重点速读
- 效率提高,利润未必增加。 当对手也能采用同样的 AI,降价竞争可能让省下的成本流向买方。
- 工厂之外,还有协作的瓶颈。 一个环节变快,不代表订单、零部件、资金和交付能一起跟上。
- 谁留下收益,要看谁掌握关键资源。 技术普及后,订单、客户渠道和供应链协作能力,可能比模型本身更难复制。
AI 能让工厂生产得更快、成本更低。但省下来的钱,最后留在谁手里?从两家工厂的价格竞争,到小米的供应链管理,答案不只取决于技术,也取决于谁掌握订单、资金和客户。
假设一家工厂,每件零部件卖 10 美元,生产成本是 8 美元,赚 2 美元。现在,它引入了一套 AI 工具,把成本降到了 6 美元。
售价不变,每件就能赚 4 美元。利润翻了一倍,看起来是一笔很划算的投资。
但接下来,竞争对手也买到了同样的工具,成本同样降到 6 美元。采购方发现,两家的产品差不多,便有了压价的空间。假如竞争把售价压到 8 美元,工厂每件赚的,又回到了 2 美元。
这只是一个简化的假设,却说明了一个容易被忽略的问题:生产更有效率,不等于生产者一定赚得更多。
成本确实降了,技术也确实有用。但省下来的钱,可能通过降价流到了买方手里。那么,工业 AI 带来的收益,究竟由谁留下?
要回答这个问题,我们得从工厂内部往外看,看看它所在的整条产业链。
01 成本降下来,利润为什么留不住?
先把前面的例子再往前推一步。
A 工厂率先采用 AI,成本从 8 美元降到 6 美元。B 工厂还没有跟上,成本依然是 8 美元。在两家都卖 10 美元的情况下,A 每件赚 4 美元,B 每件赚 2 美元。A 的优势很明确。
但只要 B 也能买到同样的工具,这份优势就可能消失。两家的成本都降下来了,买方又愿意选择价格更低的同等产品,降价竞争就有了条件。
如果售价最终降到 8 美元,两家的单位利润都回到 2 美元。工厂没有失去效率上的进步,失去的是对手暂时做不到的那份差别。
当然,售价不会因为大家用了 AI,就必然降到某个数字。这个例子成立的前提,是两家的产品可以互相替代,买方也能利用供应商之间的竞争来议价。
换一个条件,结果就可能不同。如果 A 利用 AI 积累了独有的工艺知识,能做出 B 做不了的产品,买方就不能只按价格选供应商。A 仍可能保住一部分收益。
同样,独有的数据、更稳定的质量、客户关系和渠道,也可能让制造商保持差异。使用同一个 AI 平台,并不意味着两家企业变成了同一家企业。
所以,判断一项技术能不能带来持久利润,要看两件事:它能省下多少钱,以及竞争对手多久能够追上。前者决定效率进步有多大,后者影响这份进步能有多少留在企业手里。
02 一家工厂变聪明,整条产业链就会更强吗?
过去大约十年,我观察工业智能化,一直把它放在中国制造业的发展过程中来看。
在我的理解里,标准化、信息化、自动化、智能化,是逐步叠加起来的能力。与此同时,生产组织也从家庭作坊,扩展到工厂、企业集团和产业集群。规模越大,分工越细,需要彼此配合的企业就越多。
这不是 AI 出现以后才有的问题。国务院在 2015 年 7 月 1 日发布的《关于积极推进“互联网+”行动的指导意见》(国发〔2015〕40 号),已经把协同制造列为重点,提出利用互联网促进产业链合作。
但从 2017、2018 年开始,我看到的一些制造企业,以及最早一批以视觉识别为主的 AI 公司,并没有随着技术普及一起壮大。到了 2026 年,在我的观察中,它们反而显得更弱。
这不是全行业的统计结论,更不能证明 AI 导致了衰退。它让我想追问的是:技术越来越聪明,为什么企业的经营状况没有跟着改善?
一个可能的原因,是我们把“一家企业做得更好”和“多家企业配合得更好”,当成了同一件事。
一家工厂知道自己的工艺、产能和设备情况;供应商知道零部件什么时候能交;采购方知道质量要求、预算和市场需求。每一方都掌握一部分信息,但没有谁天然掌握全部。
真正的生产,要把这些信息接起来。订单能不能对上零部件供应?工艺能不能同时满足价格和质量要求?需求变了,资金、生产调度、工厂位置和交付安排,能不能一起调整?
这些事情,需要不同企业持续选择、协商和配合。在交易过程中,各方的判断还会影响价格,以及资源最终流向哪里。
因此,即使每家企业都用 AI 提高了分析能力,整条产业链仍可能卡在协作上。一个环节变快,别的环节没有跟上,最终交付未必就会变快。
这也不意味着供应链是一个完全自由的市场。合同、技术标准、大买方的地位和组织权力,都在影响企业能作出什么选择。AI 本身也可以帮助协作,关键是它有没有真正进入这些环节。
这个判断有适用范围。如果一家工厂已经把主要环节整合在内部,工艺明确、工作可重复,单靠内部采用 AI,也可能取得很大的收益。只有当生产跨越多家差异很大的企业,而且协作已经成为瓶颈时,跨企业配合才尤其重要。
03 技术可以重复使用,生意为什么不好复制?
