花了三百万上的AI质检系统，演示当天准确率98.7%，老板当场拍板扩产线。

三个月后，工人们悄悄切回了手动模式。

没人通知IT部门，没人通知服务商。系统亮着灯，但已经没人用了。

没人用不是技术不行。 是车间粉尘太大没人擦镜头，新供应商零件反光度不同模型直接"瞎"了，误报太多工人嫌烦自己绕过去了。

 

这不是个例。

中国信通院2025年报告显示：**76%的规模以上工业企业已启动AI项目，仅不到15%**进入稳定运行阶段。

德勤调研更直白：**超过70%**的企业AI项目永远停在试点，进不了生产。

[来源：中国信通院《制造业AI应用成熟度报告》2025；德勤企业AI调研2025]

今年7月，国务院发展研究中心杨超说了句反直觉的话：

"AI赋能制造业的瓶颈，不是大模型能力不够，而是工业体系本身的数据、可靠性、场景碎片化和经济性要求，跟AI的能力特征对不上。"

六个字概括：示范多，规模化难。

标杆案例不少，能复制的几乎没有。

[来源：国务院发展研究中心《中国经济时报》2026年7月3日]

 

99%的准确率，在工厂里不够用。

互联网行业99%叫优秀。但一条产线一天检10万个零件，1%的错误率就是1000个误判。哪怕十分之一是漏检，也有100个缺陷产品流向下游。

制造业要的确定性近乎偏执——拧螺丝35N·m，就不能是34.9。

工厂不缺数据，缺的是AI能"吃"的数据。

老设备走Profibus，新设备走OPC UA，MES接口定制的，ERP是十年前的"遗产"。一条产线攒了一年的数据，剔除噪声后真正能用的不到三分之一。

训练需要的标注数据，得懂工艺的工程师一天标50张，一个模型至少几千张，光标注费就几十万。

 

换个场景，模型基本从零开始。

同样叫"质量检测"——钢铁厂要耐高温相机，电子厂要微米级显微成像，食品厂要称重加视觉双系统。四套传感器、四套逻辑，一个场景跑通的模型换个车间全部推倒重来。

"一厂一项目、一线一模型"，工程化成本比模型本身还贵。

工业数字化协会2026年调研了1200个失败案例，死因分布是这样的：

工厂内部协同、数据、人员问题——47%

甲乙双方需求沟通错位——33%

合同权责模糊——10%

纯技术问题——10%

九成项目，死在了"非技术"环节。

[来源：工业数字化协会2026行业调研]

艾瑞咨询2025年调研300家制造企业：AI项目预期回收期12个月，实际中位数28个月。23%的企业坦言——"至今算不清这笔账的ROI。"

[来源：艾瑞咨询2025年制造企业AI调研]

回到那家汽配厂。

三百多万，变成车间角落一台亮着灯没人用的服务器。

老板没错，他只是信了演示效果就是产线效果。服务商也没错，模型确实达到了合同精度。

错在中间那堵没人提前说清楚的墙——实验室和真实车间之间，隔着粉尘、光线、设备老化、人员习惯、工艺变更、数据断供。每一项都足以让99%的模型变废铁。

车间不需要更多的技术概念。

需要的是有人走进产线，把数据通路打通，把老师傅的经验量化成规则，把运维的事提前说清楚。

然后，把能用的东西留下。