AI+制造:从＂买系统＂到＂长智能＂——为什么91%的工业AI项目没有达到预期?

字数：约5300字 | 阅读时长：9分钟

一个华东地区的央企二级公司，2025年底花了3000万采购了一套"AI+制造"整体解决方案——行业大模型、智能排产、预测性维护、质量检测，全套配齐。实施方承诺三个月交付，半年见效。

一年过去了。

排产模块，计划员还在用Excel；预测性维护，设备科照旧每周巡检；质量检测，倒是上线了——但只覆盖了一条产线的一个工位，因为"其他产线的传感器数据格式不统一，模型训不出来"。

3000万的系统，真正在用的功能，不到15%。

这不是个例。德勤针对中国制造业AI项目的调查显示：认为项目达到80%-100%预期的企业，只有9%。 换句话说，91%的工业AI项目，没有达到预期。

更讽刺的是，就在这些项目举步维艰的同时，八部门联合印发《"人工智能+制造"专项行动实施意见》，提出到2027年推出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"——政策窗口正在以前所未有的速度打开。

一边是91%的项目没达到预期，一边是政策在加速推。这中间的鸿沟，到底是什么？

我的观点是：AI+制造的核心矛盾，不是技术不够成熟，而是企业的"买系统"思维还没切换成"长智能"思维。 买系统是装上去的，长智能是长出来的——装上去的会过时，长出来的会进化。

|一、91%失败率的真相：不是AI不行，是你还在用"买系统"的逻辑做AI

1. 工业AI项目的三种死法

在我接触的工业AI项目中，最常见的死法不是"做不出来"，而是做出来了没人用。具体来说，有三种典型模式：

死法一：需求错位——做的不是一线要的

某大型制造企业投入数百万开发"企业知识助手"，初衷是让员工随时查询公司政策。上线三个月，日活跌到个位数。事后复盘只有一句话：员工的真实痛点不是查休假政策（低频需求），而是产线设备故障诊断（高频、高价值需求）。

工业AI项目的需求通常经过至少三层传递：决策层拍板立项→信息化部门提需求→技术供应商来实施。每过一层，需求就模糊一分。等真正开始做，和一线工人的实际痛点已经没有任何关系。

死法二：数据陷阱——数据有，但没法用

很多工厂立项时会说："我们数据很多，传感器装了一大堆，完全够用。"项目启动后才发现：传感器数据有，但格式五花八门，不同设备、不同年代、不同厂商，根本无法拼接；SCADA系统的数据能看但没法用，和ERP、MES系统完全割裂；历史数据有，但标注全靠人工，懂标注的老师傅三年前就退休了。

这不是在刁难供应商，这是工厂几十年的历史欠债。过去工厂的建设逻辑是"能生产就行"，数据从来不是核心资产。现在想用AI，才发现地基根本没打。

死法三：组织没跟上——系统上线了，人不会用也不想用

制造业AI落地还面临一个互联网行业根本不存在的挑战：一线工人的使用门槛。当AI系统的操作逻辑和工人几十年养成的操作习惯冲突时，阻力不是来自技术，而是来自组织。

这三种死法有一个共同根源：企业还在用"买系统"的逻辑做AI。 买系统的逻辑是"我出钱，你交付，我用起来"；长智能的逻辑是"我定义问题，我准备数据，我改变组织，AI是我的能力延伸"。

2."买系统"vs"长智能"：不是升级，是换物种

核心差异只有一句话：买系统是把AI当工具装上去，长智能是把AI当能力长出来。 工具可以外包，能力必须内生。

|二、从"买系统"到"长智能"：三个跃迁

1.跃迁一：从"全厂AI化"到"一个场景打穿"

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

美的洗衣机荆州工厂没有上来就做"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：排产响应速度提升90%，干衣机后盖锁附工站实现混流柔性生产——从一个工位打穿，再复制到其他工位。

