企业AI应用(九):技术方案落不了地,那谁来补这层缺失?上一篇聊了几份工业AI方案的共同问题：技术架构很扎实，但信任机制、防错设计、责任边界这些决定落地成败的东西几乎缺失。文章发出来之后收到一条很有质量的反馈，核心观点是：你批评方案"停在指出异常而不解决问题"，但这不完全是技术能力的问题——更多是商业边界的刻意选择。
AI供应商为什么"只报警不开药方"
上一篇把这个现象归结为技术不足和方案设计缺陷。但换一个角度看，AI供应商停在"预警"而不走到"执行"，有一层很现实的商业逻辑。工业现场核心设备非计划停机，单次损失可能数十万到数百万。如果AI供应商把系统直接写入PLC控制逻辑，或者自动派发实体维修指令，其实质是在承担生产事故的连带赔偿责任。一旦AI推荐错了、自动执行出了问题，供应商面对的不是一个软件bug报告，而是一张可能上百万的索赔单。所以通用AI方案停留在"指出异常"的层面，不是因为做不到闭环，而是因为做到闭环意味着要对业务结果兜底——这个风险，绝大多数AI供应商扛不起，也不愿意扛。它们卖的本质上是计算基础设施和数据处理能力，不是对生产结果负责。这一点上一篇确实没有区分清楚，把商业边界问题和技术能力问题混在了一起。AI供应商不对业务结果兜底，这完全可以理解。但问题是：那谁来兜？从预警到行动之间那段路——信任机制怎么建、防错逻辑怎么设、责任边界怎么划、机理约束怎么嵌入——这些事情如果供应商不做、工厂自己也不做，系统就永远停在"能力展示"阶段。装了一套很贵的AI平台，大屏上数据在跳，但工艺工程师还是按自己的经验调参，维修工程师还是等设备真坏了再去修。这就是当下大量工业AI项目的真实状态：供应商交付了一个技术上合格的产品，工厂验收了一个功能上完整的系统，但中间那层"让人敢用、愿意用、用了不出事"的东西，没有任何一方去做。这层缺失谁来补？坦率说，现有的几种模式都有各自的硬伤。第一种思路：要求AI供应商深入行业know-how
听起来理想，但现实中很难走通。工业know-how的深度和碎片化程度远超互联网行业——不同行业、不同工艺、不同设备厂商、甚至同一条产线的不同班组，操作规范和经验判断都可能不同。一个AI供应商要同时理解化工反应动力学、数控机床主轴磨损机理、AGV调度的物流约束、精细化工的安全合规要求，这基本不可能。少数垂直领域的AI公司确实在走这条路——比如专门做半导体刻蚀优化的、专门做电池质量预测的——但它们的能力边界非常窄，做得深但做不广，跨行业复制的成本极高，商业模式很难规模化。通用AI平台商走这条路的可能性很低。结果就是：供应商提供的是通用能力，但工业现场需要的是专用判断。这个鸿沟靠供应商自己跨不过去。第二种思路：由工厂自身的工艺和IT团队主导
这是逻辑上最靠谱的路径——只有工厂自己的人知道哪些参数不能碰、哪些工况下模型不可信、哪些操作必须人工确认、出了问题责任链怎么走。这些know-how不可能靠外部供应商来理解和设计。工艺工程师知道"这批料的含水量偏高，温度要往下压5度"——这种因果判断是二十年现场经验积累出来的，不在任何数据库里，也不在任何算法模型里。但现实的困难同样明显：大多数制造企业的IT团队不具备AI工程能力，工艺团队不具备系统架构思维。让这两个团队自己完成"业务逻辑+防错机制+AI引擎"的集成，对大多数企业来说是超纲的。有这个能力的企业，在整个制造业里可能不到5%。第三种思路：三方协作，系统集成商做中间翻译
工厂定义业务规则和安全边界，AI供应商提供算法引擎和基础设施，系统集成商在两者之间做"翻译"——把工艺know-how转化为系统里的门控规则，把AI的输出转化为工程师能理解和判断的形式。这个模式在纸面上最合理，但在商业现实中有一个致命问题：传统系统集成商的底层商业模式是项目制交付，核心诉求是控制人力成本并尽快通过验收。而构建信任机制、防错逻辑和机理约束，本质上是一项极具探索性、需要反复试错且成本高昂的工程。这跟集成商的盈利逻辑是根本对立的。如果依靠集成商来做这层"翻译"，大概率的结果是：为了应付验收，在应用层用硬编码写死几套脆弱的规则。只要车间现场的工况、工艺路线或人员编制发生变动，这层"业务包裹"就会失效。不仅没有填补鸿沟，反而制造出一堆难以维护的定制化孤岛。三条路都走不通，问题出在哪？
坦率说，这三种模式都有各自的结构性缺陷，目前看不到哪一种能干净利落地解决问题。但这不意味着问题无解，而是说明当前工业AI落地卡在了一个很深的结构性矛盾上：AI天然是概率性的——它给出的是"大概率是这个原因""这组参数在历史上表现最好"；而工厂需要的是确定性——"这个零件必须换""这个温度不能超过"。从概率到确定性之间，需要一层"翻译"——既懂工艺逻辑、又懂AI能力边界、还懂系统架构的角色来完成。这个角色目前在行业里极度稀缺。它不是传统意义上的项目经理，不是IT工程师，也不是工艺专家，而是一种跨越这三个领域的复合能力。这种能力怎么培养、以什么样的组织形态存在、商业模式怎么成立，目前都没有成熟的答案。AI供应商不对业务结果兜底，这合理。工厂缺乏AI工程能力，这也是现实。系统集成商的项目制逻辑跟这件事的探索性本质冲突，这同样是事实。三方各有各的合理性，但合在一起就是一个谁都不补的空白地带。当前工业AI落地最大的瓶颈，可能就在这里——不是AI不够强，不是工厂不愿意投入，不是缺少某个技术组件，而是"中间这层"还没有找到合适的人、合适的模式、合适的商业逻辑来承接。这个问题短期内不会有完美答案。但至少把问题看清楚了，比盲目投入、然后一个一个项目地交学费，要强得多。
夜雨聆风