AI进制造业的故事讲了很多，但不少企业最后都走向同一个结局：工具买了，平台搭了，智能体上线了，用了一阵子没人理，最后变成演示项目。
问题往往不在模型，而在企业接不住AI。
流程没理清、数据没沉淀、系统没打通、业务部门不愿意改工作方式，AI进来之后不是补短板，而是把短板暴露得更快。对制造业来说，AI不是均衡器，而是放大器：数字化基础越好的企业，越容易形成效率复利；基础越差的企业，越容易多出一套没人用的新系统。
杰克科技是一个值得观察的样本。
这家扎根台州、做了近三十年缝纫机的制造商，不是互联网公司，也不是AI原生企业。但过去两年，它在AI落地上跑出了一组结果：工时赋码效率提升约35倍，质检时间缩短80%，营销侧商机转化率提升30%。
这些数字背后，不是某个神奇模型，而是它近二十年的数字化积累：流程被梳理过，数据有沉淀，系统能承接AI，业务部门也真正进入了场景运营。
杰克科技的案例说明了一件事：AI不是制造业数字化的捷径，而是对企业过去流程、数据、系统和组织能力的一次集中验收。
这篇文章真正要讨论的，不是杰克科技用了哪个大模型，而是制造业企业到底要具备什么样的数字化底子，才接得住AI。
以下内容整理自虎嗅智库线上闭门会中，杰克科技数字化总监陈恭伟的分享。
一、AI能不能落地，先看清数字化旧账
制造业企业谈AI，第一个问题往往是：用哪个大模型？搭什么平台？但我们的AI经验表明这个问题问错了。
真正先问出口的问题应该是：你的业务流程理清楚了吗？你的历史数据沉淀下来了吗？你的各个业务系统打通了吗？
杰克的数字化建设大约经历了四个阶段：从最早的信息化起步，到单个系统的模块化部署，再到各系统之间的集成打通，最终演进到如今基于PaaS平台的整体数字架构。这个过程用了近20年。
没有这二十年，就没有后来的AI落地。这过程中，我们围绕IPD（集成产品开发）、LTC（从线索到回款）、ITR（问题到解决）、ISC（集成供应链）四条核心业务流程构建了整套数字化体系，并把“精准营销、精准研发、精准交付、精准服务”作为数字化的终极目标。
你可以把这理解为：先把企业最核心的四条血管打通，再让AI在血管里跑。
这件事为什么重要？因为它直接决定了AI能不能在这家企业真正落地。没有结构化的业务流程，没有沉淀好的历史数据，AI只会是一个漂亮的演示工具。杰克的经验之一，就是AI不是数字化的替代，而是数字化积累到一定程度之后的下一步。
在AI基础设施上，杰克搭建了一套四层架构：最底层是自建的GPU算力平台；第二层是数据平台，把结构化数据、非结构化数据以及外部行业数据统一归集，包含向量数据库；第三层是算法平台，接入了DeepSeek、千问等大模型，并在此基础上做数据标注、训练和推理；最上层是智能体开发平台，基于开源框架搭建，混合使用多种工具。
基于这样的基础我们去组建团队，把AI团队分成了两个方向：一个团队负责内部经营提效，覆盖研发、生产、营销、管理等各个职能；另一个团队则专门面向外部客户，把AI能力随硬件设备一起打包交付。
这种设计的逻辑是，AI能力不只是内部降本，也是对外的产品竞争力。
【虎嗅智库判断】
制造业AI落地的门槛不在模型，而在企业的流程、数据、系统和组织能不能被AI调用。AI不是补数字化短板的捷径，而是放大器：基础越好，越容易形成效率复利；基础越差，越容易变成演示项目。
二、AI进工厂，先动的不是工人，是经验和流程
下一个问题是：AI在制造业到底先做什么？
我们是这样做的：杰克的团队识别了公司内部大大小小277个可能的AI应用场景，最终聚焦在高价值的30多个。识别场景的方法不复杂，但有一个明确的优先级逻辑：优先找人力最密集、耗时最长、重复动作最多的环节。换句话说，不是“哪里听起来很酷”，而是“哪里真的在消耗人”。
