一、一个问题就够了
佛山某家电配件厂，老板参加了一个AI峰会，回来很兴奋，让IT经理"研究一下AI能在工厂做什么"。IT经理花了两个月调研，写了80页方案，列出了四个方向，预估投入500万。老板看完方案，说了一句"先放一放"，然后没下文了。
问题出在哪？不是老板保守，也不是IT经理不努力，而是"500万、方向不明、效果不确定"——这账算不过来，谁也不敢投。
同一座城市，另一家注塑件厂。老板发现这个月电费比去年同期多了12万，他把电费单拍在桌上，跟厂长说："查一下哪几台机最耗电，找个懂AI的人来看看。"来了两个供应商，一个报30万做全厂能耗监测，一个说5万先试一台机。老板选了后者。
两个故事，区别不是"有没有AI意识"，而是"算账的方式不同"。 第一个是"投入确定、产出不确定"——不投。第二个是"投入确定、产出可量化、验证周期短"——投了。
FDE系列前两篇讲了"FDE是什么"和"FDE在工厂怎么干"。但还有一个问题没有回答——企业到底怎么判断自己该不该请FDE？
佛山市云计算大数据协会 ｜ 产业观察系列
行业观察 | FDE进工厂的8个真实场景——AI不是"一锤子买卖"，是"持续进化"
行业观察 | 200万打了水漂之后，制造业才懂FDE为什么是AI落地的"临门一脚"
今天这篇，我们不谈FDE"多好"，而是站在企业的角度，帮企业算清楚这笔账。
二、三笔账：制造企业AI投入的真实决策逻辑
协会的判断： 任何企业做AI投入决策，本质上都是在算三笔账。把账算清楚了，要不要上FDE，答案自己就出来了。
第一笔账：投入确定，产出不确定 → 不投
这是传统IT/数转项目最常见的模式。供应商报价500万，说"提升效率30%"，但企业主心里清楚——这个"30%"没人能保证。500万花出去，可能半年回本，也可能打了水漂。
当投入确定、产出不确定时，理性的企业选择不投。这不是保守，这是风险管理的常识。
第二笔账：投入确定，产出可量化 → 可投
如果供应商说"花5万，一个月省8万电费，效果不好你退我钱"——这笔账就变得非常清晰。投入5万，产出可量化（省电费），验证周期短（一个月），风险可控。
当投入确定、产出可量化时，企业愿意投。因为这笔账算得过来。
第三笔账：投入不确定，产出不确定 → 不投
这是最糟糕的情况。供应商说"我们先做需求调研，调研完了再报价"，或者"这个项目大概50-200万，具体看数据质量"。企业主心里没底，方案再好也投不下去。
FDE模式的核心价值，就是把企业从"第一笔账"和"第三笔账"拉到"第二笔账"——让投入变成确定的、可量化的、低风险的。
三、什么场景下FDE的账最好算
协会的判断： 不是所有场景都适合FDE。我们在前两篇提到的四个场景中，有的ROI极其清晰，有的则更依赖战略判断。FDE账最好算的场景，有三个共同特征：
特征一：数据是现成的，不需要先建系统。 能耗优化为什么好算？因为电费单每个月都有，不需要先装传感器、不需要先建MES。同样的逻辑适用于设备OEE提升——设备运行日志就有，不需要额外采集。
特征二：效果可以用"钱"来度量，而不是"效率"。 "月省8万电费"比"提升效率20%"好算得多。因为"效率"是中间指标，"省了多少钱"是最终结果。企业主看最终结果，不看中间指标。
特征三：验证周期短，2-4周能看到效果。 如果投入5万，要等半年才知道有没有效果，企业主还是会犹豫。但如果2-4周就能看到效果，这个试错成本绝大多数企业都承受得起。
符合这三个特征的场景清单：
场景一：能耗优化（注塑机/空压机/中央空调）
数据来源：电费单+机台运行记录，不需要额外投入 效果度量：月省电费，直接换算成钱 验证周期：2-4周 参考案例：华中纺织厂，60组数据+300行代码，月省8万电费，投资回报周期不足1个月
