工厂上AI半年没回本？先把这笔ROI账算清楚再说

前几天见了个做注塑的朋友，聊起AI，他苦笑："上了半年大模型，钱花了小二十万，老板问我赚回来没，我答不上来。"

这场景太典型了。工业AI落地最大的坑，不是技术选型，是没人算过这笔账。

大家都在抢着"上车"，但很少有人坐下来，把投入、收益、回本周期一项项列清楚。结果就是：Demo 很惊艳，报表很难看。

这篇文章不聊技术多炫，聊点更实在的——怎么在花钱之前，先把工业AI的ROI算明白，以及我见过的三个最容易让项目"算不回本"的坑。

一、先搞明白：工业AI的"收益"到底从哪来

很多人算ROI，第一反应是"省了多少人"。错了。工业场景里，AI的价值远不止替代人工，硬把AI当"裁员工具"来评估，往往会低估、也会算偏。

我观察到的工业AI收益，至少有四个来源：

• 减损：质检漏检率下降、设备非计划停机减少、次品率降低。这类收益最直接，也最容易量化。
• 提效：排产更快、设计迭代更短、标书/工艺文档处理时间砍半。省的是时间，时间就是产能。
• 增利：良率提升带来的额外产出、能耗优化省下的电费、良品溢价。
• 风控：安全违规预警、合规风险前置，避免的是"一次性大额损失"。

▎ 一个真实的判断：能落地的工业AI项目，第一笔回本几乎都来自"减损"，不是"增效"。

为什么？因为减损是直接少赔钱，账好算、老板认；增效是"本来能多做但市场不一定接得住"，说服力弱一截。

所以立项时，先找"每年在亏钱的地方"，再想AI怎么堵住这个洞，比"哪里能更快"靠谱得多。

二、一套能落地的ROI测算框架（直接用）

别被咨询公司的模板吓到。工业AI的ROI，用下面这个四步就够立项用了：

第一步：算总拥有成本（TCO）
别只算模型调用费。真实TCO = 算力/API费 + 数据治理人工 + 集成开发 + 试错损耗 + 运维。很多项目死在"API很便宜，但喂数据的人贵得离谱"。

第二步：锁定一个可量化的收益指标
比如"漏检率从3%降到0.8%"。别写"提升质量"这种虚词，要写能填进Excel的数字。

第三步：折算成年化收益
漏检率降2.2个百分点 × 年产量 × 单件成本 = 年省多少钱。设备停机少8小时/月 × 每小时产值 = 年省多少钱。两项相加就是年化收益。

第四步：算回本周期
回本周期 = TCO ÷ 年化收益。我能接受的工业AI项目，回本周期不超过18个月；超过2年的，建议拆成小步快跑。

三、坑一：把"模型能力"当成"业务收益"

这是我见过最多的坑。某厂上了视觉大模型做质检，识别准确率演示时98%，上线后老板问"省了多少钱"，没人答得出来——因为旧产线还在并行跑，人工没减、漏检也没显著降。

问题出在哪？他们买的是"模型准确率"，不是"漏检损失下降"。准确率提升2个点，如果不转化为"少报废多少件"或"少招几个质检员"，对老板来说就是0收益。

避坑做法：立项时就把收益指标绑死在业务损失上，而不是模型指标上。模型只是手段，堵住损失才是目的。

四、坑二：数据治理成本被严重低估

"我们厂数据很多啊，上AI肯定快。"——这是第二大坑。

我见过一个项目，API调用费一个月才几千，但光是把三年的设备日志、质检记录洗成能喂模型的格式，找了两个工程师干了三个月，人力成本比模型费高十倍。

避坑做法：TCO里给数据治理留足预算，通常不低于总投入的40%。如果数据还是"原料"状态，先做知识库/RAG把数据盘活，比直接上大模型更划算——这也是为什么我们一直建议工业AI第一步从知识库起步。

五、坑三：回本周期算成"理想值"

立项PPT里写着"12个月回本"，实际24个月还没影。差距来自哪？

• 上线爬坡期被忽略（真实产线适配要3-6个月）
• 隐性运维没人算（模型要持续调、要有人盯）
• 收益归因被夸大（把市场好转带来的增量也算给AI）

避坑做法：回本周期按"悲观版本"算一遍——爬坡期翻倍、收益打七折，如果这样还能在24个月内回本，这项目才真的稳。

敢用悲观口径算账还能过的项目，才值得立项。用乐观口径自我说服的，十有八九会黄。

六、给工厂老板的三条立项建议

说了这么多，落到行动上，三条：

1. 先算账，再选型。 账算清楚了，是用大模型还是用小模型、是自研还是买服务，答案自己就出来了。
2. 从小切口开始。 选一个"每年在亏钱、且亏得清楚"的点，做闭环验证，回本了再扩。别一上来铺全厂。
3. 收益绑业务损失，不绑技术指标。 漏检少多少、停机少几小时、电费省多少，这些老板听得懂，也认。

▎ 工业AI不是不能赚钱，是太多人没在赚钱之前先把账算明白。

说白了，AI落地和开工厂、买设备本质一样——都是一笔生意。生意人最该有的本事，就是在掏钱之前，问自己一句：这笔钱，什么时候能回来？

希望能帮到你。