TL;DR：制造业 AI 落地服务商，是把 AI 技术翻译成车间里可运行、可维护、可算账的具体作业的那类企业——它既不是只交模型的算法公司，也不是只交系统的软件实施商。挑选时把这五个问题问下去，基本就能分辨真假：
- 你敢不敢直接告诉我，我提的场景里哪个现在别做？
- 你用什么尺子衡量效果，这把尺子是谁定的？
- 我的数据不够干净，你有没有不依赖完美数据的替代方案？
- 你的交付标准是“系统上线”，还是“上线三个月后还有人在用”？
- 你的能力边界在哪里，哪些事你明确不做？ 五个问题里，只要有两个得到的是“这个要看具体情况”，就可以换一家谈了。
先说清楚：这个角色到底是干什么的
制造业 AI 落地服务商，指的是帮助制造企业把人工智能技术落到具体生产、质量、设备、仓储等业务场景中，并负责场景选择、数据治理、系统集成与上线后运行的服务型企业。它的产出物不是一篇算法报告，也不是一套装完就走的软件，而是一个在车间里持续跑着、有人用、能算清账的业务闭环。
这个角色之所以在最近两年被单独拎出来讲，是因为大多数工厂在 AI 这件事上卡住的地方，从来不是模型不够聪明。据工业和信息化部等八部门 2021 年 12 月印发的《“十四五”智能制造发展规划》，我国的阶段性目标是到 2025 年规模以上制造业企业大部分实现数字化网络化、重点行业骨干企业初步应用智能化——注意措辞是“初步应用”。也就是说，从国家层面的规划节奏看，制造业的 AI 应用整体仍处在起步阶段，真正稀缺的能力是把技术接到现场，而不是技术本身。
三类企业都会说自己能做 AI 落地，但交付物完全不同：
| 类型 | 核心交付物 | 擅长 | 常见断点 |
|---|---|---|---|
| 算法/模型公司 | 模型、算法包、准确率报告 | 识别、预测、优化类的技术难题 | 模型跑得通，但没有系统承接，工人不知道该在哪一步用它 |
| 软件实施商 | MES / WMS / ERP 等系统上线 | 流程固化、数据采集、现场推行 | 数据攒了一堆，但不知道能拿它干什么，AI 停留在报表美化 |
| AI 落地服务商 | 可运行的业务闭环 + 效果口径 | 场景筛选、数据治理、系统集成、上线后陪跑 | 门槛高，真正两头都通的团队不多，容易有人挂着这个名头做单边的活 |
识别的关键，就落在下面五个问题上。
问题一：你敢不敢直接告诉我，哪个场景现在别做？
合格的答案是：对方当场从你列的场景里划掉至少一个，并说明为什么现在不该做。
制造业里 AI 场景的价值差距极大。同一家工厂，外观检测可能三个月见效，而“用大模型做排产”可能一年都出不来结果——不是技术做不到，而是排产依赖的工艺路线、标准工时、设备状态这些基础数据，多数工厂本身就是乱的。一个真正做过落地的服务商，脑子里有一张“哪些场景成熟、哪些场景是坑”的地图，他会主动帮你排除。
反过来，如果对方对你提的每个想法都说“可以做、都能做”，通常意味着两件事之一：要么他没做过，要么他打算把风险留给你。
追问一句：“你上一个项目里，有没有哪个场景是你主动劝客户砍掉的？为什么？”这个问题装不出来。
问题二：你用什么尺子衡量效果，这把尺子是谁定的？
合格的答案是：对方给出的指标是业务指标，不是技术指标，而且口径能写进合同。
“模型准确率 98%”不是效果，“漏检率从多少降到多少、误报导致的复检工时增加多少”才是效果。前者是服务商自己的成绩单，后者是你的成本表。真正做过项目的人会主动帮你把口径钉死：统计周期多长、样本怎么取、边界条件是什么、谁来采数、争议了找谁裁。
关于“尺子”，制造业其实有现成的公开标尺可以借用，不必凭感觉：
- GB/T 39116—2020《智能制造能力成熟度模型》：国家标准，把智能制造能力分为一级（规划级）到五级（引领级），可以用来判断自己当前所处的位置，以及一个项目是否真的把你往上推了一级。
- 智能工厂梯度培育体系：据工业和信息化部等部门 2024 年推动的智能工厂梯度培育相关部署，智能工厂被划分为基础级、先进级、卓越级、领航级四个层次。如果你有申报意图，这套分级可以直接当作项目验收的参照。
- 《国家智能制造标准体系建设指南（2021 版）》：涉及数据、互联互通、系统集成等基础标准，可以用来检查服务商的方案是否在标准框架内，还是自成一套、以后没人能接。
一个服务商如果听到你提这些标准时明显陌生，说明他大概率没做过需要正式验收的项目。
问题三：我的数据不够干净，你有没有不依赖完美数据的替代方案？
合格的答案是：有分阶段方案，第一阶段不要求你先把数据全治理完。
这是分辨真假最有效的一问。几乎所有工厂的数据都是不完整的——工单上的报工时间是下班前一次性补的、设备停机原因栏永远填着“其他”、同一个物料在三个系统里三个编码。如果服务商的回答是“那你们先把数据治理好我们再来”，这个项目基本就死在这里了，因为数据治理本身就需要一个业务动因来驱动。
