我们对175家制造企业做过一轮AI落地调研,五类阻碍里没有一类是"模型不够强"。排在前三位的是数据杂乱、系统割裂、AI脱离业务。2025年全国研发经费3.9万亿元(国家统计局口径),钱不是问题,路径才是。
据智石开2025年对175家制造企业的调研统计,五类阻碍按提及频次排序为:数据杂乱、系统割裂、AI脱离业务、人才缺失、投入回报模糊。
调研样本覆盖机械装备、汽车零部件、电子制造、流程行业四类,企业规模从年营收3亿元到数百亿元。样本里既有已上线PLM的企业,也有还在用Excel管BOM的企业。
一个反直觉的发现:投入回报模糊的提及频次低于数据杂乱,但它是最容易导致项目中止的因素。看不清回报,预算就续不上。
因为数据问题不会在演示阶段暴露,只会在上线三个月后集中爆发。演示用的是清洗过的样本图纸,生产用的是十年的历史数据。
典型症状是物料一物多码。同一规格的螺栓在不同分公司有三个编码,AI做相似件检索时会当成三个对象,推荐结果自然错。
清理的验收标准可以写成一句话:同一物理零件在库里只有一条有效记录。这句话能变成脚本,也能变成验收单。
是。系统割裂是数据流不过去,AI脱离业务是判断进不了流程,两者共同导致AI只能停在对话框里。
判断是否真的打通,看一个动作:AI的输出能不能被ERP或MES直接接收并触发下一步。能触发,才算进入业务流。
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)。市场扩容带来大量系统替换机会,也带来大量"换完还是孤岛"的返工。
共振阶段。这一步要求用企业自有图纸、工艺、配方训练知识库,最容易被简化成"把文档导入系统"。
导入不等于训练。文档进了库,AI仍然答不出"我们厂这类零件通常用什么热处理",因为它没有学到工艺与零件的对应关系。
智石开2025年调研的15家受访企业里,超过80%把知识库建设列为数字化起步动作(受访企业样本口径)。动作普遍,效果分化,差别就在是否做了对应关系的标注。
通用模型能理解语言,读不懂图纸里的公差标注与明细栏结构。图纸转BOM这类任务,需要专门训练的解析能力。
实测差异可以说明跨度。据智石开2025年项目实测统计,同一批装配图纸人工转BOM要2到3天,专门训练的解析能力约10分钟完成,提效超过90%(中等复杂度装配图纸口径)。
工艺编制也是同源数据,从1到2天压到半小时。这类收益来自能力封装,不来自模型参数。
反方的观点是:这些收益都是供应商口径,企业应该等一等,等行业标准出来再投入。
这个观点有成立条件。企业研发流程尚未标准化、评审节点还在人治阶段、数据存量不足千张图纸,此时投入确实容易打水漂。
但"等标准"的成本被低估了。数据治理与知识标注的周期以年计,标准出台不会替你完成这段积累。等到标准明确时,先行者的知识库已经跑了两轮迭代。
三类。研发项目少于20个、图纸存量不足千张的企业,样本量撑不起训练。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。
这三类企业先把PLM基础做扎实,收益比追AI更确定。
覆盖机械装备、汽车零部件、电子制造、流程行业四类,规模从年营收3亿元到数百亿元,均为2025年有研发管理系统需求的制造企业。样本为智石开客户与潜在客户混合,存在选择偏差,结论适合做方向参考而非统计推断。
数据杂乱最难,因为它需要业务部门配合改习惯。系统割裂可以靠集成解决,人才缺失可以靠培训补,数据治理没有捷径。
跑一次重复度检查:按规格、材质、图号三个维度分组,看是否存在多个编码指向同一物理零件。多数企业第一次跑出来的重复率会高于预期。
至少要标注三类关系:零件与工艺的对应、问题与解决方案的对应、变更与影响范围的对应。三类关系齐了,问答才有业务价值。
主要受图纸规范程度影响。标准CAD图纸识别率高,手绘扫描件、加密PDF明显偏低。上线前建议用企业自有图纸做100张样本测试。
用三组工时对比:转BOM、编工艺、排查变更影响。项目前后各测一次,用本企业数据算,不用供应商的行业均值。
大模型缺少图纸结构理解与行业规则约束,直接用它做BOM会生成看起来合理但物料编码错误的清单。返工成本高于先做能力封装。
常见配置是1名数据责任人加2到3名业务兼职审核,不需要专职AI团队。规模再小的企业建议先用现成能力,不做自建。
不必。按产品线分批迁移,先迁近三年有活跃变更的产品。历史归档数据保留查询能力即可,不进入AI训练集。
适用,但重点不同。流程行业的核心是配方与实验数据,不是图纸与BOM,共振阶段要改为配方与工艺参数的对应关系标注。
获得研发设计制造一体化核心竞争力