美国制造业AI投资遭遇“回报荒”：问题不在技术，在采购流程

引言：当AI遇到制造业——热度不减，回报难寻

美国制造业正在经历一场AI投资热潮。从运营优化到质量控制，AI被视为下一代工业自动化的核心驱动力。然而，Grant Thornton于2026年发布的《AI影响调查》揭示了令人警醒的现实：在受访的100家制造企业高层中，零家报告了显著的营收增长或成本节约。与此同时，其他行业的同一调查中，12%的企业实现了上述回报。

这一数据并非统计误差。在样本量100的调查中，零结果意味着系统性问题。制造业拥有传感器数据、重复性流程和数十年的自动化基础——理论上应是AI落地的理想土壤。但事实是，美国制造业正面临AI应用活动与实际财务回报之间最宽的鸿沟之一。问题根源不在于AI模型不够智能，而在于企业采购与应用AI的方式存在根本缺陷。

核心观察1：高采用率≠高回报——数据揭示的“效率假象”

• 调查数据显示，制造商在AI采用上并不保守：
• 64%报告了效率提升
• 62%将运营作为最需要AI的领域（在所有行业中比例最高）

但效率提升并未转化为损益表上的数字。仅14%的企业报告了创新加速（其他行业为31%），而48%的AI项目仍停留在试点阶段，远高于其他行业的34%平均水平。

“效率”与“成本节约”之间存在关键区别：一个能将换模时间缩短几分钟的模型在演示中表现亮眼，但如果它不能减少废料、降低非计划停机、压缩库存或减少保修索赔，CFO永远不会在损益表上签字。

核心观察2：竞争焦虑驱动采购——45%的企业买的是“跟风”，不是“问题”

调查揭示了一个令人不安的采购动机：45%的制造企业表示，竞争压力是其AI采纳的主要驱动力。不是已量化的生产瓶颈，不是高企的缺陷率，而是担心竞争对手领先一步。

焦虑是糟糕的采购标准。Grant Thornton的分析师指出，制造商往往先购买AI工具，然后等待供应商摸索部署方式。资金流向同行正在做的方向，而非真正能推动利润率的关键决策。

这种“跟风式采购”在运营领域尤为明显。运营听起来是理性的选择，但它恰恰是最难让AI产生财务效果的地方：大量数据分散在PLC和旧设备中，集成需要触摸生产中的机器，任何错误在运行线上都会造成高昂成本。

核心观察3：试点陷阱——48%的项目无法毕业的根源

近半数AI项目困于试点阶段，原因不在技术，而在治理机制。MIT Media Lab的Project NANDA研究曾发现，企业在生成式AI上花费300-400亿美元后，仅约5%的综合试点释放了真正价值，其余项目未显示可衡量的损益影响。

• 制造业的试点陷阱有其特殊原因：
• 缺少财务指标定义：从“AI可能有用”直接跳到“试点运行”，跳过了命名项目应推动的具体数字（如废品率降低X%、停机时间减少Y小时）。
• 缺乏明确执行问责：没有一位高管对某个数字负责，试点项目既无法成功也无法失败，只能无限期延续。
• 失败预案缺失：仅7%的制造商制定了测试过的AI失败应对计划（所有行业中最低）。这些企业为火灾进行演练、为备用发电机进行负载测试，却未曾为影响生产线决策的软件故障做过演练。

受益者与承压者：哪些企业将胜出？

• 受益企业：
• 采用外部成熟AI工具且能将其与具体KPI绑定的制造商。Grant Thornton和其他研究均表明，外部工具成功概率约为内部自研的两倍。
• 具备严格采购纪律的企业：它们会先计算问题成本，再寻找AI方案，并为每个项目指定单一高管负责，设定终止日期。
• 提供可测量ROI的AI供应商：那些能帮助客户定义“底线指标”（如废品率、非计划停机、库存周转率）并承诺可验证结果的公司将获得优势。

• 承压企业：
• 执着于自研AI又缺乏整合与维护能力的制造商。高昂的内部开发成本与低成功率将拖累其竞争力。
• 因竞争焦虑而盲目采购、缺乏项目终止机制的企业。它们将陷入“试点沼泽”，消耗资金却无回报。
• 对AI风险毫无预案的工厂：一旦出现AI错误导致安全事故或重大质量事故，将面临法律与声誉风险。

对美国制造业意味着什么？

1. 采购流程需彻底改革：AI投资必须回归资本请求的基本纪律——明确目标数字、指定负责人、设定终止条件。在资助下一个运营AI项目前，管理层应能简洁回答四个问题：它移动哪条生产线？移动多少？谁对结果负责？如果不奏效，何时停止？ 2. 从“技术驱动”转向“问题驱动”：制造业需要从“AI能做什么”转变为“我们需要解决什么已量化的瓶颈”。竞争压力不能替代业务案例。 3. 文化障碍大于技术障碍：内部控制、实验容错、失败预案的缺失比算法精度更制约AI价值。制造业必须将AI治理纳入现有的质量与安全管理系统。

对美国供应链的影响

供应链AI应用的回报压力同样存在。制造商在供应链预测、需求规划等方面的AI项目若缺乏财务指标，容易陷入“预测更准但成本未降”的困境。未来，供应链AI投资将更聚焦于能直接减少库存水平、提升配送准确率、降低物流成本的具体环节。受益者将是那些提供端到端可量化供应链优化方案的供应商。

对企业投资决策的启示

• 未来三年，制造企业的AI投资将趋于理性化：
• 资本将流向已被验证能产生节省的具体用例，而非泛化的“运营AI”平台。
• “展示数字”和“展示负责人”将成为AI项目预算批准的标配。
• 试点期限将被严格设定，未达标的项目将被终止而非延期。
• 内部自研比例可能下降，外部采购中能承担部分结果风险（如按效果付费）的供应商将获得青睐。

对未来5年美国制造业AI格局的展望

1. 整合期到来：当前数百个AI试点项目中的大部分将在2-3年内被取消或压缩，只有20-30%能进入规模化部署。 2. 行业标准浮现：制造业将形成适合自身的AI治理标准，包括失败预案模板、ROI衡量方法、数据整合指南等。 3. 中小企业受益：随着外部工具成熟和按效果付费模式普及，缺乏自研能力的中型制造商将更易于采用AI，缩小与大型企业的技术差距。 4. 美国制造业竞争力重塑：AI不是万能药，但当它与精益制造、流程再造结合时，将在维护成本、产量、质量等方面创造累计优势。率先解决“回报荒”的企业将获得明显的成本领先。

结语：从“AI兴趣”到“AI论证”

美国制造业并不缺少对AI的兴趣。问题在于证明AI价值的证据——以及制造这一证据的流程。那些能像对待其他任何资本投资一样对待AI的企业，将最终跨越从“效率提升”到“利润改善”的鸿沟。而那些继续购买焦虑、沉迷演示的企业，将继续在试点陷阱中徘徊。

制造业的下一个竞争前沿不是谁采用AI更快，而是谁能用更严格的财务和运营纪律将AI转化为可持续的竞争优势。