工业 AI初创公司，别急着做“工业大脑”

前几天参加了一场工业 AI 主题的线下路演。

项目方向各不相同。有做生产优化的，有做设备管理的，有做质检的，也有想切入更复杂工业决策场景的。创始人背景也不弱，有人来自传统工业软件，有人做过产业项目，对客户现场并不陌生。

但听下来，有一件事很集中：不少项目都会先花大量时间批判传统工业软件，然后说自己要做“全栈解决方案”“端到端闭环”。再往上一步，就是某种意义上的“工业大脑”。

故事很顺，逻辑也说得通。

批判传统工业软件不难。系统老旧、数据割裂、流程笨重、部门之间打不通——这些问题当然存在，做过工厂信息化的人大概率都听过。

但问题是，传统工业软件解决的从来不只是效率问题。

它解决的是流程怎么固化，权限怎么分配，操作怎么记录，异常怎么上报，责任怎么追溯。效率当然重要，但在安全、责任和制度面前，效率有时候会被降调。

创始人看到的是低效，客户看到的可能是可控。创始人想优化的是流程，客户担心的是流程被打乱以后，谁来扛风险。

所以，批判系统低效，不等于你有能力替代它。

工业 AI 创业最容易出现的误判，不是技术不够先进，而是把客户现场当成了一张白纸。

工厂从来不是白纸。它已经有设备、有系统、有流程、有岗位、有供应商、有验收标准，还有一条不一定清晰、但一定存在的责任链。你要进来，先得搞清楚自己在这张图里站在哪里。

1. 融资语言和客户语言，是两件事

创始人喜欢讲全栈，有现实原因。

全栈意味着市场够大，边界够宽，故事够完整。如果只说自己做质检模块或者设备预警工具，路演现场容易显得“小”。但如果说要打通数据、模型、流程和业务闭环，融资叙事立刻变大了。

路演时，创始人需要把故事讲完整。客户现场，问题通常会被压缩得很小。

工业客户不是不知道原有系统低效。很多时候，他们比外部创业者更清楚问题在哪里。但低效不等于可以立刻替代。一套看起来笨重的工业软件，背后可能绑着生产流程、设备接口、组织权限、审计记录、供应商关系和内部管理习惯。不好用，不代表可以轻易拿掉。

所以客户问的第一个问题，往往不是“你比原来的系统更聪明吗”，而是“你能不能在不制造新麻烦的情况下，先解决一个具体问题”。

创始人脑子里装的是全栈替代，客户脑子里装的是能不能安全地塞进现有流程。这两种语言没有翻译，就算台上讲得再完整，到了客户现场也不知道从哪里落。

2. 传统系统承载的，不只是流程，还有责任

这场路演里，大家对传统软件的批判基本都集中在效率上。

但在工业场景里，效率从来不是唯一问题。

很多传统工业软件看起来笨重，不只是因为技术老旧，也因为它本来就在承担管理制度化的功能：谁录入，谁审批，谁复核，谁签字，谁对产线结果负责，出了问题怎么查。这些东西不一定高效，但让组织可控。

工业现场和互联网产品不一样。互联网里推荐错一个内容、生成错一句话，多半还是体验问题。但在工业场景里，一个错误建议可能影响设备、产线、能耗、质检、安全，甚至交付周期。

所以客户真正想弄清楚的，是这个建议谁来看、谁决定执不执行、出了问题谁来担、操作记录留在哪里。

这些问题听起来很“传统”，但工业 AI 能不能落地，往往就卡在这里。

传统工业软件之所以难替代，不是因为技术先进，也不是界面好用，而是因为它已经在客户组织里占了一个责任位置。一旦形成，外部创业公司就不能只用“更智能”“更高效”去解释替代逻辑。

一个 AI 系统如果只改善某个辅助环节，客户会感兴趣。但如果一上来就要动决策流程和责任边界，客户一定谨慎。这不是保守，这是工业场景的基本逻辑。

传统系统真正难替代的，不是功能，而是它在客户组织里的位置。

3. 小场景不是小机会，是客户愿意交出来的第一段流程

工业场景里值得被 AI 改造的地方很多：经验难沉淀、异常识别滞后、数据利用不足、现场人员水平不均衡。机会确实存在。

但越是复杂的场景，越不能一上来就用“大脑”叙事切进去。

更现实的路径，是先找到一个小但边界清楚的场景。谁用、解决什么问题、输入输出是什么、怎么验收、出了问题谁处理——都能说清楚。

类似路径在公开案例里也能看到。比如喷油器阀座瑕疵检测：检测量大，依赖熟练工人肉眼判断，人力成本高，结果可以验收。AI 切进去的不是工厂大脑，而是检验岗位里人力消耗最大的那一段流程。客户付钱，不是因为“AI 改造制造业”，而是因为这个工位真的费人、费时，容易漏检，改善结果可以算账。

