工业AI为何惨败？从“买系统”转向“长智能”才是破局关键

字数：约5300字 | 阅读时长：9分钟

以一家华东央企二级公司为例，2025年底斥资3000万购入全套“AI+制造”整体解决方案——涵盖行业大模型、智能排产、预测性维护、质量检测等。供应商承诺三个月交付，半年见效。

一年过去。

排产模块，计划员依旧依赖Excel；预测性维护，设备科照常每周巡检；质量检测虽上线，却仅覆盖一条产线的一个工位，理由是“其他产线传感器数据格式不一，无法训练模型”。

价值3000万的系统，实际有效使用功能不足15%。

这并非孤例。根据德勤对中国制造业AI项目的调研：认为项目达成80%-100%预期的企业仅占9%。换言之，91%的工业AI项目均未达标。

更讽刺的是，在这些项目举步维艰之际，八部门联合印发《“人工智能+制造”专项行动实施意见》，提出2027年目标：推出1000个高水平工业智能体、推广500个典型应用场景、选树1000家标杆企业；5月18日，李强总理调研人形机器人创新中心，明确要求“政府部门和国有企业开放场景”——政策窗口正以前所未有的速度开启。

一边是91%的项目未达预期，一边是政策加速推进。这其中的巨大鸿沟究竟是什么？

我的观点是：AI+制造的核心症结，不在于技术不够成熟，而在于企业思维尚未从“买系统”切换至“长智能”。买系统是外装，长智能是内生长——外装会过时，内生长会进化。

在接触的工业AI项目中，最常见的失败并非“技术做不出来”，而是“做出来无人问津”。具体表现为三种典型模式：

困境一：需求错位——做的是决策层想的，非一线所需的

某大型制造企业投入数百万开发“企业知识助手”，初衷是方便员工查询公司政策。上线三个月，日活跌至个位数。复盘发现：员工真实痛点并非查询休假政策（低频需求），而是产线设备故障诊断（高频、高价值需求）。

工业AI项目需求通常经三层传递：决策层立项→信息化部门提需求→供应商实施。每过一层，需求便模糊一分。等到落地时，早已与一线工人的实际痛点脱节。

困境二：数据陷阱——数据虽多，却无法利用

许多工厂立项时宣称：“传感器装了一大堆，数据完全够用。”项目启动后才发现：传感器数据虽在，但格式五花八门，不同年代、厂商设备根本无法拼接；SCADA数据能看但难用，与ERP、MES系统割裂；历史数据虽有，但标注全靠人工，懂行的老师傅早已退休。

这并非刁难供应商，而是工厂几十年的历史遗留问题。过去重生产轻数据，如今地基未打，难以支撑AI。

困境三：组织滞后——系统上线了，人不会用也不愿用

制造业AI落地面临互联网行业不存在的挑战：一线工人使用门槛。当AI操作逻辑与工人几十年的习惯冲突时，阻力源于组织而非技术。

这三种困境的共同根源在于：企业仍用“买系统”的逻辑做AI。买系统逻辑是“我出钱，你交付，我用起来”；长智能逻辑是“我定义问题，我准备数据，我改变组织，AI是我的能力延伸”。

核心差异仅有一句：买系统是把AI当工具外挂，长智能是把AI当能力内生。工具可外包，能力必须内生。

八部门《实施意见》描绘的蓝图宏大：1000个工业智能体、500个典型场景、1000家标杆企业。但成功的9%有一个共性：从小场景切入，不追求一步到位。

美的洗衣机荆州工厂未直接“全厂AI化”，而是先部署14个智能体覆盖38个核心场景，依托“工厂大脑”协同。结果：排产响应提速90%，干衣机后盖锁附工站实现混流柔性生产——从单点突破，再复制推广。

中石油兰州石化榆林化工未做“全厂智能化”，而是聚焦乙烷制乙烯单一工艺，部署昆仑大模型+TPT 2双模型驱动架构。结果：异常预警准确率达99.79%，升温操作缩短4-5小时，年效益不低于650万元。

路径建议：锁定具体、高频、数据相对干净的场景——如某类零件缺陷检测或某产线排产优化——验证后再复制。基于127个项目分析，采用MVP（最小可行产品）验证→复制扩展路径，平均投入比“全厂一步到位”低80%，且ROI高3-5倍。

里程碑验收标准：至少一个AI场景实现效果可量化——良率提升X%、排产时间从X小时缩至X分钟、设备故障预警提前X天。

这是最反直觉的一点。

许多企业做法是：先采购AI平台，再想办法补数据。结果平台等了半年，数据未补齐，项目已凉。

正确顺序应相反：先确定业务场景，再为该场景做定向数据治理。

义乌星空灯工厂优克拉提供了极佳参照。这家百人企业，钉钉发布“悟空”AI智能体两周内全员部署，三个月新品首发成功率从60%跃升至92%。前提非“数据完美”，而是“数据已在线上跑”——优克拉2017年即用钉钉，2023年全面部署AI表格，AI只需接入，无需重建。

