AI智能体创造的利润究竟流向何处？

引言

去年，我以制造业专家的角色在一家AI智能体科技企业担任项目经理，我们为一家客户部署了多套AI智能体。合同签得顺利，汇报也出色——仅节省的人工工时，单项就突破一万小时，累计超过十万。按行业平均薪资折算，仅此一项，一年就能省下五百多万，再算上其他潜在收益，至少为客户账上增添了上千万的利润。

然而，在一次闲聊中我意外得知，利润非但没有增长，反而下滑了几百万。我虽是搞生产的，不是财务出身，但车间里的账目，我有自己的算法：机器转多少圈，产出多少活，心里必须有谱。我从库管起步，一路做到运营负责人，近二十年都在机器旁度过，经历过亏损，也管理过数百人的团队。听到利润不升反降，我起初很震惊，后来花时间深挖，终于抓住了核心：AI只是工具，是生产力的物质载体；生产力的本质仍是以拥有技能、经验、知识的人为中心，去改造和利用自然，从而获取客观的物质力量。

那一千万，并未凭空消失。它潜藏在了这几个角落。

人员缩减，薪酬未减

AI上线后，企业严格管控人员规模，只出不进，也未裁员。人数确实减少了，但工资总额下降缓慢，有时反而上升。原因令人心酸：离开的多是年轻人，留下的全是老员工。

制造业的薪酬结构复杂。新员工拿最低档工资，干满一年晋升一级，三年再升一级。自然流失的，大多是入职一两年、薪资尚未涨高的年轻人。留下的，则是工龄津贴、技能工资、岗位补贴都处于高位的老员工。社保基数每年调整，本就在涨，加之没有新人拉低平均值，老员工一平均，成本反而更高。

加班费更是块难啃的骨头。AI节省的那五十万工时，是正常班八小时内的。工厂的工资大头在哪？加班。设备不停，订单在赶，旺季一来，1.5倍、2倍的工资一分不少。

我多年管生产的经验告诉我：人数降10%，工资总额能降5%就算不错。剩下那5%，被工龄、社保、加班这三块“海绵”吸得一干二净。

AI计算了节省的工时，却没算到省下的那些人，本就廉价；留下的那些，大多属于“高薪族”。

主干道畅通，支路却拥堵

客户有一条产线，热处理炉是瓶颈，每天最多处理百来件。AI先把前端的机加工效率提升了30%，零件如潮水般涌向下游。

结果呢？热处理炉前堆满了半成品，叉车来回搬运，工装夹具全线告急，通道几乎被堵死。

AI显示机加工省了两万工时。我说，你省这两万小时有什么用？炉子只能消化一百件，你喂它两百件，多出来的全是库存。

库存可不是静止的——占场地要租金，压资金要利息，搬来搬去要人工，存放久了会生锈。这些成本不在AI“节约工时”的表格上，但全在利润表的存货跌价和仓储费里。

了解精益生产，尤其是TOC理论的人都明白：非瓶颈环节节省的时间，一文不值。更糟的是，它会把整个系统搞乱。让不该加速的地方加速了，结果该加速的地方全堵死了。管理工厂和管理交通同理：支路跑得再快，主干道入口堵住了，城市通行效率只会下降。

机器沉默，磨损却发声

“今年设备维修费涨了近百万”。起初我以为是巧合，翻看维修记录才发现，AI的“最优参数”出了差错。

切削速度、进给量，全推到设备额定值上限。从算法角度看，这是单位时间最高产出。但机床有寿命，刀具会磨损，主轴有疲劳极限。

过去老师傅操作，听声音变尖锐了，会主动降转速；看铁屑颜色不对，就调冷却液。这些“隐性知识”没人记录，但人心中有数。

AI不懂这些，它只认数据、效率和那个计算出的“最优值”。结果，所有设备满负荷甚至超负荷运转，主轴轴承提前报废，刀具消耗翻倍，导轨润滑周期缩短三分之一。

这笔账记在维修备件费里，记在停机待修的产能损失中。财务不会告诉你这是AI的责任，只有盯着设备的人知晓。

电价分时段，AI未察觉

“产量未变，设备未增，电费却高了”。查下来，是AI排程的逻辑问题。人员流失后白班人手紧张，AI将大量高耗能工序从夜班调到了白班。单独看很“人性化”：人多的班次干重活。但工业用电是分时计价的。夜间谷电价格只有白天峰电的三分之一。你把热处理炉从晚上十点挪到早上八点，表面只是换个时间，电费成本却翻了三倍。