场景二：设备OEE提升
数据来源：设备运行日志，已有数据 效果度量：稼动率提升→产能增加→换算成钱 验证周期：2-4周 参考案例：虎门服装厂，20万投入，设备利用率提升18%，6个月回本
场景三：工艺参数优化
数据来源：现有工艺记录+质检数据 效果度量：良品率提升→废品减少→换算成钱 验证周期：2-4周 参考案例：川宁生物，AI调控发酵罐平均产量超对照组3%-5%，产能提升5%对应年增收超10亿元
场景四：视觉检测（单一缺陷）
数据来源：现有质检图片 效果度量：漏检率降低→质量损失减少 验证周期：2-4周 注意：这个场景必须在FDR监控机制下运行，否则模型漂移后效果会快速衰减。参考第2篇汽车零部件厂的故事
这些场景的共同点：企业不需要为"数据准备"额外买单。 电费单、设备日志、质检记录——都是企业已经有的东西。FDE来了，可以立刻开始干活，不需要等"数转做完"。
四、什么场景账难算但值得试——佛山企业最容易踩的四个坑
有些场景，ROI不那么清晰，但FDE的"小样本+快速迭代"模式，让试错成本降到了企业可以承受的范围。佛山制造业企业最容易在这类场景上踩坑——要么不敢试，错失机会；要么盲目试，花冤枉钱。
场景一：新产线工艺调试
新产线投产，工艺参数需要从零摸索。传统方式：凭老师傅经验，反复试错，周期长、成本高。佛山某家电厂去年新上了一条产线，调试花了4个月，期间废品率一度高达15%。
FDE方式： 小样本采集+快速建模，在调试过程中同步优化参数。大任智库白皮书中提到的"小样本迭代算法"只需50-100组数据就能完成模型优化，迭代周期从3个月降至1-2周。
为什么账难算？ 因为"少走了多少弯路"很难量化——你不知道如果不请FDE，调试会多花多少时间。
为什么值得试？ 新产线调试的固定成本已经投入了（设备买了、厂房租了），FDE的投入（10万级）相对于调试总成本（百万级）来说，边际成本很低。试错了不亏，试对了血赚。
佛山企业的踩坑提示： 不要等到产线调试完了再请FDE，那时候问题已经发生了。最合适的时机是产线安装阶段，FDE可以同步介入采集数据，等调试开始时模型已经跑起来了。
场景二：多品种小批量排产优化
佛山家电产业集群中，大量企业面临"订单种类多、批量小、换线频繁"的问题。传统排产靠计划员经验，排得好不好全看人。一个熟练计划员离职，排产往往乱一阵。
FDE方式： 用AI学习历史排产数据，自动生成最优排产方案。识渊科技的SMT换线案例就是典型——换线时间从8小时压缩到55秒，单日换产品种从5款增至近300款。
为什么账难算？ 因为"排产好不好"本身就是一个模糊的判断标准——交期准时率、设备利用率、订单切换次数，三个指标互相冲突。
为什么值得试？ 排产优化一旦跑通，复用到其他产品线几乎没有增量成本。而且，排产优化的效果可以通过"订单准交率"这一个指标直接度量——这个数据，企业每个月都有。
佛山企业的踩坑提示： 不要一开始就想"全厂排产优化"，先聚焦一条产线或一个车间。选一个排产最头疼的车间，花2-4周验证，有效再扩。
场景三：供应链协同优化
原材料库存、在制品库存、成品库存——三个环节的库存水平需要协同优化。传统方式：靠ERP+人工经验。FDE方式：用AI建模，预测需求变化，动态调整库存策略。
为什么账难算？ 因为供应链优化涉及多个环节，效果不是某一个月能看到的，需要3-6个月才能验证。
为什么值得试？ 库存成本是制造业最大的隐性成本之一。如果FDE能把库存周转率提升10%，对一家年营收2亿元的企业来说，可能就是每年200-400万的现金流释放。这个账虽然验证周期长，但一旦算过来，就是持续的收益。
