夜雨聆风
引言
中国制造业正站在一个微妙的历史节点上。
一边是成本持续上涨、利润空间收窄、人口红利消退的"三重挤压"；另一边是以大模型和智能体（Agent）为代表的AI技术，正以超出大多数人预期的速度渗透进工厂的每一个角落。
这不是一个遥远的未来叙事。根据最新调研数据，当前实体产业中仅有10%的企业产生了实质性的AI相关支出——换句话说，90%的市场尚未被开发。这既是挑战，也是中国制造业转型升级中最大的确定性机遇。
01三股力量的交汇
AI赋能传统制造业之所以在当下成为一个紧迫命题，是因为三股独立演进的力量正在同时发力。
1. 政策铺路：从方向引导到资源下沉
过去两年，围绕"AI+制造"的政策布局明显加速。八部门联合印发的《"人工智能+制造"专项行动实施意见》设定了明确的时间表：到2027年推广500个典型应用场景，培育一批专精特新中小企业和赋能服务商，并选树1000家标杆企业。
如果说早期政策更多停留在"鼓励探索"的层面，近期的动作则呈现出更强的资源导向特征。2026年4月，工信部与相关部门联合启动了"模数共振"行动，推动AI模型与产业数据的协同打通；与此同时，"普惠算力赋能"专项行动和"人工智能中小企业创业支持计划"也在同步推进，从算力供给到资金支持，构建起一套完整的政策工具箱。
政策的思路已经清晰：不再满足于培育几个标杆，而是试图让AI能力像水电一样，流进中小企业的日常运营中。
2. 市场渴望：降本增效是唯一的硬道理
中小企业拥抱AI的动力，远没有外界想象的那么复杂。调研数据揭示了一个朴素的结论：企业应用AI的首要目的就是"提高生产效率"（64.7%），其次是"降低人工成本"（32.4%）。
这不是选择题，而是生存题。在利润微薄的制造业，任何一个能实质性降本增效的技术，都会被迅速纳入考量。
市场不缺需求，缺的是足够低门槛的解决方案。
3. 技术破局：智能体让AI从"工具"变成"员工"
大模型的出现改变了AI的能力边界，但真正改变制造业游戏规则的，是以智能体（Agent）为代表的轻量化应用范式。
传统的AI落地路径是"大项目制"：先上数据平台，再做模型训练，最后部署应用——周期长、投入大、回报不确定。对中小企业来说，这条路基本上走不通。
智能体提供了一条截然不同的路径：不需要推翻现有IT系统，不需要大规模数据清洗，只需将一个具体的业务场景（如排产、质检、算薪、客服）抽象出来，用一个相对轻量的AI程序"接手"。
技术破局的本质，不是把AI做得更强，而是把AI做得更轻。
02AI正在制造业的哪些环节"攻城略地"
如果我们把制造业的全价值链展开来看，AI的渗透正在从若干"高性价比"的环节逐步扩散。
研发设计：从经验驱动到生成式探索
生成式AI正在改变产品设计的工作流。设计师不再从零画图，而是输入工艺参数、材料属性和成本约束，让AI生成若干可选方案，再由人做判断和微调。这在模具设计、包装设计和零部件轻量化等场景中已经开始落地。传统的"试错式研发"正在被"AI仿真+人决策"的模式替代。
生产制造：视觉质检与预测性维护
机器视觉是制造业中AI应用最成熟的环节之一。表面缺陷检测、装配完整性检查、包装标识核对——这些以往依赖人工目检的工序，正在被AI视觉方案大规模替代。与人工检测相比，AI视觉的优势不仅在于速度，更在于标准的统一性和数据的可追溯性。
预测性维护则是另一个高价值场景。通过采集设备运行中的振动、温度、电流等时序数据，AI模型可以提前预判设备故障，将"坏了再修"变成"提前维护"，大幅降低非计划停机带来的损失。
供应链管理：从"经验排产"到"智能协同"
制造业的排产问题堪称一个"NP难"问题的现实版本：成千上万个订单、有限的产线资源、交期约束、物料齐套……靠人工经验排产，往往顾此失彼。AI排产系统可以在分钟级给出优化方案，将产能利用率提升10%-15%，订单交付准时率提升20%以上。
在采购端，AI比价和分析工具正在改变传统的"熟人询价"模式。通过对历史价格、市场行情和供应商信用数据的综合分析，AI辅助采购决策可以显著降低采购成本——这正是那6.8万亿成本空间的重要组成部分。
经营管理：AI Agent替代重复性行政工作
行政、财务、人力资源等职能部门的重复性工作，正在成为AI Agent最先替代的领域。前述浙江企业的案例并非孤例——从自动生成报表、智能审批流转，到员工问答助手、自动算薪发薪，这些场景的技术门槛最低、见效最快、ROI最清晰。
点状的渗透，尚未连成面
值得注意的是，目前AI在制造业的应用仍高度集中在质量检测、安全监控、营销获客等单点环节，尚未覆盖设计、排产、供应链协同等全价值链。这恰恰意味着纵深空间巨大。