AI只盯着均衡排班、减少等待，却忽略了一个物理事实：同一动作，在不同时间执行，成本完全不同。就像超市晚上打折的牛奶，你非要早上原价买，东西一样，花的钱却不一样。

零库存的幻象

AI上线后，采购建议从“一月一次、大批量”变为“一周两次、小批量”。逻辑完美：周转加快，资金占用减少，仓储成本降低。

但从老李的角度看，运费直接翻倍。以前一次送一百吨，运费摊下来便宜；现在一周送两次，一次二十吨，物流公司不愿跑，要么加价，要么拒单。卸货要安排人力，开叉车找仓位，工厂内部短途物流成本也上升了。供应商也被逼得受不了，按月排产变按周配送，人家要么加收紧急费，要么选择退出。AI只算了仓储费省了多少，没算运输费多了多少。两笔账一起算，才知道划不划算。

制造业有句老话：库存是万恶之源，但零库存是另一种万恶之源。适度的库存才是最佳选择。AI追求极端最优，但物理世界的极端，往往意味着脆弱。

AI犯错不可怕，可怕的是它不知己错

AI处理常规件又快又好，但一旦遇到超出训练集的异常——原材料批次有轻微差异、来料尺寸在公差极限——它不会像熟练工那样“觉得不对劲，停下来问问”，而是自信地按逻辑往下走。错误被批量复现，直到成品到客户手里才发现，免不了的批量退货。

制造业有个1:10:100法则：生产现场发现缺陷，成本1块钱；到仓库发现缺陷，成本10块钱；到客户才发现，成本100块。AI把本该在工序内发现的缺陷，推到了终端市场暴露，成本放大一百倍。

更麻烦的是，AI不会犹豫，不会检查，不会请教班组长。它很自信地给出错误答案，然后批量执行。AI错的不是概率，是它根本不知道自己错了。

账本如何算，利润怎么分

传统制造业公司用标准成本法核算：年初定一个人工费率，用“直接人工工时”分摊全厂制造费用——厂房折旧、管理费、水电、维修，全摊在人工头上。

AI上线后，人工工时大幅减少，似乎省钱了。但问题出在分摊上：总人工工时变少，每单位工时摊到的制造费用却变多了。结果，付给工人的钱少了，但每件产品背上的折旧和管理费反而高了。售价没变，成本高了，利润当然往下掉。

AI替代的是人，制造费用却仍按人来分摊，这难道不是把左边口袋省的钱，又从右边口袋塞回去了吗？AI的效率，得配上正确的核算方法，才能兑现成利润。否则前面省，后面漏，白忙活。

最后几句

说了这么多，并非在唱衰AI。恰恰相反，我认为AI在制造业大有可为。但前提是，必须放下一个幻象：数字世界的优化，能直接等同于物理世界的利润。

工厂不是计算机。它有摩擦，有惯性，有疲劳，有损耗。有电价的高峰低谷，有供应链的喜怒哀乐，有老师傅耳朵里听出的异常，有新员工手忙脚乱的笨拙。

AI看不到这些。它只看到数据，看不到铁屑飞溅的车间里，那些写在纸上、却藏在汗水里的成本。五十万小时，到底是真节约，还是从一个口袋掏出来，悄悄放进了另一个口袋？这笔账，财务算不清，算法也算不清。只有戴着安全帽、在机器轰鸣中待了二十年的人，心里有数。

那消失的一千万，就藏在设备磨损的金属屑里，藏在电费单上调高的数字里，藏在一车车零担物流费里，藏在财务账本那条被人为拉长的分摊线上。

找回来，才是真本事。