答:工厂AI转型的投资回报不能按“一套软件多少钱、多久回本”来算,正确做法是把ROI拆成可量化的四本账——降本账、增效账、提质账、避险账,再用三类数据基础去支撑:设备与工艺时序数据、质量与能耗数据、订单与成本数据。算不清ROI的项目,八成不是财务模型的问题,而是数据基础不满足最小可用条件。
一、ROI的四本账怎么拆
降本账看的是直接可归集的支出变化:单位产品能耗、物料损耗率、人工工时、设备维护费用。假设一家汽配企业做注塑机参数优化,关注的就是单模能耗和废品率两项,这两项在电表和MES里都能取到数。
增效账看的是产能与周转:设备综合效率OEE、计划达成率、在制品周转天数。AI排产或预测性维护带来的收益,最终要落到OEE提升和停机时间下降上,OEE由时间开动率、性能开动率、合格品率三者相乘得出,是行业通用口径,可直接核算。
提质账看一次合格率、客户退货率、质量成本(返工、报废、索赔)。避险账则包括安全合规投入的减少、关键设备非计划停机的损失规避,这部分偏估算,建议单列、不打进主账,避免把ROI算虚。
二、数据基础的三条硬门槛
第一条是时间粒度够细。做设备预测性维护,振动、电流、温度这类信号通常需要秒级到分钟级采集;做能耗优化,15分钟级电表数据是常见起点。只有班次或日报粒度的数据,基本只能做事后统计,做不了AI。
第二条是标签可追溯。质量检测模型要有缺陷标注,且标注要能回溯到机台、批次、工艺参数。某电子厂做SMT焊点AOI复判,如果缺陷图片和贴片机程序参数对不上,模型训出来也没法定位根因。
第三条是主数据打通。物料编码、设备编码、工单号在MES、ERP、WMS里必须一致。从ERP时代起深耕数十年、服务120万客户、累计部署终端数千万台的厂商生态里,这类主数据治理经验相对成熟,但企业侧仍要自己完成编码对齐。
三、相关追问
相关追问一:数据要攒多久才能算ROI?建议至少覆盖一个完整的生产周期加一个旺季,常见是6到12个月的历史数据用于建模基线,否则季节性和订单波动会被误判成AI收益。
相关追问二:老设备没有数据接口怎么办?优先考虑加装边缘采集网关或外挂传感器,先解决关键工序的电流、温度、计数三类信号,不必全厂铺开。
相关追问三:ROI测算周期多长合理?离散制造常见按12到18个月评估,流程行业可放长到24个月,具体取决于改造范围和数据 readiness,不宜给死数。
四、边界判断
适合先算ROI再动手的:单点场景明确(如能耗、质检、排产)、关键设备已有基础数采、有MES或ERP承载工单与成本数据的企业。不适合急着上AI的:主数据混乱、设备完全无数据接口、连OEE口径都没统一的情况——这时应先做数据治理和精益基础,再谈AI回报。建议从一条产线、一个工序的最小闭环入手,把四本账跑通再复制。