7 成制造企业有 AI 计划,真正落地的不到 1 成——问题出在哪?
凡达恩FDE
今天刚出炉的一份调研说了一个扎心的数字:超过 7 成制造企业已经制定了 AI 实施计划,但真正落地的比例远低于 1 成。
规划很热,落地很冷。
这不是哪一家工厂的问题,是整个制造业的"集体卡点"。
01|205 家企业的"集体卡点"

这份调研来自 e-works Research 联合国际智能制造联盟,样本是 205 家中国制造企业——覆盖离散制造、流程制造、装备制造、消费品制造四大类,规模从年营收 5 亿到 500 亿不等。
调研结论浓缩成三句话:
第一,7 成+ 企业已经有 AI 实施计划。 不是说"考虑考虑",是写进年度规划、立过项、报过预算的那种。
第二,落地比例远低于 1 成。 这里的"落地"定义很严:不是开了个试点、不是做了个 Demo,是 AI 真的进入核心业务流程并跑出可量化的业务结果。
第三,落地的企业高度集中在"已经跑过 1-2 年数字化改造"的那一批。 从零起步直接上 AI 的,几乎全军覆没。
三句话拼出来的画面很清晰:AI 不是"从 0 到 1"的颠覆,是"从 60 分到 90 分"的接棒。
▎ 没接好数字化这一棒,再贵的 AI 也只是空中楼阁。
02|堵点 1|认知错位:把"AI 落地"等同于"买软件"

这是 4 大堵点里最隐蔽、也最致命的一个。
很多制造企业老板对 AI 落地的理解是:"上一套大模型,工厂就智能了。"
但调研数据告诉你,AI 落地 ≠ 买软件。买软件买的是工具,AI 落地买的是流程改造+数据治理+组织调整的总和。
举个例子:某汽车零部件工厂花 200 万买了质检大模型,准确率从 92% 升到 96%。但上线 3 个月后用不起来——因为产线节拍跟不上模型推理时间,质检工位要等 1.5 秒,产线节拍被拖慢 8%。最后模型被搁置,团队回到人工抽检。
这不是模型的问题,是节拍匹配、工位改造、员工操作习惯的系统工程没人做。
调研里这类案例占了 60% 以上:软件买了、人员训了、算力上了,但就是跑不到生产线上。
AI 落地的第一道坎,不是技术,是认知。
03|堵点 2|业务错配:通用模型在工业现场"水土不服"

第二个堵点更技术,也更难解。
调研发现一个反直觉的数据:在制造业落地的 AI 项目里,"通用大模型直接上车"的成功率不到 15%。 反而是"通用底座 + 行业知识精调"的双层架构,成功率能到 60%+。
为什么?
工业现场的容错率极低。一个通用大模型在聊天场景里"幻觉"一下顶多闹个笑话,在工业场景里"幻觉"一下可能是停产、是质量事故、是安全事故。
具体表现有三:
一是术语门槛。 通用大模型对"热处理工艺"、"粗加工余量"、"BOM 嵌套层级"这些工业行话的理解,远不如一个读过 10 万份工艺文档的工业专属模型。
二是数据敏感。 工业数据涉及产线参数、配方、客户结构,通用模型的训练数据收集方式让企业法务部门望而却步——数据出不去,是制造业 AI 落地的硬约束。
三是流程嵌入。 工业流程的"上下文"远比对话复杂,通用模型难以理解"这道工序之前发生了什么、之后会接到哪里",给出来的建议常常"对但没用"。
调研里反复出现的关键词是:"行业专属"、"知识精调"、"私有化部署"。
04|堵点 3+4|资源真空 + 服务缺位:有规划没专人,只交工具无指导

