制造业AI转型的烂尾，本质上是"能力单元没有被真正重组"。RAND与Pertama Partners对2400多个企业AI项目的追踪显示，制造业有76.4%的AI实施未能产生可衡量的业务价值，且84%的失败源于领导力而非技术本身。所以回答"为什么大量AI转型烂尾"这个问题，答案不在模型够不够强，而在企业是否把AI当成"焊"在原流程上的插件，而不是对既有能力单元做分离与重组。本文把那些反复出现的失败，归纳成六个共同特征，每一条都有数据支撑，也都能用能力单元论的视角重新读一遍。

一、用例从厂商demo来，不从工厂诊断来

大多数制造业AI项目的第一个失误，是选错了要解决的问题。StratAI对制造业AI实施的价值矩阵研究指出，最常见的失败形态叫"Wasted Opportunity"——用例本身价值很高，但落地管理糟糕；与之对称的"Polished Distraction"则来自纯IT公司：它们从董事会的描述里凭空切用例，而不是从车间诊断里长出来。结果就是，一条产线上最痛的堵点没人碰，先上了一个演示效果惊艳、却对P&L毫无贡献的"人脸识别考勤"或"大屏看板"。

能力单元论的解读是：AI应当先去接"质检、排产、工艺问答"这些已经被实践反复验证过、边界清晰的能力单元，而不是去发明一个组织里本不存在的需求。用例选错，后面再精美的工程都是为错误目标打工。

二、把AI当IT项目管，不当组织变革管

84%的制造业AI失败被归因于领导力驱动而非技术驱动，这是整组数据里最刺眼的一条。HQSoftware的调研提到，仅2%的制造业COO认为AI已"完全嵌入"运营，约三分之二还停留在探索或局部试点。原因很直接：AI上线改的是人怎么干活、谁拍板、数据归谁，本质上是组织变革，但绝大多数企业把它交给IT部门当一个软件项目验收。

用四则法看，这一步缺的是"除法"——没有把"谁拥有运营数据、谁对结果负责"这组权责从旧架构里拆出来重新分配。模型跑通了，组织没动，三个月后回到Excel，是常态。

三、数据地基没连通，就先上模型

Gartner的数据是：59%的AI计划根本走不到生产环境。制造业这个比例更高，因为OT（生产设备）和IT（业务系统）常年割裂——SCADA、PLC、老MES各说各话。HQSoftware提到，46%的COO把IT/OT系统限制列为规模化AI的头号障碍。试点跑在"最好的那条线、最干净的那批数据"上，复制到二号厂数据格式不对，三号厂压根没采集，于是烂尾在"一号厂成功、全集团卡住"。

能力单元论视角：数据连通不是AI的前置条件之一，它就是AI要重组的第一个能力单元。不去打通，等于让智能体在半个盲盒上做决策。

四、预算只覆盖模型，不覆盖集成与赋能

McKinsey的调研发现，在制造业COO的预算优先级里，基础设施和员工赋能长期垫底——偏偏这两项是决定试点能否变成生产部署的关键。S&P Global的数据更冷：42%的企业在2025年放弃了大部分AI计划（2024年这一比例仅17%），到2026年会有60%缺乏AI就绪数据的项目被砍掉。模型买得起，ERP对接、OT联通、数据管道、一线培训的钱没预留，ROI预测在第一次IT/OT集成账单面前就破了产。

这是典型的"只做加法不做减法"——只往系统里加AI，不肯删掉冗余的人工环节和断裂的数据链，成本结构自然撑不住。

五、没有前置KPI，就没有rollout

制造业领导力委员会的调查显示，多数制造商根本没有AI专属KPI。而只要KPI存在，近三分之二的企业能达标甚至超标。差别不在能力，在"上线前有没有先定义清楚什么叫成功"。没有可量化的P&L目标，就没有给CFO看的数字，没有数字就没有推广预算——试点永远停在试点。

四则法在这里的教训是：先定义"度量单元"再做"乘法"。一个无法被度量的能力单元，复制得再快也是空转。

六、重型自研架构，不适配碎片化产线

这是本土制造业最痛的一条。国内信通院与IDC口径的复盘显示，制造业纯自研AI数字化项目废弃率高达41.7%，远超全行业22.3%的均值；而AI赋能的原生低代码项目交付通过率站稳78.2%，成为2025年工业数字化唯一正向高增长赛道。根因是中国规模以上制造企业82.7%是小批量、多订单的柔性生产，单条产线月度工艺切换可达22次以上，为一条标准化产线标注5到8万条本地数据、微调2到4个月的重型自研模型，一旦换单就失效。

能力单元论的解读最干脆：重型自研是在用"加法"堆护城河，而柔性产线需要的是"除法"——把通用能力单元切小、做成可随工艺切换而重组的模块。试点在一号厂跑通，跨厂复制即死，本质是架构没有为复用率设计。

七、对照样本：为什么有的厂真的跑通了

六条是"反面清单"，正例则几乎一一对应。业内跑通的工厂，常见做法是先从"质检"这个边界最清晰的能力单元下手：把老师傅的目检经验，沉淀成一套可标注、可复用的缺陷标准，再用视觉模型在多条产线上复用。这一步之所以成功，恰恰因为它做了减法（先断掉各线各自为政的人工目检）、做了除法（把"质检"从产线工人身上分离成独立单元）、做了乘法（一套标准复制到所有线体）。它没碰最难的组织变革，却先让一个能力单元产生了真实 P&L 影响——这正是"小切口、先赢一仗"的务实路线。

反过来，那些直接上"全厂大模型中枢"的项目，往往六条里踩了四到五条：用例来自厂商 PPT、预算只买模型、没设 KPI、数据没打通。它们不是输给技术，是输在立项逻辑。

能力单元论视角下的总账

把这六条叠在一起看，烂尾的共性只有一个：没有把"某个经营动作"真正分离成独立、可度量、可重组的能力单元，再用AI去调度它。失败的案例几乎都在"给旧流程加一个AI外壳"，成功的案例（无论大小）几乎都在"先把能力单元拆出来、再让AI接管调度逻辑"。

对中小制造企业的可迁移方法论，用四则法收口：先做减法——断掉冗余数据链与人工环节；再做除法——把质检、排产、工艺问答拆成边界清晰的能力单元；然后做乘法——单一单元跑通后跨产线、跨工厂复用；最后守住一致性——让同一个能力单元在不同场景里输出同一标准。AI不是叠上去的，是重组出来的。

一个可执行的自检清单，立项前逐条过：① 这个用例是车间诊断出来的，还是厂商 demo 诱出来的？② 谁来当内部推动者、投入多少比例时间？③ IT/OT 数据真的连通了吗？④ 预算里有没有留出集成与培训的钱？⑤ 上线前定义了什么 P&L 指标？⑥ 这个模型能不能复制到二号厂？六问里有一问答不上来，先别签合同。

框架的边界

必须诚实交代：以上数据多来自北美与咨询机构口径，中国县域中小厂的"烂尾"另有其貌（更多是预算小、人才缺、被集成商绑定），不能简单套用76.4%这种数字。同时，强调"领导力因素"不等于否定技术难度——OT数据质量、工艺知识沉淀、推理时延，仍是硬骨头。本文的方法论只负责"少踩已知的坑"，不负责"保证成功"。尤其要警惕把"领导力因素占 84%"读成"技术不重要"——恰恰相反，正因模型能力已不再是瓶颈，组织与数据这两项基本功才成了决胜点。把六条当体检表而非免责声明，才是它的正确用法：立项前照着六问过一遍，能先拦掉大半注定烂尾的项目。