本文不做全景式的趋势罗列，而是聚焦一个最值得讨论的问题：为什么 AI 在制造业的"喊声"远大于"实效"。
一组数据
带思管理 2019—2026 年的 47 个深度项目（制造类 27、非制造类 20）中，有 23 个制造类项目涉及 AI 应用（质检、预测性维护、需求预测、排产优化等）：
| AI 应用场景 | 项目数 | 上线后 12 个月仍在使用的比例 | 达预期 ROI 的比例 |
|---|---|---|---|
| AI 视觉质检 | 9 | 78%（7/9） | 67%（6/9） |
| 预测性维护 | 5 | 60%（3/5） | 40%（2/5） |
| 需求预测 | 4 | 50%（2/4） | 25%（1/4） |
| 智能排产 | 5 | 40%（2/5） | 20%（1/5） |
| 合计 | 23 | 60.9%（14/23） | 43.5%（10/23） |
数据来源：带思管理项目库，N=23。样本量小，但方向性信号明确。
这个数据挑战了一个流行认知：AI 应用的成功率与算法的复杂度无关，与场景的结构化程度高度相关。
AI 视觉质检的场景是最"结构化"的：输入是一张图像，输出是"有缺陷/无缺陷"的二元判断。需求预测和智能排产是最"非结构化"的：输入包含大量不确定变量，输出的"好坏"难以在短期内被验证。
企业选择第一个 AI 场景时，不应选择"价值最大"的场景，而应选择"场景结构化程度最高、效果可验证周期最短"的场景。第一场景的任务不是产生最大效益，是建立组织对 AI 的信任。
真正的瓶颈：不是算法，是"决策规则显性化"
当你问一个经验丰富的车间主任"你什么时候决定调低机器转速？"他可能会说"听声音不太对的时候"或者"感觉这批材料硬度偏高的时候"。
这个"感觉"背后确实存在一套判断逻辑，但它从来没有被写下来、被量化、被结构化。没有结构化的决策规则，AI 就没有学习的"标签"。
我们对 9 个涉及"自主化"升级的项目做了一次决策规则盘点：
| 决策类型 | 现场判断点总数 | 已显性化的判断点 | 显性化率 |
|---|---|---|---|
| 设备参数调整 | 37 | 9 | 24% |
| 质量放行判断 | 22 | 7 | 32% |
| 排产/调度调整 | 18 | 3 | 17% |
| 合计 | 77 | 19 | 25% |
约四分之三的现场决策知识以隐性知识的形式存在于人的头脑中。
这不是技术问题，是管理动作的缺失。 决策规则盘点是一个低成本、纯管理的工作（2—3 周现场观察+操作者访谈），但它往往是 AI 落地成功与失败的分水岭。在规则显性化完成之前，AI 项目不应该启动。
一条可复制的路径
第一步：从"高决策频率+清晰决策边界"的场景切入。
首选场景通常具备三个特征：决策频率高（每天至少发生数次）；决策边界清晰（影响范围可控）；决策结果可快速验证（几天内就能看到效果）。
在制造业中，排产建议生成、设备维护提醒、质检辅助是三个典型的适合切入的场景。
第二步：先做"人机协同"而非"机器替代"。
项目库中，AI 质检以"替代人工"模式推进的项目，18 个月后使用率为 40%；以"辅助人工"模式推进的，使用率为 85%。该数据来自项目库中 9 个 AI 视觉质检项目的跟踪统计，样本量虽小，但方向性明确。不是因为技术能力不同，是组织接受度不同。
第三步：用"例外日志"替代"精度报告"评估价值。
更重要的指标是："AI 给出的建议中，有多少次被人采纳？被人否决的那几次，根因是什么？"
建立"例外日志"——记录每一次人否决 AI 建议的决策。这份日志有两个价值：为模型迭代提供精准的"错误样本"；揭示组织中"对 AI 的不信任"来自哪里。
三个判断
判断一：AI 应用的"账期"在缩短。 2024 年企业可以接受"18 个月见效"，2026 年这个容忍期缩短至 6—9 个月。
判断二：AI Agent 的"有限自主化"将成为主流。 企业现在就可以做的准备工作是：盘点现场决策规则，区分"可规则化"与"需学习"的决策点。
判断三：AI 应用的竞争壁垒不在模型，在"决策规则的积累"。 AI 的护城河不在模型层，在数据层和规则层。
尚未启动 AI 的企业：一个最小行动方案
| 动作 | 时间投入 | 产出 |
|---|---|---|
| 选择 1 个高决策频率、边界清晰的场景，完成"决策规则盘点" | 2—3 周 | 一份决策规则清单（至少 20 个判断点） |
| 用 2—3 周采集该场景的现状基线数据 | 2—3 周 | 一份基线数据表 |
| 寻找一个"辅助模式"而非"替代模式"的 AI 供应商或方案进行试用 | 2—4 周 | 一份试用评估报告 |
三件事合计投入不超过 3 个月，总成本不超过 10 万元（如选用 SaaS 试用方案）。
结语
我们在 47 个项目中最深刻的教训是：转型的价值，80% 产生于前 20% 的工作中——把问题定义清楚、把决策规则显性化、把基线数据采集到位。 这些工作成本极低、技术含量不高，但恰恰是绝大多数失败项目跳过的部分。
真正成熟的数字化组织，不是"AI 用得最多"的组织，是"最知道什么不该做"的组织。
常见问题
问：小企业没钱做 AI，是不是就落后了？ 答：不是。SaaS 化的 AI 工具已经把门槛降到每月几千元的量级。但比"用不用 AI"更重要的是"该不该用 AI"——决策规则没显性化之前，上 AI 只是在错误的方向上加速。
问：AI 质检和预测性维护，先做哪个？ 答：如果质量问题是当前最大痛点，先做质检；如果设备停机是最大痛点，先做维护。但从"项目成功率"看，AI 质检的结构化程度更高，成功率通常更高。
问：怎么判断一个 AI 供应商是否靠谱？ 答：问三个问题：一、你们的模型准确率是怎么测的；二、如果模型达不到承诺效果，费用怎么算；三、上线后 12 个月，你们还提供什么服务。答不上任何一个，谨慎。
数据口径：本文样本来自带思管理 2019—2026 年的 47 个深度项目（制造类 27、非制造类 20）；"23 个 AI 应用项目""9 个自主化升级项目"为该 47 个项目中的专项子集；案例数据经客户授权脱敏处理。
带思管理 · 累计服务 500+ 企业客户，其中 47 个为可深度复盘的长期项目；96% 的新业务来自老客户续约与转介绍，客户转介绍率 91%。相关阅读：2026 制造业数字化转型白皮书：从"有没有"到"值不值"。