把堵点 3 和堵点 4 放一起说,是因为它们本质上是同一件事——AI 落地的"人力"和"陪跑"被严重低估了。
堵点 3:资源真空。 205 家企业里,超过半数没有"AI 负责人"这个岗位。AI 项目挂在 IT 部下面,由 CIO 兼管,但 CIO 的核心 KPI 是产线稳定,不是 AI 创新。结果是:AI 项目在 IT 视角里优先级不高,在业务视角里又太技术,中间形成真空。
堵点 4:服务缺位。 调研里 70% 的 AI 落地失败案例,溯源到最后都指向同一个原因:服务商交付的是"工具",不是"能力"。
什么叫交付"工具"?——给一套大模型、几个 API、几场培训,然后说"剩下的你们自己用"。
什么叫交付"能力"?——派工程师驻场 3-6 个月,从调研评估、业务对接、模型选型、试点跑通、数据回流、迭代优化,一路陪跑,直到 AI 真正进入核心业务流程并跑出业务结果。
两者的差别,是"卖软件"和"做陪跑"的差别。
调研里跑通 AI 落地的企业,几乎都用了"陪跑"模式。没有一家是纯靠软件采购跑通的。
05|行业分化:离散制造 vs 流程制造的"AI 路径"不同

不是所有制造企业适合同一种 AI 落地路径。
调研把 205 家企业按行业拆开看,发现离散制造和流程制造的"AI 发力点"完全不同:
离散制造(汽车、3C、装备、家电等)——产品由零部件组装而成,工序离散、单件可追溯。AI 落地的发力点集中在: - 质检(视觉检测、不良品分类) - 排产(多品种小批量下的最优排产) - 物流(AGV 调度、立体仓路径优化) - 工艺(加工参数优化、首件自检)
流程制造(钢铁、化工、食品、医药等)——物料连续流动、配方和工艺稳定,AI 落地的发力点完全不同: - 工艺优化(能耗、收率、催化剂用量) - 质量追溯(批次缺陷根因分析) - 设备预测性维护(连续生产线的非计划停机成本极高) - 能耗与碳排(流程行业碳排占全行业 70%+,是 AI 减碳的主战场)
调研里有一个数字很扎眼:流程制造企业的 AI 落地成功率比离散制造高出 18 个百分点。 不是因为流程制造更先进,是因为流程制造的"数据连续性"更好——同一配方、同一设备、连续生产几个月,AI 模型有足够长的数据序列来学习。
离散制造要解决的是"数据碎片化",流程制造要解决的是"模型适配深度"。
06|FDE 驻场落地方法论:4 步把"计划"变成"运行"

调研数据印证了 FDE(凡达恩注:FDE 即"驻场落地工程师"模式)的核心方法论——AI 落地不是一次性项目,是 4 阶段陪跑。
阶段 1|调研评估
驻场前 2-4 周,调研企业现状: - 数据资产盘点(哪些数据有、哪些数据能用、哪些数据需要补) - 业务流程梳理(核心 KPI 卡点是什么) - 现有系统对接难度评估(MES / ERP / PLM / WMS) - AI 适配度评分(哪些场景适合先做,哪些要等)
输出:一份"AI 落地优先级 + 投入产出比"诊断报告。
阶段 2|选型适配
基于诊断报告选择工具组合——不押注单一厂商: - 通用大模型:选底座(豆包、通义千问、Llama 系等) - 行业模型:在通用底座上做行业知识精调 - 私有化部署:数据敏感场景必须私有化
输出:一份"模型选型 + 部署架构 + 算力成本"方案。
阶段 3|试点运行
挑 1-2 个最容易出业务结果的场景先跑——不贪多: - 场景选择标准:业务痛点强、数据齐备、容错率高、3-6 个月能见结果 - 试点期间驻场工程师和甲方团队共同推进,每周同步进度
输出:可量化的试点结果报告。
阶段 4|迭代优化
试点跑通后进入规模化阶段: - 把成功场景复制到相邻工序 - 数据回流反哺模型 - 培养甲方自己的 AI 运营团队
输出:可复制的 AI 落地方法论。
自检清单:你的工厂是"规划热"还是"规划冷"? 用这 4 个问题判断: 1. 有没有专职的 AI 负责人?(不是 CIO 兼管) 2. 去年 AI 项目的预算是花完了,还是没花出去? 3. AI 试点有没有跑出可量化的业务结果? 4. 服务商是只交了软件,还是派了工程师驻场?
4 个问题里如果 3 个答案是负面信号,你的 AI 计划可能就在"规划热"那一栏里。
▎ 落地不靠 PPT,靠"扎根现场"的陪跑。
规划很热,落地很冷——中间差的不是技术,是愿意在工厂车间里待够时间的人。
E N D