汽车制造里的质检也是类似逻辑。间隙面差测量、装配动作规范性检测、零部件缺陷识别，这些场景都很具体。没有替代整套生产系统，而是进入某个检测环节，先把一个结果做准，再谈扩展。

预测性维护也一样。不是推翻设备管理系统，而是先接入已有传感器、PLC、MES 或维修系统，从关键设备开始，看能不能提前发现异常，减少非计划停机。

这些场景听起来没有“工业大脑”性感，但更接近客户预算。客户不是为概念付费，而是为确定的问题、确定的结果和可控的风险付费。

能验收，是入口。能进责任链，才说明客户真的开始依赖你。

一个项目真正站住，不是客户看过 demo，也不是愿意试点，而是客户开始让这个系统参与某一段真实流程：输出被现场人员参考，建议开始影响操作，误判需要有人处理，效果被内部复盘。

到了这一步，AI 公司面对的就不只是模型问题，而是交付、培训、运维、异常处理和客户内部协同。谁来解释输出？谁来处理误判？现场人员不信任怎么办？旧系统数据不完整怎么办？客户部门不配合怎么办？

这些问题很麻烦。但壁垒也就是在处理这些麻烦的过程里慢慢长出来的。

4. 项目是入口，不是终点

很多工业 AI 公司早期都从项目开始，这很正常。工业现场复杂，不做项目就很难真正理解客户，也拿不到数据和工艺经验。

问题是项目之后有没有沉淀。

如果第一个客户靠创始人关系，第二个靠项目团队重做，第三个还要重新定制，收入会有，但每个项目都是一次新的手工交付，增长会被交付成本拖住。

真正值得看的，是第一个场景里解决过的问题，有没有沉淀成可以复用的东西：模型、数据处理方法、接口经验、交付手册、客户培训路径。如果这些能沉淀下来，下一个客户的部署成本就会下降，这家公司才开始接近真正的工业 AI 公司。

从一个工位到一条产线，从一类设备到一个设备族，从一个质检环节到质量管理流程——扩张应该是这样发生的。不是先画一个完整闭环再让客户迁就，而是先在客户已有系统里拿下一小段真实流程，把这段流程做深、做稳、做成可复制的交付能力。这时候再谈全栈，才站得住。

5. 大客户兴趣不等于市场验证

路演里还有一个常见现象：很多项目会说自己正在接触大客户，某个大企业有兴趣，某个场景未来空间很大。

大客户有兴趣，不等于会采购。愿意试点，不等于会验收。领导认可，不等于现场人员愿意用。一个部门觉得有价值，不等于预算部门会付钱。

工业 AI 真正要证明的，是客户愿意把一个问题交给你，把一个流程接入你，把一次改善写进验收，把一笔预算付给你。

最危险的状态，不是没有大客户线索，而是把大客户线索当成了市场验证。口头兴趣很容易制造错觉，好像需求已经被证明了，只差产品完善和融资推进。但真实商业化往往卡在更后面——客户内部谁推动，谁签字，谁使用，谁承担风险。这些穿不透，故事再漂亮也只是故事。

路演结束之后，我和其中一个创始人聊了几句。

他做的是设备预测性维护，PPT 里讲的是平台化、全生命周期管理、工业数字孪生。我问他现在有几个真实付费客户。他说还在谈，但有几个大厂表示了很强的兴趣。

我没有继续问。

但我心里真正想问的其实很简单：有没有一个客户，愿意让你先接入一台设备，在三个月内交出一个可以被验收的结果？

如果有，这就是起点。

如果还在等大厂的兴趣变成正式项目，那全栈故事讲得再完整，也只是在等一个还没开始的机会。

工业 AI 不怕小切口。怕的是，大故事讲得太早，小场景还没站住。

本文来自微信公众号“路径与边界”，作者：闫峻，36氪经授权发布。