对工业 AI 公司来说,还有另一道难题:同一套技术,到了不同客户那里,往往不能照原样交付。
大型客户有自己的工艺、设备和数据,也有自己的组织规则,以及上下游合作关系。AI 系统要真正用起来,就得逐项对接。这些工作需要人力,很难像普通软件那样,把产品复制一份就交给下一个客户。
商汤的《2024 年可持续发展报告》中,就把定制化模型训练、增量模型训练和推理部署,列为向产业伙伴提供 MaaS 服务的一部分。交付不只是给客户一个模型,还包括围绕客户需求继续训练和部署。
另一端,小工厂又可能买不起、用不好。它们未必有足够的资金和技术人员,也未必能预期投入以后会有多少回报。即使产品已经标准化,购买和部署仍有门槛。
于是,AI 公司面对的是两种不同的难处:大客户的项目难以复制,小客户的需求难以转化为实际订单。
这解释了为什么“技术有价值”和“生意能规模化”,中间还有一段距离。技术做得出来,不代表每新增一个客户,都能以较低成本完成交付。
我在〈AI 迎来了它的 iPhone 时刻,却未必能建立 iPhone 经济〉(英文)中,也从平台角度讨论过类似问题:持续发生的推理成本,以及供应商和客户之间的竞争,都可能压缩独立开发者最后留下的收益。
04 小米的例子:谁来把不同企业接起来?
再看小米。它提供了另一种组织方式:由管理整条供应链的企业,推动不同环节接入共同的系统。
小米的《2022 年 ESG 报告》描述了一套供应链数字化管理系统,连接采购、库存、生产、合作伙伴,以及研发的不同阶段。截至 2022 年底,这套系统已覆盖全部智能手机一级生产供应商,以及部分二级供应商。
这里值得留意的,是各家企业已经有了共同协作的组织基础。它们不只是各自分析数据,还能围绕采购、库存和生产安排配合工作。
对于出海业务,这类系统也可以帮助企业看清海外供应链各环节的数据,及时发现风险。小米在同一份报告中介绍了全链条数据可视化和及时预警的能力。
但数字化不等于 AI 部署。这份报告不能直接证明 AI 提高了小米的利润,也不能证明供应商的收益分配发生了什么变化。我把富士康的工业互联网视为另一种协作方式;要比较实际效果,仍需要部署范围和经营结果的数据。
这些例子指向一个问题:当模型越来越容易获得,企业之间真正难以复制的东西,会不会转向订单、标准、资金、供应商关系、协作系统和客户渠道?
掌握这些资源的企业,能够影响哪些供应商进入体系、要满足什么要求,以及工作如何分配。它们也因此更有条件参与收益分配。
独立 AI 公司即使技术很强,如果不掌握需求和部署关系,仍可能只是这个体系里的一个供应商。它能把某个环节做得更好,却未必能决定这份改善最后值多少钱。
我的判断有两个前提:AI 能力越来越普及,而订单、资金和客户渠道等资源仍然集中。如果这两个条件同时成立,收益更可能向那些能持续投资、直接接触客户的大型企业移动。
在我看来,京东工业和阿里巴巴旗下菜鸟参与工业与物流网络,也是在争取这样的地位。这里是对其业务位置的理解,并不是已经证实的收益分配结果。它们可能争取的优势,是把 AI 与订单、资金、渠道和合作关系结合起来,让技术进入实际交易。
05 供应商赚得更多,也可能更依赖别人
主导企业更有能力留下收益,并不意味着供应商一定吃亏。
稳定订单、更快付款、共同开发,以及技术和渠道支持,都可能改善供应商的经营。进入一套组织得更好的供应链,有时比独自在市场上寻找客户更有利。
但另一个变化也可能同时发生:供应商更依赖这套体系。
因为进入供应链、获得订单和接触客户的机会,仍由主导企业掌握。供应商可以比过去赚得更好,却未必拥有更强的议价能力。
当消费需求转弱时,这种依赖可能进一步增强。可靠的订单和渠道变得更重要,而体系之外、资金不足的企业,可能更难持续投资,也更难找到客户。
结果未必是所有供应商一起衰退,而可能是企业之间的差距扩大:有些企业借助体系改善经营,有些企业被留在体系之外;即使受益的企业,也可能越来越依赖掌握投资、协作和需求的一方。
06 判断工业 AI,要多问哪几个问题?
看一家工业 AI 公司,我会先问三个问题。
第一,对手能不能复制它的能力?如果其他企业也能用同样的工具完成同样的工作,它靠什么保持差异?是工艺、数据、质量,还是客户关系?
第二,它改善的是一项工作,还是企业之间的配合?引入以后,订单、零部件、标准和生产决策,是否真的能更好地接起来?如果瓶颈还留在别的环节,局部效率的提升就未必能变成整体产出的增加。
第三,它有没有能力把收益留下?除了模型,它是否掌握订单、标准、资金、供应商关系和客户渠道?成本降下来以后,谁有能力决定价格,谁又有能力参与利润分配?
这三个问题,也是检验我前面判断的方法。如果制造商和 AI 公司都能独立取得资金、整合供应商、接触客户,相关资源能够广泛分布,那么收益就不必集中到少数主导企业手里。对价值集中的预测,也应随之调整。
零售业有一个可以对照的问题。我在拼多多与 AI 效率极限的分析(英文)中讨论过:当商家和买方各有约束时,平台即使把交易做得很有效率,最后又能留下多少收益?
回到开头那两家工厂。AI 把成本从 8 美元降到了 6 美元,这是实实在在的进步。但利润能不能增加,还要看对手能否追上、产品能否保持差异,以及谁有议价能力。
再把视野放大到整条产业链,问题仍然一样。技术普及之后,如果订单、资金、协作能力和客户渠道仍然集中,掌握这些资源的企业,就更有机会留下新增的收益。
因此,观察工业 AI,既要看它让生产变好了多少,也要继续追问:这份改善,最后变成了谁的收入?
订阅最新研究
免费研究文章、精选阅读与发布动态,可随时取消订阅。