> ## Content Index
> Fetch the complete content index at: https://research.porbital.io/llms.txt
> Use this file to discover other available public pages before exploring further.

# 工廠都用上了 AI，為什麼利潤未必增加？
- URL: https://research.porbital.io/zh-hant/industrial-ai-productivity-producer-profit-zh-hant/
- Published: 2026-10-03T02:32:48.000Z
- Updated: 2026-10-03T09:07:27.000Z
- Description: AI 讓工廠生產得更快、成本更低，利潤卻未必增加。從兩家工廠的價格競爭到小米的供應鏈管理，看看省下的錢如何分配，以及誰更有能力留下收益。
- Author: Roverzon
- Tags: #lang-zh-hant, #i18n-industrial-ai, Industrial AI, Supply Chains, Manufacturing

## 重點速讀

- **效率提高，利潤未必增加。** 當對手也能採用同樣的 AI，降價競爭可能讓省下的成本流向買方。
- **工廠之外，還有協作的瓶頸。** 一個環節變快，不代表訂單、零組件、資金和交付能一起跟上。
- **誰留下收益，要看誰掌握關鍵資源。** 技術普及後，訂單、客戶通路和供應鏈協作能力，可能比模型本身更難複製。

---

*AI 能讓工廠生產得更快、成本更低。但省下來的錢，最後留在誰手裡？從兩家工廠的價格競爭，到小米的供應鏈管理，答案不只取決於技術，也取決於誰掌握訂單、資金和客戶。*

假設一家工廠，每件零組件賣 10 美元，生產成本是 8 美元，賺 2 美元。現在，它引入了一套 AI 工具，把成本降到了 6 美元。

售價不變，每件就能賺 4 美元。利潤翻了一倍，看起來是一筆很划算的投資。

但接下來，競爭對手也買到了同樣的工具，成本同樣降到 6 美元。採購方發現，兩家的產品差不多，便有了壓價的空間。假如競爭把售價壓到 8 美元，工廠每件賺的，又回到了 2 美元。

這只是一個簡化的假設，卻說明了一個容易被忽略的問題：生產更有效率，不等於生產者一定賺得更多。

成本確實降了，技術也確實有用。但省下來的錢，可能透過降價流到了買方手裡。那麼，工業 AI 帶來的收益，究竟由誰留下？

要回答這個問題，我們得從工廠內部往外看，看看它所在的整條產業鏈。

## 01 成本降下來，利潤為什麼留不住？

先把前面的例子再往前推一步。

A 工廠率先採用 AI，成本從 8 美元降到 6 美元。B 工廠還沒有跟上，成本依然是 8 美元。在兩家都賣 10 美元的情況下，A 每件賺 4 美元，B 每件賺 2 美元。A 的優勢很明確。

但只要 B 也能買到同樣的工具，這份優勢就可能消失。兩家的成本都降下來了，買方又願意選擇價格更低的同等產品，降價競爭就有了條件。

如果售價最終降到 8 美元，兩家的單位利潤都回到 2 美元。工廠沒有失去效率上的進步，失去的是對手暫時做不到的那份差別。

當然，售價不會因為大家用了 AI，就必然降到某個數字。這個例子成立的前提，是兩家的產品可以互相替代，買方也能利用供應商之間的競爭來議價。

換一個條件，結果就可能不同。如果 A 利用 AI 累積了獨有的製程知識，能做出 B 做不了的產品，買方就不能只按價格選供應商。A 仍可能保住一部分收益。

同樣，獨有的資料、更穩定的品質、客戶關係和通路，也可能讓製造商保持差異。使用同一個 AI 平台，並不意味著兩家企業變成了同一家企業。

所以，判斷一項技術能不能帶來持久利潤，要看兩件事：它能省下多少錢，以及競爭對手多久能夠追上。前者決定效率進步有多大，後者影響這份進步能有多少留在企業手裡。

## 02 一家工廠變聰明，整條產業鏈就會更強嗎？

過去大約十年，我觀察工業智慧化，一直把它放在中國製造業的發展過程中來看。

在我的理解裡，標準化、資訊化、自動化、智慧化，是逐步疊加起來的能力。與此同時，生產組織也從家庭作坊，擴展到工廠、企業集團和產業聚落。規模越大，分工越細，需要彼此配合的企業就越多。