佛山企业的踩坑提示： 供应链协同优化需要的条件比前两个场景高——需要打通ERP、WMS、MES至少两个系统的数据。如果企业数据基础太差，先做能耗优化，把数据基础和信任建立起来，再做供应链优化。
协会的判断： 这三个场景的共同特征——收益不确定，但试错成本可控。FDE模式的核心价值，不是"保证成功"，而是 "让失败的代价降到企业可以承受的范围" 。传统方式试错可能要百万级，FDE试错只要10万级。
佛山制造业企业最容易犯的错误，不是"不该试的时候试了"，而是"该试的时候没试"——因为拿不准，干脆不动。FDE的意义，就是让"拿不准"的成本从百万级降到10万级，让企业敢试。
五、什么情况其实不该上FDE
FDE不是万能药。有些情况下，企业其实不应该请FDE。协会的判断是：以下四类情况，建议先解决前置问题，再考虑FDE。
情况一：问题太散，连自己痛在哪都说不清
"我想用AI提升效率"——效率在哪个环节？哪个指标？当前水平多少？目标是多少？如果连这些问题都回答不了，FDE来了也不知道该做什么。
建议： 先花一个月做内部诊断，找到一个具体的、可度量的痛点，再考虑FDE。
情况二：内部阻力太大，管理层不认可、一线不配合
FDE是"驻场工作"，需要一线工人配合、需要管理层支持。如果车间主任觉得"AI来了就是来监控我的"，如果工人觉得"AI学会了我就失业了"——FDE做得再好也推不动。
建议： 先做内部沟通，让关键岗位理解"AI是来帮你的，不是来取代你的"。如果沟通成本太高，先把精力放在内部对齐上。
情况三：已经有成熟方案，不需要FDE
如果企业的问题，用标准MES/ERP就能解决——比如物料管理、进销存、生产排程（标准化程度高的场景），那么上标准系统比请FDE更划算。
FDE的价值在于"非标场景"——数据质量差、工艺复杂、变化频繁、需要持续迭代。 如果问题标准化程度高，找系统集成商比找FDE更合适。
情况四：预期过高，以为FDE是"点石成金"
有些企业主觉得"请了FDE，我的工厂就变成黑灯工厂了"。这种预期，FDE满足不了。FDE能做的是"在现有条件下，帮企业省10%的电费、提升5%的产能、降低20%的漏检率"——不是"推倒重来"。
建议： 如果企业主的预期是"颠覆式创新"，建议先调整预期，或者找系统集成商做整体数字化规划。
六、FDE"算账"自检四问——花5分钟，判断自己能不能上FDE
前两篇我们提供了"自检三问"和"落地四步法"，这一篇我们再提供一个判断工具，让企业主和IT经理花5分钟对照一下，就能知道自己属于哪种情况。
第一步：选一个你最想解决的问题
例如：电费太高、质检漏检多、设备经常坏、换线时间长、库存周转慢、排产全靠人……
第二步：用"算账四问"逐个对照
☐ 第一问：这个问题的数据，是不是已经存在，不需要额外花钱去采集？
如果数据已经有了（电费单、设备日志、质检记录），这一问打钩。如果还需要先装传感器、先建系统、先买软件，这一问不打钩。
☐第二问：这个问题的效果，能不能直接换算成"省了多少钱"或"多赚了多少钱"？
如果能直接说"月省8万电费"或者"年增收100万"，这一问打钩。如果只能模糊地说"效率提升了"或者"管理更规范了"，这一问不打钩。
☐ 第三问：2-4周内能看到初步效果吗？
如果能，这一问打钩。如果需要半年才能验证，这一问不打钩。
☐ 第四问：你愿不愿意花5-10万先试一个点？
愿意，这一问打钩。不愿意，这一问不打钩。
结果判断：
四个☑ → 最佳场景。 直接找FDE，按第2篇的"落地四步法"推进。参考案例：纺织厂能耗优化（5万投入、月省8万、1个月回本）。
