2026年1月7日，工信部等八部门联合印发《“人工智能+制造”专项行动实施意见》，提出到2027年产业规模和赋能水平稳居世界前列（新华网，2026-01-08）。半年过去了，政策的热度是否流进了车间？
我们回访了长三角、珠三角及中西部地区200家员工50—500人的中小工厂，覆盖机械加工、电子组装、食品包装和纺织服装四个领域。问卷聚焦AI质检、预测性维护和智能排产三个场景。
采纳率在涨，但拦路虎换了模样
数据显示：AI质检（视觉检测）采纳率从政策前的14%升至26%，增量订单主要来自广东、江苏等地提供的30%—50%设备购置补贴。预测性维护从8%提到15%，智能排产从5%爬至11%。
但一个反差明显的数字是：60%的受访企业明确表示“集成成本是最大障碍”，而只有15%认为“技术不成熟”。这与求是网2026年5月评论中“大量中小企业反映集成成本高、技术适用性差”的定性一致（求是网，2026-05-29）。
集成成本的三块硬骨头：接口、数据、定制
接口不统一是首当其冲的麻烦。我们在走访中统计了134台典型设备的通信接口：支持标准OPC UA或MQTT的不足40%，其余依赖串口、Modbus RTU甚至定制协议。每一台设备接入AI平台，平均需要2—3天的解析和调试，智能传感器、网关和边缘盒子也必须跟着上。
数据是第二重成本。一位浙江五金厂长算了笔账：“为了训练一个质检模型，我们拍了12万张缺陷样品，标注花了4.2万元，最后发现光照不同又要重新拍。”标注团队、数据清洗和知识库构建，常被算作一次性投入，实际却会随着产线换型反复发生。
定制开发则是隐形的金钱黑洞。以预测性维护为例，振动阈值、温度预警参数因工况差异极大，几乎没有通用的“出厂设置”。每个工厂都需要现场调参，服务商工程师驻场一周收费1.5万—2万元，小工厂很难承受。
这与我们在《企业部署AI Agent后的第一张账单》中观察到的现象惊人相似：无论是上层应用还是工业场景，系统集成、数据准备、流程重编这类“杂活”的成本，常常超过算法授权费。
ROI算不过来，工厂主精打细算
深圳一家智能质检方案商的合同显示：客户第一年付款35万元（含硬件），第二年算法年费8万元，第三年起按检测数计费——三年总成本约65万元。而中小工厂年利润通常在300万—500万元，这笔投入要占12%—20%。
已部署AI质检的工厂中，仅43%表示“半年内收回投资”，平均回本周期18个月，远高于方案商承诺的12个月。在利润微薄（3%—5%）的制造业，从“可变人力成本”向“固定技术成本”转移，风险极高。一旦订单波动，闲置的AI产线将成为负担。
更严峻的是，AI系统并非一劳永逸。在实际运行中，平均每两周就需要一次模型微调或规则更新。这种持续的迭代需求，要求企业具备相应的技术维护能力，而这正是中小工厂最欠缺的。
不是技术不行，是“最后一公里”太贵
这里的“最后一公里”不是算法精度。2026年开源模型在公开数据集上的缺陷识别准确率普遍超过99%，但在工厂实际产线上，因不规则瑕疵、背景干扰和切换频率，误检率常常爬到5%以上。需要不断回传数据做增量训练，又牵扯到数据合规和模型迭代流程。
大型工厂可以在内部设立AI中台分摊成本，中小工厂只能依赖外部服务商。但服务商报价动辄20万—50万元，还不含后续算法微调费。能同时懂产线工艺、工业协议和机器学习的人才，全国估计不足万人。许多工厂只能把系统当做高级报警器使用，浪费了智能决策的能力。
这与《人形机器人进厂后，质检和维护账怎么算》案例中看到的趋势类似：机器人带来稳定性，也把工厂带进新的运维成本泥潭。
破局：先捡“熟透的果子”
尽管集成成本高企，半年内仍有一些中小工厂跑通了正向ROI。他们的共同点：
- 先做“单点”而非系统：只对单一高频缺陷做AI质检，不强行打通全产线。
- 利用已有IoT数据做预测（如已安装振动传感器的设备），避免新增硬件投入。
- 选择按次付费或SaaS模式，减少前期垫资。
广州在2026年2月的高质量发展大会上提出打造全球有影响力的“AI+制造”示范高地（广州市政府门户，2026-02-24）。广东、浙江等地也开始出现“AI+制造”服务券和人才实训基地，帮助企业降低第一笔钱的门槛。
政策红利要穿透大企业、服务商，最终落到中小工厂，路径还很长。接下来半年，能跑通“集成”的工厂，才是真正的赢家。
