本文来自微信公众号： 资本不熬夜 ，作者：不熬夜研究院
一家制造企业引入AI后，人力资源部门从12人缩减到了3人。按照一名工厂负责人小爱的说法，变化先发生在人事、办公审批和管理系统里。但到了车间，AI还没有交出同样的成绩。
在他眼中，现阶段的AI更像一个“昂贵的行政助理”，离接管生产还有距离。
另一家江苏工厂，已经走到了老板催回本的阶段。机械臂买了，自动导引车进厂了，信息技术支出不断增加。
不少从业者在群里抱怨：“降本增效没看到，投入增加了不少，老板要快速回笼成本，压力很大。”
自动化设备和软件都已采购，能否转成经营收益，仍要等生产现场给出结果。
还有从业者讲述，企业为自行部署AI购买了数十万元的服务器，随后发现人员、系统适配和数据安全问题难以解决，最终放弃项目。这些采访与自述尚不足以代表整个行业，却呈现出相似的落差：老板以为采购完成就能开始省钱，项目推进后，才发现后面还有一串尚未列清的支出。
这也把AI供应商带进了另一道考题。拿下一家工厂之后，模型能够继续使用，但下一家客户的设备、数据和工艺未必沿用上一家的方案。
01
AI难以陪跑生产线
工厂负责人小爱将AI在办公室与车间的能力分开，是因为两边衡量成果的方式不同。
资料整理、制度查询和常规审批辅助，可以先从部分任务做起，再由人复核。生产系统则要同时面对节拍、质量和交期，单个环节的改善，还要经受整条产线的检验。
在他的描述中，新系统与原有流程磨合，可能使良品率短期波动，老板却不愿为未来的提效先承担当下的生产损失，这层顾虑足以影响采购之后的决定。
因为AI给出的建议，需要由人检查后再决定是否采用，如果要让它直接操作机器，就得先反复测试，直至确认它能稳定完成生产任务。
即便如此，AI强制赋能即便调试好了，设备也会加大发生误动作的概率，这个代价可能沿工序向后传递。误判需要复核，不合格品可能返工，调试挤占的时间还会影响交付。
供应商可以持续更新模型，工厂却不能让产品标准和交货期限跟着更新节奏调整。技术尚在磨合时，生产责任已经有人承担。
这也解释了小爱对自动化的态度：“产线需要精确，自动化就足够，AI属于重复且冗余。”
因为对规则明确、重复执行的工序，原本成熟的自动化可以承担既定任务。增加AI，则需要说明额外能力的用途。能够用原有设备稳定完成的工作，再叠加模型、接口和维护，未必会改善投入产出。
同时，工业视觉、预测模型与生成式大模型不能混作一种技术。
美国国家标准与技术研究院在生成式AI风险指南中，将自信地输出错误内容列为风险之一。模型能够回答工艺问题，并不意味着答案可以未经验证地变成控制指令；而大模型的这类风险，也不能直接用来否定工业视觉的应用。
因此，工厂采购的范围会影响AI的价值。可以用它来辅助查资料，但现阶段很难让它参与生产判断和对可靠性和异常性的接管。
02
AI进厂，各有各的难关
老干妈的辣椒分拣，已经越过了单纯提供建议的阶段。
工业相机扫描传送带上的辣椒，识别霉变、黑斑等缺陷，再配合设备剔除不合格原料。系统处理的对象、执行的动作和质量标准都有边界，可以围绕漏检、误剔和处理速度检验效果。
不久前，老干妈常务副总、首席质量官李鑫在2026年贵州省质量发展大会上介绍，公司于2025年全面上线AI视觉质检系统，关键工序产品不良率降至0.02%，核心原料实现100%可追溯。
本质上，这套系统提升的还是碳基生物“人”的效率极限。
从技术角度来说，这条路径与购买服务器后再寻找应用的企业有所不同。老干妈先有原料检验与质量追溯的需求，再让技术进入相应工序，系统不必理解整家公司的业务。但换到另一家工厂，即使任务仍叫“识别缺陷”，材料、光照、设备速度和判定标准也可能变化，已有模型能复用多少，都需要重新测试。
小爱告诉《资本》，即便其他企业存在类似的效率问题，但是企业之间的生产数据往往涉及保密，难以直接拿来共用。“数据采用必须经过清洗，这一步更加考验的是企业的复合型人才。他们既要懂AI，又得懂制造业，还要足够靠谱。“
小爱说，“因为设备记录、检验结果和维修日志分散在不同系统，某批产品出了问题，不一定能关联到对应物料、设备与工艺参数。”