整理这30多个场景，可以归纳出三种底层类型，而不是简单的“AI做了很多事”：
第一类：知识显性化。把老师傅的经验、散落的维修手册、历史维修案例，从文件柜和人脑里提取出来，变成AI可以调用的知识库。
杰克的工程师在PLM系统（产品生命周期管理系统）里搜索物料，过去的体验是这样的：输入关键词“台板”，系统返回几十条结果，具体哪一个适合哪个机型，需要工程师自己凭专业知识筛选。如果是新人，或者对产品机型不熟悉，这个过程费时费力，还容易出错。
引入AI之后，工程师就可以直接用自然语言描述需求，比如“我要适合M9机型的台板”，AI智能体会直接匹配出对应的物料，并且一键跳转到PLM系统里的物料详情页，工程图纸和制造包信息一并呈现。
效率直接提升了5~ 10倍。更重要的是，它还降低了专业门槛，不需要对每个机型如数家珍，AI能帮我们补上专业知识的缺口。这类场景的本质，是把经验从个体身上剥离出来，变成组织可复用的资产。
第二类，流程自动触发。把原来依靠人工判断和人工流转的流程节点，交给AI自动识别、自动触发、自动升级。
工厂异常处理是典型案例，传统的做法非常长，响应还慢：员工发现问题→上报班组长→班组长确认→通知责任部门→给出临时解决方案→填报停复产时间→异常看板跟踪→五要素闭环→品质主管确认闭环。每一个环节都需要人工推动，信息传递慢，处理也慢。
AI介入之后带来了两个变化：一是自动判断异常等级，比如同一类异常在5个工厂同时出现，AI会自动升级为高级别异常并触发流程，不需要等班组长逐个确认；二是把历史异常代码块和解决方案沉淀成知识库，员工发现问题后AI立即推荐历史解决方案。
第三类，专业经验半自动化，这是价值最高、也最难复制的一类。把需要高门槛专业积累的判断工作，通过AI辅助变成半自动决策。
工时赋码是这类场景里最值得写深的案例，将在接下来单独讲。
【虎嗅智库判断】
AI在制造业最先改造的，不是某个岗位，而是隐性经验和低效流程。把老师傅经验、历史异常、维修方案和业务规则沉淀进系统，AI才可能从“聊天工具”变成生产工具。
三、工时赋码：AI在改造的，是排产和成本核算的地基
工时赋码是一个外行人几乎不会关注，但在制造业里极其关键的工作。
简单来说：工厂需要给每个零部件的每个装配动作赋予标准工时，这套数据是排产计划、成本核算、绩效管理的基础。没有准确的工时数据，工厂的计划排程和报价定价都会出问题。
传统的工时赋码，是制造业中一项高度专业且极其耗时的工作。
过去的做法，要基于零部件BOM信息、工艺工装位置、安装步骤、扭矩参数，再对照MTM（预定时间标准）工时体系，由多名精益工程师配合测算，一个零件赋码需要950秒，一台机器有500多个零件，全部赋完大约要16个工作日。
AI介入后：AI自动学习BOM工艺和历史工时信息，根据零部件信息生成装配步骤，工程师可以对生成结果微调（实际上大部分情况不需要太多调整），再由AI匹配标准工时库，自动生成标准工时。
结果：赋码时间从950秒缩短到26秒，提升了约35倍。原来需要16天完成的工作，现在1天内搞定。
“AI给出的方案，相当于5年左右精益工程师做出来的内容，有时候比刚进来的工艺工程师推荐的还要好。”
这个案例有几个地方值得追问：
AI替代的到底是哪一段人工？主要是“查找+匹配+计算”这一段，也就是精益工程师拿着BOM逐条对照工时手册、套公式的过程。这个过程本身是可以被标准化的，但标准化程度非常高，需要大量专业知识，过去只能靠人积累经验去做。AI把这段工作压缩掉了，但工程师的复核判断仍然保留。
准确率如何保证？杰克的做法是引入工程师复核环节：AI生成结果，工程师确认或调整。这是制造业AI落地的一个重要设计原则：高风险决策不能全部交给AI，要有人工卡点。工时数据出错会影响排产和成本，所以不能绕过人工确认。
