制造业AI降本增效怎么做？先筛对第一批场景，再谈工具

30秒看懂：制造企业做AI降本增效，第一步不是买工具，而是把候选场景过一遍六道闸门：业务价值、数据就绪、工作流清晰度、实施集成、Owner、经济性风险。六问全部过关的进入NOW，价值高但卡在前置条件的进入NEXT，讲不出指标或找不到Owner的进入NOT NOW。BCG调研显示，约70%的AI项目障碍来自人和流程，Gartner预测到2025年底至少30%的生成式AI项目会在PoC后放弃。先筛场景，才能让第一批2-3个场景在90天内读出结果。

结论先行：第一步是筛场景，不是买工具

制造企业做AI降本增效，第一步应该是把候选场景过一遍筛子，只让2–3个场景进入第一批，而不是先选模型、签平台或做全厂AI规划。筛子问六个问题：这个场景改善哪个经营指标；数据和知识是否已经存在；AI在流程里扮演什么角色；要碰哪些系统；谁是业务Owner、每天谁在用；90天内能否读出投入产出。六问全部过关的进入NOW；价值高但卡在某个前置条件的进入NEXT，并写明要补什么；讲不出指标或找不到Owner的进入NOT NOW。

先筛场景的顺序，由AI项目的失败原因决定。BCG 2024年对1000名高管的调研发现，只有26%的企业具备把AI推过概念验证并产生实际价值的能力；企业遇到的障碍约70%来自人和流程，20%来自技术，算法只占10%；BCG 2025年报告重申了这一“10-20-70”配比。Gartner在2024年7月预测，到2025年底至少30%的生成式AI项目会在PoC之后被放弃，原因是数据质量差、风险控制不足、成本上升或业务价值不清。这一预测是否兑现，未查到Gartner的后续核实数据；本文用的是它列出的四个原因。这四个原因在立项那天就能被看出来。工具选得再好，也救不了一个没有基线指标、没有数据、没有人用的场景。

为什么试点多、结果少：问题出在立项，不在模型

制造业的试点困境有明确规模。世界经济论坛（WEF）指出，投资于高级分析、AI或数字化方案的企业中，超过70%没有走出试点阶段（WEF未在该文中注明这一数字的原始调研）。McKinsey 2025年全球调研显示，只有39%的受访企业报告AI在企业层面产生了EBIT影响；取得最大价值的企业，多数在重新设计工作流。

PoC和规模化考的是两道不同的题。PoC回答”模型能不能做到”；规模化回答”做到以后，谁改变了工作方式、哪个指标动了、成本是否可控”。多数PoC只考了第一题。于是常见的结局是：模型准确率达标，但输出没有接进班组交接或维修派工流程，没有人为指标负责，推广到第二条产线又要重新清洗数据，项目停在演示阶段。

Deloitte的制造业数据给出了第二个信号。Deloitte 2025年智能制造调研（2024年8–9月访问600名美国大型制造企业高管，自报数据）中，在工厂或网络层面部署传统AI/机器学习的占29%、仍在试点的占23%；生成式AI则是部署24%、试点38%。传统AI的部署多于试点，生成式AI的试点多于部署。对筛选的含义是：生成式AI候选场景在”工作流”和”风险”两道闸门上要过得更严，不能因为热度占满第一批名额。

六道闸门：每个候选场景都要回答的六个问题

筛选用闸门，不用加权总分。加权平均会让一个”业务价值满分、Owner为零”的场景拿到体面的总分，而Owner缺失足以让项目归零。所以”业务价值”和”Owner”两道是一票否决；其余四道决定场景放在NOW还是NEXT。

两道否决、四道分流：下表把六道闸门压成评审会上可以逐项打勾的问题，任何一道不过关都有明确去向。表中”两周””6个月”等阈值是本文建议的经验规则，不是行业基准，可按企业节奏调整。

闸门1 业务价值：先写指标，再写场景

业务价值闸门要求每个场景对应一个财务口径的经营指标。Gartner指出，以提升生产率为目的的投入，很难直接换算成财务收益。举例来说，”工程师查资料快了30%”不等于成本下降，除非省下的工时变成了更少的停机、更少的加班或更少的外包。

这道闸门最常见的失败，是场景名听起来像价值（”智能质检””AI助手”），却说不出对应哪一行损益。检验只需一句话，由提案人写出：良率、OEE、库存周转或交付周期从A变到B。写不出A，第一步是建基线，而不是做AI。

闸门2 数据与知识就绪：看样本，不看数据量

数据就绪闸门检查的是可用样本，而不是数据总量。视觉质检需要带标注的缺陷样本；预测性维护需要故障前后的传感器记录和故障标签；维修知识助手需要可检索的手册、SOP和历史工单。

制造企业常见的情况是设备数据以TB计，却没有一条故障标签；或者缺陷率很低，稀有缺陷样本只有几十个。实操上，让业务和IT在两周内拿出一份真实样本，由一线专家确认能用。拿不出来的场景归入NEXT，第一项任务写明是补采集还是补标注。

闸门3 工作流清晰度：先定AI的角色

工作流闸门要求先确定AI在流程中的角色：自动执行、给出建议、识别异常、生成内容，或辅助决策。角色决定验收方式。异常识别看漏检率和误报率；生成内容看人工改稿时间；自动执行看错误率和回滚机制。

