制造业高管正将近半数现代化预算投向人工智能，押注这些系统能在两年内提升企业利润。这种积极的资本配置标志着行业的明确转向 ——AI 已被视为推动财务业绩增长的核心引擎。塔塔咨询服务公司（TCS）与亚马逊云科技（AWS）联合发布的《2025 年未来就绪制造业研究》显示，88% 的制造商预计 AI 至少能占据 5% 的运营利润率，四分之一的制造商甚至预期回报率将超过 10%。然而，充足的资金与高昂的雄心背后，制造业的 “底层设施” 却未能跟上步伐：财务预测与工厂实际运营之间存在显著差距，尽管智能系统投入不断增加，但底层数据基础设施依然脆弱，风险管理策略仍依赖高成本的人工缓冲措施，AI 的价值释放面临严峻阻碍。
当前，制造业从技术栈中提取现金价值的压力达到前所未有的高度。75% 的受访者预计，到 2026 年 AI 将跻身运营利润率贡献的前三甲，这一预期推动企业在未来两年将 51% 的转型支出投向 AI 与自主系统。这一投入规模远超其他关键领域：用于员工再培训的资金仅占 19%，云基础设施现代化投入占比 16%。对首席信息官（CIO）而言，这种资源分配失衡潜藏着危机 —— 试图在不稳定的 legacy 基础架构上部署先进算法，如同在流沙上搭建高楼，不仅难以发挥 AI 的全部潜力，还可能因系统兼容性问题引发新的运营风险。
TCS 制造业总裁阿努帕姆・辛哈尔（Anupam Singhal）表示：“制造业是一个以精准、可靠和对性能不懈追求为标志的行业。如今，随着 AI 参与决策协调，这一坚实基础的优势被放大数倍 —— 通过更高的可预测性、稳定性和控制力，交付具有变革意义的业务成果。” 他强调，TCS 将此视为帮助制造商构建具备韧性、适应性和未来就绪能力的企业生态系统的关键机遇，助力其在智能自主时代蓬勃发展。
尽管企业大力投资 AI 预测能力，但实际运营行为却暴露了对技术的不信任。当遭遇运营中断时，制造商并未依靠数字系统的灵活性应对，反而回归物理防护措施。在近期的多起中断事件后，61% 的企业增加了安全库存，半数企业选择多源化物流合作，仅有 26% 的企业利用数字孪生进行场景规划以应对波动。这种脱节十分明显：49% 的受访者认可 AI 承诺的动态库存优化优势，却仍本能地倾向于囤积库存。正如行业观点所喻，供应链领导者 “买了法拉利，却像开拖拉机一样使用”。要弥合这一差距，企业需从被动的安全措施转向主动的系统导向型应对策略。
AWS 汽车与制造业总经理奥兹古尔・托胡姆库（Ozgur Tohumcu）指出：“如今的制造商面临前所未有的压力 —— 利润率收紧、供应链波动、劳动力缺口等问题交织。在 AWS，我们正通过 AI 驱动的自主运营革新制造业，从人工、被动的流程转向智能、自优化的规模化系统。” 他进一步解释，将 AI 嵌入运营的每一层，并利用云原生架构，制造商能超越简单自动化，实现真正的自主决策 —— 系统可自主预测、适应并行动，仅需极少人工干预。这不仅能加快响应速度，更能通过 AI 驱动的可预测性、韧性和灵活性，从根本上重塑运营模式。
阻碍 AI 实现财务回报的核心障碍并非模型本身，而是其依赖的数据质量。仅有 21% 的制造商表示拥有 “完全 AI 就绪” 的数据 —— 即清洁、有上下文且统一的数据。多数企业（61%）处于部分就绪状态，不同工厂的数据质量参差不齐，形成的数据孤岛导致算法无法获取全企业范围的输入数据，进而影响决策准确性。与 legacy 系统的集成是主要障碍，54% 的受访者提及这一问题。数十年数字化进程中积累的 “技术债务”，使得在老旧运营技术上叠加现代自主智能体变得困难重重。此外，安全问题也不容忽视：52% 的受访者将安全与治理担忧列为工厂层面的首要障碍。在网络物理攻击可能导致生产停滞或人身伤害的制造环境中，企业对自主智能体干预的风险承受能力依然较低。
尽管面临多重挑战，制造业仍在加速向智能体 AI（Agentic AI）迈进 —— 这类系统可在有限人工监督下自主决策。74% 的制造商预计，到 2028 年 AI 智能体将负责多达一半的常规生产决策；更紧迫的是，66% 的企业已允许或计划在 12 个月内让 AI 智能体无需人工签字即可批准常规工单。这种从 “副驾驶（Copilot）” 到能独立完成全流程任务的 “自主智能体” 的演进，将从根本上改变劳动力结构。尽管 89% 的制造商预计 AI 引导的机器人技术会对劳动力产生影响，但行业焦点在于 “增强而非替代” 人类 ——AI 承担重复性、高风险任务，人类则专注于创造性、决策性工作。
当前，生产力提升主要集中在知识密集型岗位：质量检验员（49%）和 IT 支持人员（44%）的效率提升最为显著，而维护技术人员等传统生产岗位（29%）的提升相对滞后。这一趋势表明，AI 在制造业的应用遵循 “先认知增强，后物理协同” 的路径，先优化依赖数据与分析的岗位，再逐步渗透至需要物理操作协调的领域。
随着 AI 智能体在各平台的普及，企业架构师面临着协调策略的选择。市场对供应商锁定普遍抵触，63% 的制造商倾向于混合或多平台策略，而非单一供应商解决方案。具体而言，33% 的企业计划通过多个平台原生智能体进行协调，30% 偏好融合平台原生与自定义协调的混合模式，仅有 13% 愿意依赖单一基础平台。这种多平台倾向既为企业保留了议价能力与灵活性，也对跨系统协同能力提出了更高要求。
要将巨额 AI 投资转化为实际利润，企业管理层需穿透技术炒作，聚焦三大核心行动。首先，修复数据基础 —— 仅 21% 的企业数据完全就绪，当务之急是推进数据现代化，而非急于开发算法。缺乏清洁、统一的数据，可持续发展、预测性维护等高价值应用场景将无法规模化落地。其次，弥合 AI 信任鸿沟 —— 对安全库存的依赖表明企业对数字信号缺乏信心，分阶段实现自主化是解决方案：先从工单审批等行政任务入手（66% 的企业已在推进），再逐步将复杂供应链决策交由 AI 处理，通过小步验证积累信任。最后，避免单一化陷阱 —— 数据支持多平台策略以保持杠杆作用与灵活性。制造商将未来押注于 AI，但要实现回报，需更少关注模型的 “智能程度”，更多投入数据清洁、legacy 设备集成、员工信任建设等基础工作。这些看似平凡的举措，实则是 AI 释放制造业利润潜力的关键前提。
原创文章，作者：王 浩然，如若转载，请注明出处：https://www.dian8dian.com/ai-fu-neng-zhi-zao-ye-kai-qi-li-run-zeng-zhang-xin-ji-yuan