0390%的空白市场
一个关键数据值得反复提及：当前实体产业中仅有10.0%的企业产生了实质性的AI相关支出。换言之，市场渗透率只有10%。
但"90%空白"这个数字过于笼统。潜力的具体形态，藏在三个维度里。
维度一：深度——从试点到核心业务
调研显示，目前仅有23%的企业实现了AI在核心业务的规模化应用。绝大多数企业仍停留在试验或局部试点阶段。这意味着，即使那些已经"用了AI"的企业，也远未触及AI能力的上限。
维度二：投入——从轻量试探到系统化投资
超过四成企业的AI相关投入不足100万元。这个数字放在IT采购中不算低，但放在制造业数字化转型的总盘子中看，仍然处于"试探"层级。真正的系统化投资——包括数据基础设施建设、AI人才团队组建、业务流程再造——尚未大规模启动。未来的投资增长空间可观。
维度三：广度——从单点孤岛到全链协同
如前所述，目前AI应用集中在质量、安全、营销等单点场景。尚未覆盖研发设计、生产排产、供应链协同等更深入的环节。从单点到全链的价值释放，不是线性的加法，而是乘数级的倍增。
受益范围：从少数行业到普惠生态
目前AI赋能制造业的案例仍集中在汽车、电子、新能源等少数资金密集、技术密集的行业。数以千万计的离散制造中小企业——五金、纺织、家具、食品加工——几乎仍处于AI应用的"无人区"。而这些行业恰恰贡献了中国制造业的半壁江山，也是就业的主力军。
当AI的受益范围从"头部大厂"扩展到"腰部企业"再到"尾部作坊"，这才是真正意义上的产业变革。
04为什么落地还是这么难？
前景广阔，不等于道路平坦。将视野从"潜力"转向"阻力"，才能理解为什么AI在制造业的渗透率只有10%。
"想用不会用"——认知与能力的断层
制造业的老板们最懂的是工艺流程、成本结构、客户关系——他们很难理解什么是"模型微调"、"嵌入向量"、"RAG架构"。这不是他们的错，而是AI产业的语言体系与制造业的认知体系之间存在巨大的翻译成本。
"会算缺数据"——数字化基础薄弱
AI是"数据驱动的"，而中国中小制造企业的数字化水平参差不齐。大量企业的工艺参数记录在纸质巡检表上，库存数据存在Excel表格里，设备状态靠老师傅"听声辨位"。
没有结构化、可标注、可追溯的数据，AI的训练效果必然大打折扣。这不是买个软件就能解决的问题，而是需要从基础的数字化改造起步。
"心有余力不足"——资金与人才的错配
调研数据显示，在企业的AI支出结构中，57.2%的资金都投入了"AI硬件"（服务器、GPU等）。对于财力有限的中小企业而言，这意味着一笔不小的刚性支出。在已投入AI的企业中，近半数仍将财务成本高、投资回报率偏低列为首要挑战。
更关键的是人才错配。一个优秀的AI工程师的年薪，可能抵得上一个中小制造企业整个IT部门的预算。即使企业有心投入AI，也面临"招不到人、留不住人"的困境。
05破局的方向
问题摆在桌面上，但路径也正在逐渐清晰。
从"项目制"到"服务制"
大项目制的AI落地模式不适合中小企业。按需订阅、按效果付费的AI服务模式正在兴起——企业不需要一次性购买昂贵的算力设备，而是像用水用电一样，按调用量付费。这一模式若能规模化，将大幅降低AI的准入门槛。
从"大模型"到"轻Agent"
智能体作为AI能力的最小交付单元，已经在多个场景中验证了其可行性。对制造业而言，一个Agent就是"一个会干活的AI员工"——不需要理解底层的技术原理，只需要告诉它"做什么"和"做成什么样"。这种"去技术化"的交付方式，有望弥合前述的认知断层。
从"单打独斗"到"行业协同"
单个中小企业买不起算力、凑不齐数据，但一个行业协会、一个产业集群可以。行业共性数据集、共享算力池、联合部署的AI服务中心——这些"共享AI"的形态，正在浙江、广东等制造业集聚区萌芽。
结语
回到开篇那个数字：90%的空白市场。
悲观者看到的是"90%的企业还没用上AI"，乐观者看到的是"90%的增长空间摆在那里"。现实是，AI赋能传统制造业已经不是一道"要不要做"的选择题，而是一道"怎么做"的实践题。
政策在铺路，市场在渴求，技术在破局。三方力量叠加，正在酝酿一场静悄悄的效率革命。它的底色不是颠覆，而是渗透——不是用AI取代制造业，而是让每一个工厂、每一条产线、每一个工人，都因为AI而变得更强。
这条路不会一蹴而就，但方向已经足够清晰。
如果你也有对中小企业管理的观察和思考，欢迎一起交流探讨
我是学AI的60后，一个大龄AI初学者。突然发现，这世界比过去60年加起来都有意思。