AI不改变流程，省下的时间就会被原流程吸收掉。McKinsey的调研也显示，从AI中获得最大价值的企业，多数在重新设计工作流。落地检查是画四格：”AI输出 → 谁接收 → 做什么动作 → 哪个指标变化”。任何一格空着，场景不进第一批。

闸门4 实施与集成：第一批尽量不碰控制层

集成闸门评估的是周期和风险。Deloitte调研中，65%的受访者把运营风险列为智能制造举措的第一或第二顾虑；针对OT环境，55%的受访者强烈认同未授权访问是高度关切。

失败信号是场景价值依赖实时写回MES或PLC，却按三个月PoC排期。对第一批场景设一条线：优先”读取现有ERP/MES数据、输出建议、人工执行”的场景。需要写回控制层的场景放入NEXT，先单独做安全评估和回退方案。

闸门5 Adoption与Owner：没有业务Owner就不开工

Owner闸门是否决项，依据是BCG的结论：约70%的障碍来自人和流程。Deloitte数据显示，51%的智能制造举措由COO等运营负责人主导，38%由CTO等技术负责人主导。这至少说明，在大型制造企业中，由运营业务负责人直接牵头智能制造并不少见。

典型失败是IT牵头、供应商交付、车间”配合试用”，三个月后使用率下滑，没有人为指标负责。开工前写出三个名字：对KPI负责的业务Owner、每天使用的一线岗位、提供数据和系统支持的IT负责人。KPI写进业务Owner的季度考核。

闸门6 经济性与风险：把人工复核算进成本

经济性闸门要求ROI把人工复核一起算进去。Gartner把成本上升和风险控制不足都列为PoC被放弃的原因。生成式AI还有特有风险：NIST AI 600-1把”虚构”（confabulation）列为生成式AI的风险类别之一，即模型自信地输出错误内容。在车间，这意味着一个错误的扭矩值或一段错误的维修步骤。

立项时回答三个数：90天内能否读到指标变化；单次错误的最坏代价；人工复核时间占节省工时的比例。错误不可逆、又无法被人工拦截的场景，不进第一批。

三个案例：同一套闸门，三种结果

案例A：梅特勒-托利多常州工厂，成熟工厂的质量场景长什么样。 该工厂34.8%的订单是单件订单，为应对定制化需求和碎片化市场启动了数字化改造。WEF 2025年9月公告显示，工厂部署了49个用例，其中包括机器学习焊接检测并自动回调工艺参数，整体实现98.4%准时交付、交付周期缩短22%。

案例A的机制（本文解读，非WEF原文结论）在于：质量指标清楚，数据产生于工序本身，AI角色是异常识别加参数调整。边界同样清楚：结果是49个用例的合计，不能归因于焊接检测单项；参数自动回调属于写回控制层，是成熟工厂的终点，不是多数企业的起点。

案例B：中信泰富特钢高炉优化，高价值但属于NEXT。 McKinsey对灯塔工厂的分析（基于2023年12月入选的灯塔工厂批次）提到，中信泰富特钢用AI预测高炉内部状态、实时优化工艺参数，产量提升15%、能耗降低11%。这是典型的高价值场景，但它同时依赖长期积累的工艺数据、工艺专家参与和实时参数写回。对多数企业，闸门2和闸门4不过关，应放入NEXT，先补数据基础。

案例C：西门子工业Copilot维修试点，典型的NOW候选。 西门子2025年3月发布称，首批试点中，维修Copilot平均节省25%的被动维修时间。这类场景读取手册和工单、给出建议、由技师执行，集成浅、错误可被技师拦截、见效周期短。边界是：这是厂商自报的试点平均值，新闻稿未披露试点数量和测量方法；节省的维修时间要换算成停机时长或加班成本，才算过了闸门1。

三个案例的差异不在技术先进程度，而在前置条件是否满足。

NOW / NEXT / NOT NOW：第一批场景组合

分组依据是前置条件，不是场景名称。同一个视觉质检，在缺陷样本充足的工位是NOW，在样本稀缺的新品线是NEXT。

90天决策规则：每个场景一张卡

第一批只选2–3个场景。每个场景需要一名业务Owner投入真实时间，管理层同时盯住三个以上场景，注意力就开始稀释。

每张场景卡的核心是把Kill条件和KPI一起在立项时写下。下表以维修知识助手为例，字段内容为示例，需按企业实际填写。

Kill条件要在立项时写下，而不是在第90天讨论。事先写下的停止条件，才能让停止成为一个正常决定。

这套框架的边界

本文引用的调研多来自大型企业和灯塔工厂，均为自报数据；中小制造企业的数据基础更弱，NEXT的比例会更高。框架用于排定第一批场景的顺序，不替代安全、合规和投资审批。AI能力变化快，本文数据截至2026年9月，分组建议每6个月重检一次。

这套框架的判断在每家企业内部都可以被证伪：如果第一批2–3个场景在评审时都通过了六道闸门，90天读数却全部没有看到KPI变化，说明闸门标准本身失准，应先修订闸门，而不是追加场景或改买工具。

先筛场景，再谈工具。第一批2–3个场景在90天内读出结果，比一份全厂AI蓝图更能回答”AI在我们工厂到底值不值”。

想把这套打法用到你自己的业务上？

如果你已经按六道闸门筛出了候选场景，但不确定哪个该进NOW、哪个该进NEXT，可以用AI顾问做一次快速诊断，把场景卡和Kill条件一次理清。

💎 核心承诺：先诊断、再合作，思路不对不推进。

专属咨询热线：400 822 8832

扫码加顾问 Ben 评估