这印证了上篇文章结论：先理流程、再选工具、最后上系统。AI是数字化下一站，非替代品。数字化好的企业，AI落地是“接入”；数字化差的，则是“重建”——成本差十倍。

路径建议：选定AI场景后，先梳理涉及的数据链路——从传感器到MES到ERP，标准是否统一、流转是否通畅、质量是否可训练。用场景倒逼数据治理，比“全面治理”高效得多。

里程碑验收标准：至少一个AI场景的数据链路打通——形成从数据采集到模型训练到效果反馈的闭环。

这是最难的一跃，也是决定AI能力能否“长”出来的关键。

大部分工业AI项目交付模式是：供应商做完走人，培训几天。半年后精度下降，企业无人会调；一年后业务变化，模型失效，企业无人会改。系统沦为不会进化的“死工具”。

而成功的9%有一个特征：企业内部有既懂业务又懂AI的“翻译官”。此人未必技术出身，但能将一线痛点翻译成AI问题，将AI边界翻译给业务人员。

山东海化工艺优化智能体之所以能年节电450万千瓦时、离子膜寿命延长25%，非因模型先进，而是因内部团队持续定义优化目标和反馈效果。

路径建议：项目启动时，培养1-2名内部“AI场景翻译官”——无需会写代码，但必须能说清“业务要什么”和“AI能做到什么”。交付非终点，运营才是。

里程碑验收标准：至少一个AI场景，企业团队能独立完成模型调优和规则更新，不依赖供应商。

2026年5月18日，李强总理调研释放明确信号：“鼓励政府部门、国有企业等开放场景”。

5月22日，发改委发言人李超进一步明确：正谋划加快“人工智能+”落地配套文件，推动国产大模型适配国产算力芯片，建设国家AI应用中试基地。

这对央国企意味着什么？

第一，央国企将从“AI采购方”变为“AI场景提供方”。以前是花钱买方案，现在是开放场景做“试验场”和“需求定义者”。角色转换意味着话语权提升。

第二，中试基地将大幅缩短“从实验室到工厂”的转化周期。国家布局制造、医疗、交通等领域，提供“试验场→工厂”通道。央国企开放场景+中试基地验证，构成完整产业化路径。

第三，国产大模型+国产算力芯片协同适配，为国产替代打开空间。发改委明确指导“国产大模型适配国产算力芯片”，自主可控成主线。这对央国企IT选型有直接影响：未来AI平台选型，“国产适配”将从加分项变为必选项。

但机会窗口不等于自动成功。央国企开放场景仍面临三个现实问题：

这三个问题，本质仍回到前文三个跃迁：场景要打穿、数据要先治、能力要内生。

我将企业AI+制造能力成熟度分为四个阶段，各有核心任务和避坑要点：

使用方法：诚实对照现状。L0阶段别急着上AI——先理流程、通数据。L1阶段专注把场景做透再扩展。L2阶段最该警惕“烟囱式AI”——各场景各买一套系统，数据互不通，与当年“买系统”思维如出一辙。

更深问题是：为何L0阶段想直接跳到L3？因决策层在政策驱动下产生紧迫感，但紧迫感不等同能力。政策可加速意愿，无法替代准备。

最后，从陇珈咨询核心方法论“秩序管理”角度，谈谈AI+制造本质。

在上一篇文章《数字化转型不是买系统》中，提出“数字化是秩序管理的加速器，而非替代品”。今日想进一步：AI不是制造业“新工具”，而是“新器官”。

工具与器官区别：工具可买、可借、可外包、可换；器官必须自己长、自己养、自己维护、自己进化。

若AI系统由供应商部署走人，便是工具——用着不合身，因业务在变它不变。若内部有人能定义场景、治理数据、迭代模型，AI便长成器官——随业务进化而进化。

这就是91%工业AI项目未达标原因：企业把器官当工具买，买后发现不会自己长。

所以，AI+制造终极命题非“买什么AI”，而是“你的组织有没有长AI的能力”。

三个检验标准：

三个都做到，AI即成器官。一个都做不到，先回去做数字化。

写在最后

2026年，AI+制造处于特殊拐点：政策窗口前所未有打开，但落地能力远跟不上节奏。

八部门《实施意见》规划2027年宏大目标，发改委三线并进，央国企被要求开放场景——外部推力已足。

但内部准备呢？

德勤数据显示：91%项目未达预期。另一份127个制造业AI项目分析显示：68%失败率，1.2%千万级投入实际效率提升中位数——非AI不行，是企业未准备好。

AI+制造竞赛，非比谁买得早，而是比谁长得快。

买系统只需预算和招标流程，长智能需场景定义、数据就绪、组织迭代能力。前者三月搞定，后者三年起步。

故建议：启动AI+制造的企业，别问“我该买什么AI”，先问“组织有没有长AI能力”。若否定，先回去做数字化。若肯定，从场景打穿开始——别贪多，别求快，别迷信“全厂AI化”。

AI不会因购买而变聪明，但会因组织学会使用而变强。

这就是“买系统”与“长智能”的区别。

END