這不是 AI 出現以後才有的問題。國務院在 2015 年 7 月 1 日發布的[《關於積極推進「互聯網＋」行動的指導意見》](https://www.cac.gov.cn/2015-07/04/c%5F1115815010.htm?ref=research.porbital.io)（國發〔2015〕40 號），已經把協同製造列為重點，提出利用網際網路促進產業鏈合作。

但從 2017、2018 年開始，我看到的一些製造企業，以及最早一批以視覺辨識為主的 AI 公司，並沒有隨著技術普及一起壯大。到了 2026 年，在我的觀察中，它們反而顯得更弱。

這不是全行業的統計結論，更不能證明 AI 導致了衰退。它讓我想追問的是：技術越來越聰明，為什麼企業的經營狀況沒有跟著改善？

一個可能的原因，是我們把「一家企業做得更好」和「多家企業配合得更好」，當成了同一件事。

一家工廠知道自己的製程、產能和設備情況；供應商知道零組件什麼時候能交；採購方知道品質要求、預算和市場需求。每一方都掌握一部分資訊，但沒有誰天然掌握全部。

真正的生產，要把這些資訊接起來。訂單能不能對上零組件供應？製程能不能同時滿足價格和品質要求？需求變了，資金、生產排程、工廠位置和交付安排，能不能一起調整？

這些事情，需要不同企業持續選擇、協商和配合。在交易過程中，各方的判斷還會影響價格，以及資源最終流向哪裡。

因此，即使每家企業都用 AI 提高了分析能力，整條產業鏈仍可能卡在協作上。一個環節變快，別的環節沒有跟上，最終交付未必就會變快。

這也不意味著供應鏈是一個完全自由的市場。合約、技術標準、大買方的地位和組織權力，都在影響企業能作出什麼選擇。AI 本身也可以幫助協作，關鍵是它有沒有真正進入這些環節。

這個判斷有適用範圍。如果一家工廠已經把主要環節整合在內部，製程明確、工作可重複，單靠內部採用 AI，也可能取得很大的收益。只有當生產跨越多家差異很大的企業，而且協作已經成為瓶頸時，跨企業配合才尤其重要。

## 03 技術可以重複使用，生意為什麼不好複製？

對工業 AI 公司來說，還有另一道難題：同一套技術，到了不同客戶那裡，往往不能照原樣交付。

大型客戶有自己的製程、設備和資料，也有自己的組織規則，以及上下游合作關係。AI 系統要真正用起來，就得逐項對接。這些工作需要人力，很難像普通軟體那樣，把產品複製一份就交給下一個客戶。

[商湯的《2024 年可持續發展報告》](https://www.sensetime.com/cn/csr%5Fcorporate?ref=research.porbital.io)中，就把客製化模型訓練、增量模型訓練和推論部署，列為向產業夥伴提供 MaaS 服務的一部分。交付不只是給客戶一個模型，還包括圍繞客戶需求繼續訓練和部署。

另一端，小工廠又可能買不起、用不好。它們未必有足夠的資金和技術人員，也未必能預期投入以後會有多少回報。即使產品已經標準化，購買和部署仍有門檻。

於是，AI 公司面對的是兩種不同的難處：大客戶的專案難以複製，小客戶的需求難以轉化為實際訂單。

這解釋了為什麼「技術有價值」和「生意能規模化」，中間還有一段距離。技術做得出來，不代表每新增一個客戶，都能以較低成本完成交付。

我在[〈AI 迎來了它的 iPhone 時刻，卻未必能建立 iPhone 經濟〉（英文）](https://research.porbital.io/ai-had-its-iphone-moment-it-wont-get-the-iphone-economy/)中，也從平台角度討論過類似問題：持續發生的推論成本，以及供應商和客戶之間的競爭，都可能壓縮獨立開發者最後留下的收益。

## 04 小米的例子：誰來把不同企業接起來？

再看小米。它提供了另一種組織方式：由管理整條供應鏈的企業，推動不同環節接入共同的系統。

小米的[《2022 年 ESG 報告》](https://ir.mi.com/system/files-encrypted/nasdaq%5Fkms/assets/2023/04/26/10-13-04/2022%20ESG%20Report%5FENG.pdf?ref=research.porbital.io)描述了一套供應鏈數位化管理系統，串聯採購、庫存、生產、合作夥伴，以及研發的不同階段。截至 2022 年底，這套系統已覆蓋全部智慧型手機一級生產供應商，以及部分二級供應商。

