产品服务
400 676 5650
发布时间：2026-08-21
于是，在各种各样的宣传材料，在各大公司的公开演讲，AI提效20%这样的数据屡见不鲜，但这20%究竟体现在哪呢？
如果变成了利润，那企业报表应该看得见；如果变成了产品或服务，那客户应该感受得到；如果变成了员工的时间，那大家就不会有“每天都在给AI收拾烂摊子”的吐槽。更扎心的是：“全要素生产率（TFP）”——这个衡量技术进步对经济增长贡献的核心指标，已经四年持续低迷了。
所以，AI真的在帮工厂提效吗？还是一场华而不实的折腾？
一、提效提效，AI提升的到底是什么效率？
美国开放市场研究所研究员马特·谢勒写了一篇《AI 生产力幻觉》。核心论点特别简单：让人更快地完成工作，并不自动等同于提高了真正有意义的生产率。生产率的关键是产出创造的附加价值，不是单位时间产出数量。
换句话说，AI提升的究竟是某个单点动作的效率，还是某个环节的整体效率？
事实上，很多工厂将这两个“效率”混为一谈。
①单点动作效率：这是AI最擅长的事儿。比如AI智能报价，AI可在分钟级甚至秒级就给到销售一个报价，原来2个小时，现在只要1分钟——这个数字，足以让管理者兴奋。
②业务整体效率：则是另外一回事儿。因为底层逻辑是黑盒，销售根本不知道价格AI是怎么来的。当客户追问工艺、要求砍价时，销售只能再去找技术、核对工艺、进行人工Review。这一圈折腾下来，省下的时间全填进了后期的解释与对齐成本里。所以AI只是提升了报价这个动作的效率，但对"完成一次有效报价"的整体效率，并没有太大的拉动效果。以前销售自己算，心里门清；现在AI算，销售变成了"AI的审计员和纠错员"。
《加州管理评论》2026年的一篇文章提出了五个"生产力盲区"，其中第一个就是：人们假设"任何由AI执行的单位任务都会带来单位生产力增益"，却忽视了这些增益会触发行为、认知和系统层面的负面反馈。效率是局部的、功能性的；生产力是系统的、集体性的。混淆这两者，就是把速度当成了方向。
二、一笔没算清的账：上AI制造企业又付出了多少？
更关键的是，为了这"1分钟的快感"，企业付出了什么？
① 数据成本：不是"有数据"就行，是"有干净的数据"才行
AI报价系统要跑起来，前提是BOM准确率够高、物料价格实时同步、工艺路线完整录入、历史报价数据结构化。要让AI能用，先得数据治理。这不是一次性投入，是持续性成本。麦肯锡全球研究院的数据显示，完整的数据合规体系建设与维护成本，已占大型AI项目总成本的8-12%。
② 训练与调优成本：AI不是装上就能用
工业场景的AI模型需要针对企业自身业务进行调整。高质量的行业数据获取困难，通用大模型在制造业的幻觉失真率超50%。
要降低幻觉，需要RLHF（人类反馈强化学习），而工业领域的偏好对比数据标注，平均每条2-5美元——而且需要懂工艺、懂报价的工程师来标，不是随便找个外包就能干。训练GPU算力成本、算法工程师的人力成本，更是一笔持续性支出。
③ 最隐蔽的成本：人的"认知负荷"和"纠错成本"
正如前文所说，每个人都在忙，但忙的不再是生产，而是处理AI制造的"信息噪音"和"后续麻烦"。以前销售的时间花在算报价上，现在花在核对AI的报价上——活没少，心更累了。这种"认知降级"，不会出现在任何成本报表里，但它正在悄悄消耗企业最宝贵的专业人力。
MIT《2025年AI商业现状报告》指出，95%的AI项目没有交付可衡量的ROI。
不是AI不够强，而是我们搞错了"效率"的定义，也算错了"成本"的边界。
三、那AI+MES、AI+APS呢，是新瓶装旧酒，还是真换血？
这是最容易被包装、也最容易被误导的话题。
要回答这个问题，我们需要先剖一个事实：为什么MES、APS在车间里常常"不好用"？
MES不好用，往往不是因为它不会"思考"，而是因为数据采集不准、设备接口不统一、现场执行与系统指令两张皮。你让MES去追踪工单进度，但工人习惯事后补录、设备状态信号时有时无——这种情况下，MES里的数据本身就是"假的、滞后的"，加不加AI，它都是假的。
APS不好用，往往不是算法不够先进，一方面是因为物料齐套率、设备OEE、人员技能矩阵这些基础数据本身就是脏数据。算法再强，也是"垃圾进，垃圾出"。另一方面是很多APS本身的底层逻辑就有缺失，要么基于无限产能排产，要么TOC瓶颈优化就没做，很多企业上的就是一个带甘特图的MRP。加不加AI，它都不是一个好的APS。
所以，这里要区分两条路径：
路径A（换汤不换药）：在原有系统上套一个AI界面，做几个智能报表，加一个聊天机器人查数据。这是"系统功能+AI"。目前市场上90%的"AI+制造系统"属于这一类，因为成本低、周期短、容易讲故事。
路径B（真换血）：从数据层重构，打通设备物联、工艺知识库、供应链实时数据，用AI重新建模制造逻辑。这是"AI原生制造系统"。这条路需要重构数据底座、改变业务流程、重新培训人员——成本太高、周期太长、风险太大，敢走的企业不多。
四、写在最后
AI当然可以提高效率。
AI可以在几秒钟内生成一份报价、一条工艺路线、一套排产建议和一张异常分析报告。但如果后面仍然需要工程师逐项核对、计划员反复修改、车间人工确认、管理者开会协调，那么AI提高的只是一个动作的速度，并没有改善工厂的整体运行。
让一个动作变快，不难。
真正困难的是，让一张订单更顺畅地穿过整座工厂，是：
• 订单交付周期有没有缩短
• 库存和在制品有没有降低
• 返工和异常有没有减少
• 计划与执行是否更加一致
• 跨部门沟通和人工救火有没有下降
而这，恐怕工业AI还有一段很长的路要走。
