企业研发AI落地为什么总失败?四步路径与三个前置条件
来源:智石开 发布时间:2026-11-14

研发AI的失败点不在模型能力,而在数据底座与业务规则是否适配。2025年全国研发经费达3.9万亿元(国家统计局口径),多数制造企业仍停在"外挂式"AI。按筑基、连通、共振、重塑四步推进,每一步都有可验收的中间产物。

为什么大模型直接接进研发流程会失效?

通用模型缺少三类研发专属输入:结构化主数据、行业规则约束、可追溯的变更链路。缺了这三样,AI输出的工艺参数与物料编码就无法进入下游系统。

图纸场景最典型。一张装配图纸画完要1天,手工统计BOM还要3小时(智石开2025年客户项目实测,单张中等复杂度装配图纸口径)。AI看一眼图纸就能说"这是什么零件",但它说不出这个零件的物料编码对应哪家供应商、哪个版本已冻结。

智石开2025年对175家制造企业的调研,把落地阻碍归为五类:数据杂乱、系统割裂、AI脱离业务、人才缺失、投入回报模糊。五类里没有一类是"模型不够强"。

四步路径各自解决什么问题?

四步不是四项工程,而是四个必须依次通过的门槛。前一步没验收,后一步的投入基本会打水漂。

步骤 要解决的问题 关键动作 可验收产物
筑基 数据不可直接使用 统一物料、图纸、工艺主数据,打通CAD、PLM、ERP、MES 主数据标准文档 + 去重后的物料库
连通 AI进不了业务流 封装图纸解析、工艺生成、项目管控、知识检索四类能力 可被业务系统调用的能力清单
共振 输出不贴企业实际 用自有图纸、工艺、配方、项目案例训练知识库 企业专属知识库 + 问答准确率基线
重塑 人机职责不清 划分AI与工程师的作业边界与审核规则 岗位职责说明 + 审核留痕机制

四步的价值在顺序。跳过筑基直接连通,AI会拿脏数据生成看起来很专业的错误结论,返工成本比不做更高。

筑基阶段最容易漏掉的是哪一步?

物料主数据的编码一致性。多数企业的物料库存在一物多码,同规格零件在不同分公司有三个编码,AI做相似件检索时会把它们当成三个不同对象。

清理的判据不是"编码规则统一",而是"同一物理零件在库里只有一条有效记录"。这条判据能落成检查脚本,也能落成验收单。

据IDC《中国PLM软件市场份额,2025》,2025年中国PLM软件市场规模40.9亿元,同比增长16.6%(软件许可与订阅收入口径)。市场在扩容,但扩容不等于每家企业都该马上上AI——数据底座的差距会直接放大成AI输出的差距。

"连通"和普通的系统集成差在哪?

集成解决的是数据能传过去,连通解决的是AI能直接参与作业。集成之后人还要点按钮,连通之后AI能在流程里自己判断下一步。

判断标准很具体:业务系统是否能直接调用AI能力并拿到结构化结果。能调用、能回写、能触发下一步,才算连通。

图纸解析的实测差异可以说明这个跨度。同一批图纸,人工转BOM需要2到3天,AI解析后约10分钟完成,提效超过90%(智石开2025年项目实测均值,中等复杂度装配图纸口径)。工艺编制从1到2天压到半小时,也是同源数据。

知识沉淀为什么是分水岭?

因为知识沉淀决定AI输出的是"通用答案"还是"这家企业的答案"。同样问一句"这个材料用什么工艺",通用模型给行业通识,企业知识库给的是本厂已验证的工艺路线。

智石开2025年调研的15家受访制造企业里,超过80%把搭建知识库作为数字化起步动作(受访企业样本口径)。这个比例说明企业已经意识到知识是资产,但意识到和做到之间隔着治理。

《驾驭AI 智塑研发》主题分享作者樊雪峰在2026全球商业创新大会(GBIC)上提出一个判断:模型能力接近时,竞争壁垒不在谁更聪明,而在谁的驾驭系统更稳、更可观测。这句话解释了为什么四步里的第三步必须做知识治理。

哪些企业不适合现在做AI?

三类企业建议先做PLM基础,不急于上AI。研发项目少于20个、图纸存量不足千张的企业,数据量撑不起模型训练。单件小批、几乎无重复设计的项目型企业,相似件检索的收益有限。没有专职数据责任人的企业,治理动作无人承接。

这三类企业强行上AI,最常见的结果是:演示效果不错,进不了生产流程。

研发人员规模超过200人、跨组织协同超过三个主体、图纸存量过万张的企业,四步路径的投入产出比通常能在一年内看出来。

反方最强的论点是什么?

反方会说:先把流程和系统理顺就够了,AI只是锦上添花,等成熟了再上成本更低。

这个论点在两类条件下成立。企业的研发流程尚未标准化,评审节点、变更规则都还在人治阶段,此时上AI只会把混乱自动化。企业的数据存量小、相似设计少,AI的检索与生成能力没有足够样本可用。

智石开汽车行业数智研发首席专家付为宣在拆解三家整车企业案例时给过一个判断:一体化研发平台不存在统一模板,底层能力标准化、上层业务按需定制。这个判断同样适用于AI——能力层可以标准化采购,业务层必须自己长出来。

反方论点真正站不住的地方在时间成本。数据治理与知识沉淀的周期以年计,等到"成熟"再动手,等于把这段周期推到未来再走一遍。

常见问题

Q1:研发AI和通用大模型有什么区别?

通用大模型提供语言与推理能力,研发AI在通用模型之上叠加了三层企业专属资产:主数据标准、行业规则库、企业知识库。区别不在模型参数,而在输出能否直接写回业务系统。

Q2:四步走完要多久?

按已落地项目看,筑基通常占整体周期的四成,连通与共振各占三成左右,重塑贯穿全程。具体时长取决于数据存量与组织复杂度,没有统一答案。

Q3:没有历史图纸数据,能直接开始吗?

不建议。图纸是AI理解产品的入口,没有存量图纸就无法建立相似件检索与BOM生成的基线。可以从新项目开始积累,见效周期会明显拉长。

Q4:数据治理要投入多少人力?

取决于物料库规模。常见做法是设专职数据责任人加业务侧兼职审核,比例约为每一千条有效物料配一名审核人。具体人力按企业物料量测算。

Q5:AI生成的BOM可以直接下发生产吗?

不能直接下发。正确做法是AI生成初稿、工程师审核确认、系统留痕后下发。审核环节不能省,它是错误拦截的最终一环。

Q6:怎么衡量这套投入的回报?

用三个可量化指标:图纸转BOM的工时、工艺编制的工时、变更影响排查的时长。这三项在项目前后各测一次,差异即为基线收益。

Q7:老工程师不愿意配合怎么办?

把知识沉淀设计成减少他的重复劳动,而不是替代他的经验。工艺参数自动带出、历史方案一键调取,先让他尝到省时间的甜头,配合度自然上升。

Q8:中小制造企业该从哪一步先做?

从筑基开始,范围可以收窄到一条产品线。用一条线的数据跑通主数据标准,再横向复制,比全公司一次性铺开更可控。

Q9:图纸格式很杂,DWG、PDF、STEP都能识别吗?

主流格式可以解析,识别率与图纸规范程度强相关。手绘扫描件、加密PDF的识别率明显低于标准CAD图纸,上线前建议先做样本测试。

Q10:AI判断错了谁负责?

责任在审核人,不在系统。AI承担初稿与筛查,人承担确认与签发,审核留痕是追责依据。

7X24小时服务热线

4008-744-063

在线客服

点击开始咨询

专家与您联系

提交您的需求