确顺序,是先管账再管机器
把调查的三个发现串起来——可制造性、成本核算、人才缺口——其实已经能画出一条清晰的产业路线:
报价与成本核算数字化
AI即时报价替代拍脑袋
可制造性分析前移
图纸进厂前完成工艺校验
数据反哺排产与工艺
订单数据驱动生产计划
车间级智能体试点
人机协同新岗位成型
这条路径和过去二十年ERP、MES的推广史是同构的:钱在哪里算不清,数字化的第一铲子就挖在哪里。报价和可制造性之所以先跑出来,是因为它们离订单最近、离现金流最近、ROI最好算——对于还要给老板交代的建设部门来说,这是唯一说得通的立项逻辑。
对从业者,这条调查结果有三层可操作的含义:
| 角色 | 该做什么 |
|---|---|
| 制造企业决策层 | 把AI预算优先投向报价、DFM这类可量化环节,警惕先上大平台再找场景的老路 |
| 工业软件厂商 | 产品叙事从'智能'转向'省钱',交付口径用返工率和报价误差说话 |
| 工艺与设计人员 | 主动补AI工具能力,未来最难被替代的不是'会用AI的人',而是'懂工艺又懂AI的人' |
| 平台型企业(如Xometry) | AI报价能力天然可产品化,向产业链输出成新的收入曲线 |
结语:别再问AI能不能进厂,问它先算清哪笔账
150位高管的投票,给了当下喧闹的AI叙事一次难得的祛魅:制造业不需要一个会聊天的大模型,需要一个能把公差标对、把成本算清、把返工省掉的同事。
可制造性和成本核算被顶到榜首,说明行业已经度过了'为AI而AI'的阶段;而'人最难招'的诚实暴露,则划定了这场变革的真实速度——它不由发布会决定,由招人经理决定。未来两三年,判断一家工厂智能化成色的标准会越来越朴素:不是看它有几块大屏,而是看它的报价单准不准、返工多不多、新来的人会不会用那套AI工具。
AI进厂这件事,才刚刚开始。而它的第一站,很可能就是你公司那间还在用Excel算成本的报价室。