中石油兰州石化榆林化工没有做"全厂智能化"，而是先聚焦乙烷制乙烯这一个工艺流程，部署昆仑大模型+时间序列大模型TPT 2双模型驱动架构。结果：异常预警准确度达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： 找到一个具体、高频、数据相对干净的场景——比如某一类零件的某一种缺陷检测，或者某一条产线的排产优化——验证完再复制。据127个项目数据分析，采用MVP（最小可行产品）验证→复制扩展路径的企业，平均投入成本比"全厂一步到位"方案低80%，而最终累积ROI反而高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小时缩到X分钟、设备故障预警提前X天。

2.跃迁二：从"先上AI再补数据"到"用AI场景牵引数据治理"

这是最反直觉的一点。

很多企业的做法是：先采购AI平台，再想办法补数据。结果AI平台等数据等了半年，数据还没补齐，项目已经凉了。

正确的顺序是反过来的：先确定要解决的业务场景，再为这个场景做定向的数据治理。

义乌一家叫优克拉的星空灯工厂提供了极佳的参照。这家不到百人的企业，在钉钉发布AI智能体"悟空"后两周内完成了全员部署，三个月内新品首发成功率从60%跃升至92%。它的前提条件不是"数据完美"，而是"数据已经在线上跑着"——优克拉2017年就用上了钉钉，2023年全面部署了AI表格。AI只需要接入，无需重建。

这恰恰印证了上篇文章的结论：先理流程、再选工具、最后上系统。 AI是数字化的下一站，不是数字化的替代品。数字化做得好的企业，AI落地只是"接入"；数字化没做好的企业，AI落地是"重建"——成本差十倍。

路径建议： 选定一个AI场景后，先把该场景涉及的数据链路梳理清楚——从传感器到MES到ERP，数据标准是否统一、数据流转是否通畅、数据质量是否可训练。用场景倒逼数据治理，比"全面数据治理"效率高得多。

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

3.跃迁三：从"供应商交付"到"企业自建迭代能力"

这是最难的跃迁，也是决定AI能力能否"长"出来的关键。

大部分工业AI项目的交付模式是：供应商做完系统，培训几天，然后走人。半年后模型精度下降，企业没人会调；一年后业务变化，模型不再适用，企业没人会改。系统变成一个不会进化的"死工具"。

而成功的9%，有一个共同特征：企业内部有一个既懂业务又懂AI的"翻译官"角色。 这个人可能不是技术出身，但他能准确地把一线的业务痛点翻译成AI可以解决的问题，也能把AI的能力边界翻译给业务人员。

山东海化的工艺优化智能体之所以能实现年节电450万千瓦时、离子膜寿命延长25%，不是因为模型多先进，而是因为内部有一个深谙盐化工工艺的团队在持续定义优化目标和反馈模型效果。

路径建议： 在AI项目启动的同时，培养至少1-2名内部"AI场景翻译官"——不需要会写代码，但必须能说清楚"业务要什么"和"AI能做到什么"。交付不是终点，运营才是。

里程碑验收标准： 至少有一个AI场景，企业内部团队能独立完成模型调优和规则更新，不依赖供应商。

|三、央国企场景开放：一个新的机会窗口

2026年5月18日，李强总理调研人形机器人创新中心，释放了一个明确信号："鼓励政府部门、国有企业等开放场景。"

5月22日，发改委新闻发言人李超进一步明确：正在谋划出台加快"人工智能+"落地的配套文件，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"。 以前央国企做AI，是自己花钱买方案；现在政策鼓励开放场景，央国企可以成为AI技术的"试验场"和"需求定义者"。这个角色的转换，意味着央国企在AI产业链中的话语权将显著提升。

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AI应用中试基地已在制造、医疗、交通等领域布局，为技术型企业提供"试验场→工厂"的转化通道。央国企开放场景+中试基地验证，构成了一条完整的AI技术产业化路径。

第三，国产大模型+国产算力芯片的协同适配，为国产替代打开了长期空间。 发改委明确指导"国产大模型加大力度适配国产算力芯片"，自主可控成为AI发展主线。这对央国企的IT基础设施选型有直接影响：未来AI平台的选型，"国产适配"将不再是加分项，而是必选项。

