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》(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》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)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》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)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