这一年我们接触最多的客户类型，是年营收几千万到几亿、员工几百人规模的中型制造企业。它们有一个共同的状态：老板已经被 AI 这个词反复轰炸了两年，知道这事躲不掉，也愿意投钱，但每次真要动手就卡住。卡住的原因，几乎不是「找不到好的 AI 方案」——市面上 AI 方案多得是。卡住的是方案和工厂现实之间那道说不清的缝。这篇文章把那道缝拆成五个具体的痛点。
需要先说清楚的是，这五个痛点都不是技术难题。它们更像是结构性的现实约束——你没法靠一个更强的模型绕过去，只能正视它、把它纳入方案设计。认不清这五点的 AI 项目，通常在三个月内就会变成一个没人维护的 demo。
§ 01痛点一:最值钱的数据,在老师傅的脑子里
制造业最核心的知识——什么声音意味着轴承要坏、什么样的毛刺要返工、这批料该调高还是调低温度——大量地、几乎全部地存在老师傅的经验里，没有被写下来过。它不是数据库里的数据，是肌肉记忆和直觉。
这对 AI 项目是个根本性的麻烦。AI 需要数据来学习，而工厂里最有价值的那部分知识恰恰是从未被数据化的。很多失败的制造业 AI 项目，错就错在以为「工厂运行了二十年，肯定有海量数据」——有的，但那些数据多是财务和 ERP 的流水，不是工艺判断的知识。
我们的做法不是上来就做大模型，而是先做一件笨事：跟着老师傅，把他的判断逐条「采访」出来，变成结构化的规则和样本。这个过程慢，需要老师傅配合，但它是绕不开的——你得先把隐性知识显性化，AI 才有东西可学。这一步本身往往就是项目里最有价值的交付物，哪怕后面 AI 部分缩水了，这份被整理出来的工艺知识库对工厂也是真资产。
「工厂不缺数据，缺的是把老师傅脑子里那本书翻出来的耐心。」
— 现场观察 · 制造业§ 02痛点二:设备说不上话,或者说的话听不懂
第二个痛点很物理。中型工厂的设备往往是不同年代、不同品牌、不同自动化程度的混合体。一条产线上，可能有十年前的老机床——它根本没有数据接口；也有三年前的新设备——它有接口，但用的是某个封闭的私有协议；还有中间一批，能出数据，但格式五花八门。
结果就是，一个理论上很美的「设备状态实时监测 AI」，第一步就卡在「怎么让设备开口」上。这不是 AI 的问题，是工业数据采集的问题——它需要硬件改造、需要协议转换、需要数采网关，而这部分预算和工期，常常在最初的 AI 方案里被严重低估。
所以我们现在给制造业客户做评估时，会专门花时间盘一遍设备清单：每台设备能不能出数据、出什么数据、用什么协议。这份清单出来之前，任何 AI 方案的报价都只是猜测。采集层不是 AI 项目的配角，它常常是工期里最长、最不可控的一段。
§ 03痛点三:工厂的 IT,可能只有两个人
第三个痛点关于人。一家几亿营收的中型制造企业，IT 部门常常只有两三个人，而且他们的日常是修网络、装系统、管 ERP 账号，并不具备运维一套 AI 系统的能力。这意味着你交付的 AI 系统，如果需要专业人员持续照看，它在客户那边大概率会无人维护。
这个现实直接决定了方案的形态。给制造业客户做 AI，「能跑」只是及格线，「他们自己能养活」才是真正的目标。我们会刻意把系统做得更傻瓜——报警用最直白的方式推送、配置项尽量少、把那些需要专业判断的环节尽量挪到我们的远程持续优化服务里。客户的两个 IT 只需要会做最基础的操作，复杂的事由我们按季度持续兜着。
§ 04痛点四:一线工人不信任,也不想多操作
第四个痛点在车间一线。AI 系统最终是要被一线工人用的，而一线工人对「又来一个新系统」天然抵触——他们的工作节奏很紧，多一步操作就是负担；他们也见过太多上面拍脑袋上的系统最后烂尾，对新东西不信任。
如果一个 AI 系统要求工人改变操作习惯、要求他们多录入数据、多点几下，那它在车间几乎一定会被软抵制——工人会找到各种办法绕过它。所以我们做制造业 AI 的一条铁律是：尽量不增加一线工人的操作负担，最好是零操作。AI 在后台默默分析设备数据，有问题直接亮灯、直接推给班组长，工人该怎么干还怎么干。让 AI 适应工人，而不是让工人适应 AI。
§ 05痛点五:老板要的是省钱,不是先进
最后一个痛点，关于期待。制造业老板是非常务实的一群人，他们对 AI 的兴趣，几乎从来不是「我想要先进的技术」，而是「这东西能不能帮我省钱或多赚钱，多久回本」。这本身没问题，问题在于——AI 项目的价值，常常不是立刻就能用一个清晰的数字衡量的。
一个设备预测性维护的 AI，它的价值是「避免了一次本来会发生的停机」，但「本来会发生」是个反事实，很难直接证明。一个工艺优化的 AI，它带来的良率提升可能只有一两个百分点，混在生产的正常波动里，老板未必感知得到。价值是真实的，但它不爱以老板期待的那种方式显形。
我们的应对是，从项目第一天起就和客户一起定义清楚「怎么算成功」——选一两个客户认可、且能被诚实测量的指标，定好基线，约定好对照口径。哪怕这个指标不那么宏大，只要它真实、可测、客户认账，就比一堆漂亮但虚的描述强。制造业 AI 项目最大的风险，不是做不出来，是做出来了但老板看不见价值。
这五个痛点——隐性知识、设备接入、IT 薄弱、一线抵触、价值证明——没有一个是靠模型能力解决的。它们是制造业这个行业的底层现实。一个真正能在工厂里活下来的 AI 方案，不是绕开这五点，而是从一开始就把它们当成设计约束。认清现实，比追求先进重要得多。