一边是政策、园区、平台都在讲智能制造、工业互联网、工业大模型；另一边，车间每天还是在面对很朴素的问题：订单插单了，物料没到，设备突然停了，良率掉了，客户催交期，月底才发现利润被返工和报废吃掉。
所以制造业用AI，第一步不是追“黑灯工厂”，也不是先上一个很大的数字化平台。更现实的起点，是先把工厂里最会吞利润的三件事算清楚：停机、返工、交期。
| 停机OEE、故障时长 | 返工良率、报废率 | 交期准交率、插单影响 | 库存缺料、呆料、周转 |
为什么今天适合写制造业
制造业正在进入一个很微妙的阶段：不是没有系统，而是系统越来越多；不是没有数据，而是数据很难真正流到决策里。ERP里有订单，MES里有工单，设备里有运行状态，质检表里有不良原因，仓库里有库存，销售群里有客户催单，但这些信息经常彼此断开。
工信部2026年3月介绍“工业数据筑基行动”时提到，人工智能正在深度融入制造业全过程各环节，工业数据已经成为重要生产要素，并将开展面向AI赋能制造业的高质量行业数据集建设先行先试。6月，工信部等八部门又印发《关于推动工业互联网高质量发展的实施意见》。这说明制造业AI不再只是概念，关键已经变成：企业能不能把自己的生产数据整理成可用资产。
图：制造业AI的第一价值，不是炫技，而是把利润漏点提前暴露出来。
制造业的痛点，不是“人不努力”
第一，订单越来越碎。过去一个大单可以稳定生产，现在小批量、多批次、短交期、频繁改规格越来越常见。销售接单时承诺得快，车间排产时发现模具、物料、工序、人员都要重新协调。
第二，交期不是被一个环节拖垮，而是被多个小问题一点点吃掉。物料晚半天，换线多一小时，设备停二十分钟，质检返工一批，客户临时改包装，最后就变成“为什么又延期”。
第三，质量成本经常藏起来。很多企业能看到不良率，却看不清不良从哪里来：是某批原料、某台设备、某个班组、某个参数，还是某个供应商。返工、报废、客诉、补发、折价，都会吃掉利润。
第四，设备维护仍然偏事后。机器坏了再修，模具出问题再找师傅，关键设备一停，后面一串工单都受影响。真正贵的不是维修费，而是停机带来的交期和产能损失。
第五，老板看到的是报表，现场发生的是过程。等周报、月报出来，异常已经过去；等客户投诉来了，损失已经发生。制造业最怕的不是没有数据，而是数据没有变成及时动作。
AI应该先接哪条链？我建议先接“生产异常闭环”
制造业有太多AI场景：视觉质检、预测性维护、智能排产、工艺参数优化、供应链预测、能耗管理、自动报价、知识库问答。问题是，如果每个都想做，最后很容易变成一堆试点，谁都没有真正进经营。
更好的切口，是先把“生产异常闭环”跑起来。因为停机、返工、延期、缺料、报废这些问题，几乎每天都发生，而且直接对应利润。
|
|
|
|
|
|---|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
图：异常不是记录完就结束，要能归因、处理、复盘，再变成下次预警。
30/60/90天落地路线
制造业做AI，最怕一上来就“大而全”。更稳的做法，是选一条产线、一个车间、一个高价值产品族，先把异常闭环跑通。
风险边界也要讲清楚
- AI不能替代工艺责任人拍板。
工艺参数、设备维修、质量放行、供应商切换，都需要工程、质量、生产负责人确认。 - 数据不准，AI只会放大混乱。
如果停机原因乱填、报废口径不统一、工单状态滞后，先做数据治理比先买模型更重要。 - 不要用AI压榨一线。
异常看板不是用来甩锅，而是用来减少重复犯错、减少救火、让现场知道下一步怎么做。 - 工业数据要分级管理。
工艺参数、客户图纸、设备状态、报价和供应商信息，都要做好权限、脱敏和备份。
如果你是制造业老板或厂长，这周先别急着谈工业大模型。先拿出最近90天的异常记录，问三个问题：哪类异常最频繁？哪类异常最贵？哪类异常最容易提前发现？
这就是制造业AI落地的第一批燃料。
未来拉开差距的，不是哪家工厂最先喊出“黑灯工厂”，而是谁先把停机、返工、交期和质量问题变成一套持续改进的预警系统。
欢迎关注「小行家AI陪跑」
我们继续一起，把 AI 用进学习、工作和真实生活里。