这件事的商业意义是什么？工时赋码加速，直接影响的是新产品上市节奏和成本核算速度。对制造企业而言，报价快一天、排产准一点，在竞争中都是实际优势。从这个角度看，工时赋码效率提升35倍，不只是一个效率指标，背后对应的是产品交付速度和报价竞争力的提升。
这也是为什么这个场景是杰克AI落地里最值得学习的案例之一：它不是在替代简单重复劳动，而是在把一种高门槛的专业判断能力系统化，让它不再依赖特定的人。
【虎嗅智库判断】
工时赋码的价值不只是效率提升35倍，而是改造排产、报价和成本核算的底层数据。制造业里最值得优先做AI的，往往是规则明确、经验密集、结果可复核的专业环节。
四、AI上线只是开始，真正贵的是运营
效率提升的数字看起来很漂亮，但我们内部走过的路并不轻松。
“AI推进是变革的项目，有难度，也有挑战。”
第一个坑：数据没准备好。很多企业以为，把现有的文档导进知识库就能用。但我们发现，内部历史数据中有相当大一部分根本没法直接用——格式不统一，大量文件是PPT，结构化程度低；有些数据是错的，从来没人校验过；有些数据是对的，但切割方式不对，导致AI调用时返回不准确的内容。
数据清洗、分类、标注、切割，这些“脏活”是AI落地不得不做的基础工程，而且做起来比想象的费时费力。数据治理不是AI项目的准备工作，而是AI项目本身的一部分，贯穿始终。
第二个坑：AI没融入系统。一个AI助手单独挂在页面角落，没人用，不是因为它不好用，而是因为它和员工日常工作流程割裂了。
杰克的解法是：把AI能力嵌进员工原本就在用的业务系统。PLM系统里的物料搜索，SCADA报修单里的故障分析，AI都不是独立的入口，而是在原有系统里长出来的一个新功能。用户体验到的不是"我去用AI"，而是"我的工作系统变聪明了"。这个设计细节，直接影响了AI工具的实际使用率。
第三个坑：业务部门不主导，项目大概率失败。这是需要反复强调的一点：AI建设是业务变革项目，不是IT项目。 它会改变原有的业务流程，会产生新的人机协作节点，所以必须从一开始就让业务部门主导，而不是IT部门闷头做完再推给业务用。
“业务部门一把手不支持，AI做得再好也用不好”。这句话听起来是常识，但执行层面很多企业都做不到。
第四个坑：上线不是终点，运营才是真正的长期成本。AI智能体上线之后，还需要持续的数据收集、模型调优、业务反馈迭代。大模型不是部署上去就一劳永逸，它需要不断接触新数据，不断被业务团队纠偏，才能越来越准确。
每个AI场景都需要一个持续运营的机制，而不是上线就移交，从此不管。
【虎嗅智库判断】
AI上线不是落地的终点，持续运营才是真正的成本。数据清洗、流程嵌入、业务复核和模型调优缺一环，智能体都会很快退化成新的系统孤岛。
结语
杰克科技的案例说明，制造业AI落地的门槛并不在模型，而在企业能否把过去的数字化积累转化为可调用的生产能力。
AI在工厂里真正起作用，依赖四个前提：流程足够清楚，数据足够干净，系统能够打通，业务部门愿意持续运营。缺少这些基础，AI很容易停留在演示层；具备这些条件，AI才可能进入排产、质检、维修、营销等真实业务链条，形成可量化的效率提升。
因此，AI不是制造业的捷径，也不是一次性采购项目。它更像一场数字化能力的压力测试：过去欠下的流程账、数据账、系统账和组织账，都会在AI落地时集中暴露。
对制造企业来说，真正该先回答的不是“用哪个模型”，而是“哪些业务环节已经准备好被AI改造”。AI会放大企业已有的数字化能力，也会放大企业原有的管理短板。谁能先把旧账还清，谁才更可能在下一轮制造业智能化竞争中拉开差距。
注：文/虎嗅智库，文章来源：虎嗅智库服务(公众号ID：huxiuzhikufuwu)，本文为作者独立观点，不代表亿邦动力立场。