這裡值得留意的，是各家企業已經有了共同協作的組織基礎。它們不只是各自分析資料，還能圍繞採購、庫存和生產安排配合工作。

對於海外業務，這類系統也可以幫助企業看清海外供應鏈各環節的資料，及時發現風險。小米在同一份報告中介紹了全鏈條資料視覺化和及時預警的能力。

但數位化不等於 AI 部署。這份報告不能直接證明 AI 提高了小米的利潤，也不能證明供應商的收益分配發生了什麼變化。我把富士康的工業網際網路視為另一種協作方式；要比較實際效果，仍需要部署範圍和經營結果的資料。

這些例子指向一個問題：當模型越來越容易獲得，企業之間真正難以複製的東西，會不會轉向訂單、標準、資金、供應商關係、協作系統和客戶通路？

掌握這些資源的企業，能夠影響哪些供應商進入體系、要滿足什麼要求，以及工作如何分配。它們也因此更有條件參與收益分配。

獨立 AI 公司即使技術很強，如果不掌握需求和部署關係，仍可能只是這個體系裡的一個供應商。它能把某個環節做得更好，卻未必能決定這份改善最後值多少錢。

我的判斷有兩個前提：AI 能力越來越普及，而訂單、資金和客戶通路等資源仍然集中。如果這兩個條件同時成立，收益更可能向那些能持續投資、直接接觸客戶的大型企業移動。

在我看來，京東工業和阿里巴巴旗下菜鳥參與工業與物流網路，也是在爭取這樣的地位。這裡是對其業務位置的理解，並不是已經證實的收益分配結果。它們可能爭取的優勢，是把 AI 與訂單、資金、通路和合作關係結合起來，讓技術進入實際交易。

## 05 供應商賺得更多，也可能更依賴別人

主導企業更有能力留下收益，並不意味著供應商一定吃虧。

穩定訂單、更快付款、共同開發，以及技術和通路支援，都可能改善供應商的經營。進入一套組織得更好的供應鏈，有時比獨自在市場上尋找客戶更有利。

但另一個變化也可能同時發生：供應商更依賴這套體系。

因為進入供應鏈、獲得訂單和接觸客戶的機會，仍由主導企業掌握。供應商可以比過去賺得更好，卻未必擁有更強的議價能力。

當消費需求轉弱時，這種依賴可能進一步增強。可靠的訂單和通路變得更重要，而體系之外、資金不足的企業，可能更難持續投資，也更難找到客戶。

結果未必是所有供應商一起衰退，而可能是企業之間的差距擴大：有些企業藉助體系改善經營，有些企業被留在體系之外；即使受益的企業，也可能越來越依賴掌握投資、協作和需求的一方。

## 06 判斷工業 AI，要多問哪幾個問題？

看一家工業 AI 公司，我會先問三個問題。

**第一，對手能不能複製它的能力？**如果其他企業也能用同樣的工具完成同樣的工作，它靠什麼保持差異？是製程、資料、品質，還是客戶關係？

**第二，它改善的是一項工作，還是企業之間的配合？**引入以後，訂單、零組件、標準和生產決策，是否真的能更好地接起來？如果瓶頸還留在別的環節，局部效率的提升就未必能變成整體產出的增加。

**第三，它有沒有能力把收益留下？**除了模型，它是否掌握訂單、標準、資金、供應商關係和客戶通路？成本降下來以後，誰有能力決定價格，誰又有能力參與利潤分配？

這三個問題，也是檢驗我前面判斷的方法。如果製造商和 AI 公司都能獨立取得資金、整合供應商、接觸客戶，相關資源能夠廣泛分佈，那麼收益就不必集中到少數主導企業手裡。對價值集中的預測，也應隨之調整。

零售業有一個可以對照的問題。我在[拼多多與 AI 效率極限的分析（英文）](https://research.porbital.io/when-efficiency-runs-out-what-pdd-got-right/)中討論過：當商家和買方各有約束時，平台即使把交易做得很有效率，最後又能留下多少收益？

回到開頭那兩家工廠。AI 把成本從 8 美元降到了 6 美元，這是實實在在的進步。但利潤能不能增加，還要看對手能否追上、產品能否保持差異，以及誰有議價能力。

再把視野放大到整條產業鏈，問題仍然一樣。技術普及之後，如果訂單、資金、協作能力和客戶通路仍然集中，掌握這些資源的企業，就更有機會留下新增的收益。

因此，觀察工業 AI，既要看它讓生產變好了多少，也要繼續追問：這份改善，最後變成了誰的收入？

---

[閱讀英文原文](https://research.porbital.io/how-industrial-ai-can-raise-productivity-without-raising-producer-profit/)