一名参与制造业AI项目实施的博主，在自己的社媒平台中反复提到数据治理。在他接触的部分客户中，数据尚未整理到能够支持应用的程度，团队必须先研究生产流程、厘清需求，再决定产品怎样开发。外界看到的是模型接入，实施人员首先处理的却可能是记录缺失、口径不一和系统不通。
这些工作决定了项目的复制边界，模型底座和部分软件可以沿用，客户的数据整理、接口适配与生产验证却未必随之省掉。
这也不等于每进一家工厂，都要从头训练一个模型。但需要重新支付多少现场工作，才是上一家成功案例能否降低下一家成本的关键。
技术进入工序之后，企业还要回应工序之外的影响。10月下旬，“老干妈用AI将600名拣椒工裁至48人”的说法引发争议，相关抵制言论随之出现。据媒体报道，10月26日，老干妈相关工作人员否认这一说法，并表示公司此前并没有使用过600多名拣椒工人。
这组被否认的数字，不能否定掉AI的提效成果，但可以肯定的是，AI给部分工厂带来的提效并没有达到大众想象中的期待，就连工厂老板也开始着急起来。
小爱表示，“这套系统引进过来花费了200多万，如果成本不回来，当初引进这套系统的人就要背锅，这个负责人的最后交卷日是到今年年底。”
老干妈面对的则是另一种压力。生产线上的质量改善，进入公众视野后，变成了对岗位去留的追问。技术提高了哪些环节的效率，实际用工发生了什么变化，需要分别说清楚。
否则，一项质检升级就可能被未经证实的裁员数字掩盖，企业还要为此付出解释和沟通的成本。
03
小工厂难以支撑模型背后的算力
对中小企业，一位视频博主《阿则聊AI》还把算力视为一道成本门槛。但算力需求取决于任务和部署方式，调用外部服务、本地运行与训练模型，不能套用同一份预算。
数据能否离开厂区、系统需要多快响应、现有设备能够承载多少工作，都影响后续投入，服务器采购本身不能替代这些判断。
比设备报价更难预估的，是交付需要多少人。
小爱提到，项目需要同时理解工程、软件和AI的人，懂模型未必熟悉工艺，熟悉产线也未必能够判断模型边界。这类人才的短缺，让省人工的采购目标与依赖人工的实施过程发生碰撞，成本先由工厂或供应商承担，再通过合同安排分配。
双方对“交付完成”的理解，也可能由此分开。软件能够运行，只完成了部分工作；工厂还要检验系统能否跟上生产节拍、是否增加返工、异常发生后如何恢复。验收指标、改造范围和责任边界没有提前确定，新增需求与反复调试，就可能继续拉长交付周期。
这会改变供应商扩张的方式。能够复用的软件模块越多，后续项目越有机会摊薄前期投入；需要逐厂适配的工作越多，订单增长就越依赖工程团队扩充。
收入增加之后还能留下多少利润，要看交付工时、维护费用与回款，不能只看客户名单增长。
对投资机构，首个案例展示的是技术能够落地，跨客户复制才开始检验商业模式。一个项目能够验收，并不自动证明下一单更便宜；客户续约、现场投入能否减少、成熟方案的复用比例，才关系到企业能否从逐单交付走向持续经营。
工厂同样不能只按单点效率判断收益。一道工序加快，后续环节可能仍然拥堵；产能增加，没有新增订单也难以变成收入；节省工时，未必立即减少用工支出。当单位成本下降之后，部分收益还可能通过客户议价让出去，技术改善需要穿过这些经营环节，才能留在利润中。
因此，改造范围需要与损失来源对应。质检看漏检、误剔与报废，维护看非计划停机，排程看交期与在制品变化，再核对新增费用是否被覆盖。涉及生产控制的项目，还需要明确人工复核、异常退出和接管方式，把试验限制在工厂能够承担的范围内。
不过，AI并非无法进入生产线，部分大型制造企业已经取得了可量化的改造成果。宝洁与西门子合作部署AI视觉质检系统，产品报废率降低10%至20%，新产线视觉检测系统的部署速度达到传统方案的5—10倍。
首钢北京冷轧工厂通过部署67项工业4.0应用，推动产品缺陷率下降35%，生产线效率提升21.2%；中集冷藏集装箱胶州工厂通过实施50多项数字化及AI应用，将制造周期缩短32%，产品缺陷率降低47%，加工成本降低24%。
但需要注意的是，这些成果均建立在工业自动化、机器视觉、数字化系统、工艺优化与AI技术协同应用的基础上，并非单一AI模型独立创造的收益。AI能够改善生产线的部分环节，并不意味着一套大模型就能重新改造一条已经成熟的自动化产线。
