工业AI烂尾，指的是AI项目通过了验收却无法在产线长期稳定运行、最终被弃用的状态。据行业统计，88%的工业AI Agent试点从未真正进入生产环境，60%的项目上线半年内被废弃。为什么砸了数千万、验收指标全达标的项目，最后还是回到了人工？答案不在算法精度，而在于企业买走了一套模型，却没有买走支撑这套模型运转的能力单元。

1. 案例速写

山东龙口一家汽车天窗玻璃厂，年产玻璃约1200万片。2021年，企业投入数千万元上线AI视觉检测系统，目标是替代大部分人工质检岗位。

系统上线初期表现良好。但进入常态化生产后，现场失误率攀升至12%以上——这意味着每年约120万片玻璃需要退回人工复检。投入产出彻底倒挂。（信源链接：今日头条·工业AI落地困境）

这不是孤例。另一家长三角汽车零部件企业2025年底花200万上了一套AI排产Agent，Demo阶段30秒出方案、计划达成率从65%飙到92%。第三个月，车间主任对AI排产方案的否决率达到87%；第六个月，系统默默下线，车间回到Excel排产。（信源链接：云智变·工业Agent悖论白皮书）

2. 转型动因

天窗玻璃是典型的高一致性要求品类：一片划伤或气泡就可能导致整车返工。传统做法是人海战术——多班次目检，人力成本高、疲劳漏检率不可控，且质检标准因人而异。

2021年前后，正是机器视觉在3C行业跑出标杆案例的时间窗。厂方的判断链条很直接：既然视觉能替代人眼，那么替代质检岗就是最短的降本路径。

3. 技术嵌入

方案本身并不激进：产线加装工业相机与光源，采集缺陷样本训练深度学习分类模型，输出合格/不合格判定，异常品自动分流。实验室环境下的准确率可达99%量级。

问题出在实验室与产线之间。车间灯光每小时的自然波动，就足以让视觉识别精度掉15%以上；温度漂移、镜头积灰、传送带振动这些在训练集中不存在的"小变量"，在现场全都是致命项。更麻烦的是产品批次切换——外观颜色的细微差异会让误报率从0.5%飙到15%，每次换批都需要重新调参。

3.5 能力单元分析

这才是烂尾的真正机理。

原有能力单元：人工质检其实是一个复合单元，它同时承担了四件事——缺陷识别、标准判定、异常处置、以及"标准漂移时的自适应"。老质检员看到一批颜色偏了的玻璃，会自己调整心里的判定阈值，而且知道什么情况该叫工艺员来看。

AI替换掉了什么：视觉系统只接管了第一件事（缺陷识别），而且是在固定光照、固定批次条件下的识别。第二件（标准判定）被硬编码成阈值，第三件（异常处置）交回给人，第四件（自适应）根本没有被任何单元承接。

新单元缺位：一套持续运转的工业视觉系统，必须新增两个原本不存在的能力单元——数据漂移监控单元（谁来发现精度在掉）和模型再训练单元（谁来在换批次时快速重新标注、微调、验证）。这两个单元既不在设备供应商的交付清单里，也不在厂方的岗位编制里。

调度逻辑的变化被忽略了：原本"发现异常→老师傅决策"是一个短回路，现在变成"AI误报→质检员复核→报IT→报供应商→工程师上门调参"，回路被拉长到以天为单位。而生产不能停，于是唯一的现实解就是——把人加回来。

一句话：企业以为在做替换，实际上是在做拆解，而拆下来的碎片没有被重新组装。

4. 组织变阵

名义上，质检岗位被压缩了。实际上出现了三个变化：

一是影子岗位复归。为了纠正系统误判，质检员被重新安排到设备旁边，身份从"检验员"变成"AI纠错员"，但薪酬体系和考核口径没跟着改。

二是责任无人兜底。IT部门说"模型准确率达标"，生产部门说"和工艺经验不符不敢用"，质检部门说"漏检我背锅，不如全人工复检"。三方都在自己的口径里正确，合起来就是项目死亡。

三是能力外挂化。调参能力留在供应商工程师身上，厂内技术人员没有接得住。供应商不可能常年驻场，于是系统能力随着工程师离场同步衰减。

5. ROI兑现与踩坑

诚实地看账：

项目	预期	实际
---	---	---
现场失误率	≤1%	12%以上
年复检量	趋近于零	约120万片
质检人力	大幅压缩	部分回补
回本周期	3年内	未兑现

这不是个案数据。IDC 2025年数据显示，61%的企业从未正式测算过AI项目的真实ROI，同年42%的制造企业直接取消了大部分已立项的AI项目。工业AI项目的实际回本周期被拉长至5-8年，远超传统技改3年的回本红线，也远超管理层的耐心阈值。

必须说清的边界：这不能证明AI质检没用。同类系统在光照可控、批次稳定、SKU单一的场景里跑得很好。它证明的是——AI的适用性不由技术决定，由场景的稳定性决定。

6. 可迁移方法论

用四则法回看，这个项目在"减法"上做过了头，在"加法"上又什么都没做。

第一，先问一致性，再问自动化。 如果一个场景本身的输入变量不稳定（光照、批次、原料），那么它的一致性根基就不牢。在一致性不足的场景上叠加自动化，等于把不确定性放大。正确顺序是：先把光照、工装、批次标准治理到位，再上模型。

第二，把"维护单元"写进预算。 采购决策要同时回答三个问题：谁做漂移监控？谁做再训练？换批次时的响应时限是多少？答不上来，就还没到采购的时候。这三条是让能力连续化的最小配置。

第三，先做窄场景，做透了再复制。 与其让一套系统管全厂，不如先在一条最稳定的产线上跑满12个月，把标注规范、调参SOP、异常处置流程沉淀成可交付的模板——这时候复用率才是真的，往下一条线复制的边际成本才会真降。反过来，一上来就全厂推广，等于把一次失败乘以产线数量。

第四，别用Demo数据做决策。 Demo用的是理想数据，产线用的是真实数据。看方案时，只问一句话：请用我们上个月最差的那批真实数据跑一遍。

工业AI不是一次性采购，是一项需要持续运营的能力。买模型很容易，养单元才是难的那部分。