但机会窗口不等于自动成功。央国企开放场景做AI，仍然面临三个现实问题：

1. 场景开放不等于需求清晰
   ——开放了产线，但AI该解决什么问题，业务部门说不清楚
2. 数据在线不等于数据可用
   ——系统很多，但数据标准不统一、质量不可控
3. 选型合规不等于能力匹配
   ——走完招标流程选中的供应商，未必是最懂行业的那个

这三个问题，本质上还是回到前文说的三个跃迁：场景要打穿、数据要先治、能力要内生。

|四、你的企业在AI+制造的哪个阶段？一个诊断工具

我把企业在AI+制造的能力成熟度分为四个阶段，每个阶段有不同的核心任务和避坑要点：

使用方法： 诚实对照你企业的现状。如果你还在L0，别急着上AI——先回去把流程理清楚、数据理通畅。如果你在L1，专注把一个场景做到极致再考虑扩展。如果你在L2，最该警惕的是"烟囱式AI"——每个场景各买一套系统，数据互不相通，和当年"买系统"思维犯的错一模一样。

更深的问题是： 为什么那么多企业在L0阶段就想直接跳到L3？因为决策层在政策驱动下产生了紧迫感，但紧迫感不等于能力。政策可以加速意愿，但无法替代准备。

|五、秩序管理视角：AI是器官，不是工具

最后，我想从陇珈咨询的核心方法论——秩序管理——的角度，谈谈AI+制造的本质。

在上一篇文章《数字化转型不是买系统》中，我提出"数字化是秩序管理的加速器，而非替代品"。今天我想往前走一步：

AI不是制造业的'新工具'，是制造业的'新器官'。

工具和器官的区别是什么？工具可以买、可以借、可以外包、可以更换；器官必须自己长、自己养、自己维护、自己进化。

一个AI系统，如果是供应商部署完走人的，那它就是工具——用着用着就不合身了，因为你的业务在变，它不会跟着变。但如果你的组织内部有人能定义场景、治理数据、迭代模型，那AI就长成了器官——它会随着你的业务进化而进化。

这就是为什么91%的工业AI项目没达到预期：企业把器官当工具买了，买完发现它不会自己长。

所以，AI+制造的终极命题不是"买什么AI"，而是"你的组织有没有长AI的能力"。

三个检验标准：

1. 你的一线业务人员，能不能说清楚"我要AI帮我解决什么问题"？——需求定义能力
2. 你的数据，够不够干净、够不够标准、够不够闭环，来训练一个可用的模型？——数据就绪能力
3. 你的组织内部，有没有人能独立完成AI场景的调优和迭代？——能力内化能力

三个都做到，AI就是你的器官。一个都做不到，先回去做数字化。

写在最后

2026年，AI+制造正处于一个特殊的拐点：政策窗口前所未有地打开，但落地能力远远跟不上政策节奏。

八部门《实施意见》规划了2027年的宏大目标，发改委三线并进推动配套落地，央国企被要求开放场景——外部推力已经到位。

但内部准备呢？

德勤的数据告诉我们：91%的项目没达到预期。另一份针对127个制造业AI项目的分析显示：68%的失败率，1.2%的千万级投入实际效率提升中位数——不是AI不行，是企业还没准备好。

AI+制造的竞赛，不是比谁买得早，而是比谁长得快。

买系统只需要预算和招标流程，长智能需要场景定义能力、数据就绪能力和组织迭代能力。前者三个月搞定，后者三年起步。

所以，给所有准备启动AI+制造的企业一个建议：不要问"我该买什么AI"，先问"我的组织有没有长AI的能力"。 如果答案是否定的，先回去做数字化。如果答案是肯定的，从一个场景打穿开始——别贪多，别求快，别迷信"全厂AI化"。

AI不会因为你买了它就变聪明，但会因为你的组织学会了用它而越来越强。

这就是"买系统"和"长智能"的区别。