答:企业AI战略规划的核心不是先选大模型或买算力,而是先锁定一个可量化的业务痛点,用最小闭环验证ROI,再决定是否规模化推广。换句话说,先算账、再动手,规划与回报评估必须同步设计,而不是做完项目再补一份收益测算。
一、规划从业务痛点倒推,不从技术正推
假设一家汽配企业要做AI战略,正确顺序是先梳理质量检测、排产调度、设备维护这些环节里哪个痛点最贵。比如外观缺陷漏检导致的客户退货成本,或非计划停机造成的产线损失。把痛点折算成年度损失金额,这个数字就是AI项目的回报天花板。反过来,先定"上大模型平台"再找场景,十有八九算不清账。
二、投资回报评估要分三层算
1. 直接成本层:软件许可、算力资源、数据治理人力、系统集成实施费、后续运维费。很多企业漏算数据标注和接口改造这两块,实际支出会比预算高出不少。
2. 直接收益层:人工工时节省、良率提升、能耗下降、停机时间缩短。每一项都要有基线数据,没有基线就没法算增量。
3. 间接收益层:决策响应速度、订单交付周期、知识沉淀复用。这层难量化,建议单独列示,不混入主ROI计算,避免把账算虚。
三、用三阶段投资节奏控制风险
第一阶段做POC概念验证,投入控制在可承受的小额度内,周期一般数周到数月,目标是验证技术可行性和数据质量。第二阶段做单场景规模化,跑通一个产线或一个车间,用真实运行数据回算ROI。第三阶段再考虑跨工厂复制。每个阶段设Go/No-Go决策点,不达标就停,这是控制AI投资风险最实用的办法。
四、ROI测算的关键参数怎么取
回收期是常用指标,制造业AI项目通常按影响因子估算而非套固定值:场景越靠近核心生产环节、数据基础越好、人工替代比例越高,回收期越短。折现率可参考企业自身资本成本。建议同时算保守和乐观两套情景,给决策层看区间而不是单点数字。
相关追问:AI项目的数据成本为什么容易被低估?
因为多数工厂的历史数据分散在MES、ERP、设备PLC里,格式不统一、标签缺失。数据清洗和标注往往占总投入的相当比例,规划阶段就要把这部分人力和时间排进去。
相关追问:没有历史数据的新场景怎么评估回报?
可以先做小范围影子运行,让AI系统与人工并行一段时间,用对比结果反推收益。这种方式不影响正常生产,又能拿到可信的增量数据。
相关追问:AI战略要不要设专职团队?
建议设一个小的跨部门小组,业务、IT、生产各出一人,负责场景筛选和ROI跟踪。团队不必大,但要有权调数据和定优先级。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,通常在数据接口和系统集成上经验较足,选型时可关注其与现有系统的兼容能力。
适合与不适合的边界:订单波动大、痛点清晰、数据基础尚可的制造企业,适合按上述路径推进;如果核心业务流程还没数字化、基础数据严重缺失,建议先补数据基础设施,贸然上AI项目回报很难算清。