01 钱是怎么流动的

02 工厂现在靠什么运转

• 排产计划——根据订单和库存决定做什么、做多少、什么时候做。现在靠ERP+APS系统，本质上还是规则驱动。
• 物料准备——备料、领料、上线。这一步已经高度标准化。
• 工艺设定——调机、设参数、跑首件。这一步高度依赖老师傅的经验。同样的设备，同样的图纸，不同师傅调出来的良率可能差5%。
• 生产加工——机床、注塑、焊接、装配。设备自动化程度已经很高。
• 在线质检——目视检查+抽检+部分自动检测。关键缺陷仍靠人眼。
• 异常处理——设备报警、尺寸偏移、来料不良。这一步几乎全靠经验。
• 入库发运——物流高度标准化。

03 谁在控制结果

04 隐藏的权力结构

05 AI正在从哪里切入

【维度一：预测性维护】

• 落地程度：已发生，但集中在头部企业。IDC报告显示超过70%的制造企业已将关键业务系统迁移至云端，以支持预测性维护。
• 对结构的影响：维修工的需求在下降，但设备数据分析师的需求在上升。整体是效率提升，不改变行业结构。
• 阻力：中小型工厂的设备老旧，没有传感器，改造成本高。

【维度二：视觉质检】

• 落地程度：部分场景已规模化，如PCB板、光伏片、汽车零部件的表面缺陷检测。但复杂装配的内部缺陷仍靠人。
• 对结构的影响：质检岗位在缩减，但"训练AI识别新缺陷"的工程师岗位在增加。
• 阻力：缺陷样本不足。AI需要大量"坏品"照片才能训练，但好工厂的坏品率本来就很低——一个悖论。

【维度三：工艺优化】

• 落地程度：试点阶段。灯塔工厂在做，普通工厂在观望。
• 对结构的影响：这是真正的结构性冲击。 如果AI能替代老师傅的工艺经验，制造业的核心壁垒就从"人"转向"算力"。但注意——这个"如果"还很大。
• 阻力：物理试错成本。 AI在数字世界里可以回滚、可以重来，但工厂里的每一次参数调整都要消耗材料、时间、产能。一条产线停工一小时，损失可能是几万元。AI说"再试一次"，工厂说"试不起"。

【维度四：柔性制造/大规模定制】

• 落地程度：政策热、产线冷。国务院明确"发展一批柔性制造工厂"，但行业调研显示，大量制造企业AI落地陷入"概念热、产线冷"的困局。
• 对结构的影响：这是AI对制造业最隐蔽的冲击。 柔性制造消灭的不是岗位，是规模经济本身。当每件产品都可以不同时，"批量"这个概念就瓦解了。而制造业的利润模型，正是建立在"批量"之上的。
• 阻力：不是技术，是经济结构的根本冲突。制造业靠"大量生产同一款产品"摊薄固定成本，柔性制造让每批产品都不同，固定成本无法摊薄。工厂用了AI柔性制造，效率可能提升了，利润可能下降了。

06 推力与阻力：谁在加速，谁在刹车

07 2028年，制造业会长什么样（预测）

预测场景一：两极分化

预测场景二：工艺知识的两极流动

预测场景三：制造业的"确定性溢价"

08 三类人的命运分化

高风险：纯执行型操作工、基础质检员、传统排产员

需转型：工艺工程师、生产经理、设备维护技师

价值上升：跨领域整合者、工艺黑箱守护者、客户认证专家

09 从业者现在该做什么

立刻做

• 去一线观察AI的实际落地。不要看新闻，去你所在行业的标杆工厂实地看。看AI到底替代了什么、没替代什么、替代之后出了什么新问题。
• 掌握至少一个工业AI工具的基础操作。不是学编程，是学会用。比如黑湖科技的工单系统、西门子的数字孪生平台、或者你所在工厂正在试点的任何AI工具。目标不是精通，是"不被术语吓住"。

六个月内做

• 盘点你个人的"工艺黑箱"。你脑子里有哪些知识是"知道怎么做，但说不清楚为什么"的？把这些知识尽量结构化——写下来、画出来、录下来。不是为了传给AI，是为了确认哪些部分真的不可言传——那部分才是你真正的壁垒。
• 建立数据思维。制造业AI化之后，会看数据、会用数据讲故事的人比只会调机的人更值钱。不需要成为数据科学家，需要理解"这个数据意味着什么""这个指标怎么和业务挂钩"。

一年内判断

• 判断你所在企业的位置。是头部（有钱试错）、腰部（跟不起）、还是尾部（小而灵活）？不同位置的人，策略完全不同。腰部企业的人最该思考：如果公司五年后不存在了，你的能力能不能迁移？
• 判断你的工艺能力是"可标准化的"还是"不可替代的"。如果是前者，尽快向"训练AI"或"客户界面"转型。如果是后者，把你的工艺能力商品化——让它成为你能带走的个人资产。