三个☑→ 值得试，但需要控制预期。 建议先做一个小范围试点，2-4周验证，确认ROI后再扩。参考案例：虎门服装厂（20万投入、6个月回本）。
两个☑ → 建议先做内部诊断。 找出痛点在哪、数据在哪、效果怎么度量。如果自己梳理不清楚，可以花两三万请FDE做一次"场景评估"——不是做项目，而是帮你判断"这个场景能不能做"。
一个☑或全否 → 现阶段不建议上FDE。 建议先解决以下几个问题之一：痛点是否足够聚焦？数据能否拿到？内部是否对齐？如果三个月后这些问题解决了，再回来对照一次。
写在最后：FDE不是"买不买"的问题，是"什么时候买、买什么"的问题
FDE系列三篇，到此告一段落。
- 第1篇
讲了FDE是什么——不是新岗位，是一套让企业和供应商都能把账算过来的新模式。 - 第2篇
讲了FDE在工厂怎么干——四个真实场景，都是"账算得过来"的实践。 - 第3篇
讲了请FDE之前怎么算账——什么场景该上、什么场景不该上，对照自检四问，5分钟就有答案。
协会的立场： 佛山制造业在数转阶段走得偏慢，这不丢人。但FDE给了后发者一个"不用还旧账"的新机会。不是所有企业都需要FDE，也不是所有场景都适合FDE。但如果你花5分钟做完上面的自检四问，发现你正好属于"四个☑"那类场景——那FDE这条路，值得你认真走一走。
数据来源：
能耗优化案例（月省8万电费）：大任智库白皮书4.4节 虎门服装厂案例（20万投入、6个月回本）：大任智库白皮书4.4节 川宁生物案例（产能提升3%-5%）：川宁生物2025年年报；大任智库白皮书4.2节 智能工厂设计案例（180天→7天）：大任智库白皮书4.3节 SMT换线案例（8小时→55秒）：大任智库白皮书4.5节；解放日报、上观新闻，2026年1月 成本效益分析（ROI约614%）：大任智库白皮书3.10节 小样本迭代算法：大任智库白皮书3.6节 佛山家电产业集群产值：佛山市统计局公开数据
往期内容
研报解读 | AI进工厂，别再只会上个ERP了！“FDE”才是制造业的未来
研报解读 | 万亿资金缺口如何破局？揭秘BII & BCG《规模化混合金融》实用工具，解锁影响力投资新纪元！
研报解读 |《供应链规划 2026：为何仅靠人工智能远远不够》
研报解读 |《2026年二季度中国宏观金融：经济向优向新 基础持续巩固》
研报解读 | 算力即国力！AI如何重塑中国气候科技，打开2060新财富密码？
研报解读 | 普华永道《2026年智能机器人产业发展白皮书》
行业观察 | 100亿美元买下的不是OpenRouter ，是AI时代的流量分配权
研报解读 | SOC精度每提升1%，收益能涨多少？——深度解读华为储能黑科技白皮书
研报解读 | 最后十公里的经济账：世界银行眼中的中国农村公路
AI+数转系列 | 别被"AI Agent"忽悠了，佛山工厂真正跑出ROI的不到一成
AI+数转系列 | AI+EMS：别被"能源看板"忽悠了，佛山工厂真正AI节能的不到15%
AI+数转系列 | AI+EAM：佛山工厂落地最深的不是预测性维护，是TPM智能体
AI+数转系列 | AI+QMS：别被"AI质检"忽悠了，佛山工厂真正跑出价值的只有这一类
AI+数转系列 | AI+WMS：别被"智能仓储"忽悠了，佛山工厂真正跑通的只有两个核心场景
AI+数转系列 | AI+MES 别乱花钱了，佛山工厂真正能跑通的只有这两个场景
AI使用观察｜写作工具在流血，代码工具在疯涨：AI的能力分化已经开始
AI使用观察 ｜ 10亿人在用AI，但绝大多数只是"到此一游"
研报解读｜AI烧的不只是电：AI一天"喝"掉3.8亿升水 ，一份没人敢看的联合国报告
政策解读 | 2026数据市场新政落地！全国一体化加速，算力将成AI落地核心抓手