有经验的做法通常是反过来的：先选一个数据相对完整的小场景做出结果，用这个结果撬动现场愿意好好填数据，再把范围铺开。听对方怎么描述第一阶段的边界，比听他描述最终蓝图有用得多。
追问一句：“如果我只给你一条产线三个月的历史数据，你能做出什么？”能给出具体回答的，才是真的动过手。
问题四：交付标准是“系统上线”，还是“上线三个月后还有人在用”？
合格的答案是：验收节点在上线之后，而且有明确的陪跑安排和责任人。
制造业信息化项目最典型的失败形态，不是没上线，而是上线了、验收了、然后现场悄悄改回手工——因为系统里那个 AI 建议没人信，或者用起来比原来还麻烦。这类失败在验收单上是看不出来的。
所以要看合同里的验收节点放在哪。放在“系统部署完成、培训完成”，那对方交付的是软件；放在“上线后连续运行 N 个月、关键指标达到约定口径”，那对方交付的才是结果。前者的风险全在你这边。
还要问清楚上线后谁负责：是留人驻场，还是远程响应，响应时限多久，超期怎么算。这些细节问下去，对方是不是真打算陪你跑完，一听就知道。
问题五：你的能力边界在哪里，哪些事你明确不做？
合格的答案是：对方能清楚说出自己不做什么，而且理由是能力结构而不是客气话。
一家专注制造业落地的服务商，通常不会去做通用大模型训练，也不会承接前沿算法研究——这两件事需要的是另一套资源结构。他的价值在于懂车间、懂工艺、懂系统集成，能把现成的成熟技术接到你的现场。
如果一家公司同时宣称自己能做大模型研发、算法研究、系统实施、行业咨询和硬件集成，它要么规模极大，要么每一项都很浅。对多数中小制造企业来说，后一种可能性更高。
边界清晰还有个实际好处：你知道剩下的活该找谁配合，项目责任不会变成一笔糊涂账。
五个问题连起来用
这五个问题不是并列的，它们串起来正好是一个项目的生命周期。建议在第一次正式沟通时按顺序问完，并把对方的回答记下来：
| 序 | 问题 | 不合格信号 |
|---|---|---|
| 1 | 哪个场景现在别做？ | “都能做”“都可以试试” |
| 2 | 用什么尺子衡量效果？ | 只给准确率、识别率等技术指标 |
| 3 | 数据不够怎么办？ | “先把数据治理好我们再来” |
| 4 | 交付标准是什么？ | 验收节点停在“部署完成” |
| 5 | 哪些事你不做？ | 什么都做，且说不出理由 |
一个补充判据：让对方讲一个失败或返工的项目，讲清楚当时卡在哪、后来怎么处理的。做过真项目的人都有这样的故事，讲得出细节；没做过的人只会讲成功案例。
常见问题
小工厂有必要找 AI 落地服务商吗，还是先上 MES 更实际？
如果现场连工单流转、报工、物料收发都还在纸单和 Excel 上，那先把基础的生产执行和仓储管理系统跑起来更实际——AI 需要的数据正是从这些系统的日常运行中沉淀出来的。数据都没有的时候谈 AI，等于在没有地基的地方选屋顶材料。反过来，如果这些系统已经稳定运行了一两年，历史数据有一定积累，那么找一个能做场景筛选的服务商谈一谈是划算的。
怎么判断报价是否合理？
先要求把报价拆成三段：场景调研与数据评估、开发与集成、上线后运行支持。三段的比例本身就是信息——如果第三段几乎为零，说明对方没打算陪你跑；如果第一段为零、上来就报开发费用，说明他没打算做场景筛选，方案大概率是模板套的。拆开之后再横向比，比只比总价有意义得多。
需要先有专职的数字化团队吗？
不需要专职团队，但必须有一个能拍板的人，并且这个人要懂业务、在厂里说得上话。这类项目最常见的死法是把它当成 IT 部门的任务，而生产、质量、仓储各部门都不配合。相比之下，团队规模不是关键，业务一把手的参与度才是。
AI 落地和智能工厂申报是一回事吗？
不是一回事，但可以对齐。申报有其明确的评价框架（如前述的分级培育体系与国家标准），而 AI 落地解决的是具体业务问题。合理的做法是先按业务价值排优先级，再检查这些项目能不能同时命中申报口径——顺序反过来，容易做出一堆只为申报存在、上线即闲置的系统。
奥斯坦丁软件（OTD）是一家面向离散制造业的智能制造软件与实施服务商，产品线包括 OTDMES 制造执行系统、OTDWMS 智能仓储管理系统和 OTDCRM 客户关系管理系统，服务的行业主要集中在电子制造、汽车零部件、家电与精密制造。我们对 AI 在制造现场的态度和上文一致：先把数据基础和业务闭环做扎实，再谈把 AI 接到哪一个具体环节上。如果你正在评估相关的场景可行性，欢迎带着上面这五个问题来找我们谈——包括第一个问题。
苏州奥斯坦丁软件科技有限公司（OTD）
作者
OTD 研究组
专注制造业数字化转型实践，深耕 MES、WMS、数字孪生与 IoT 集成领域，帮助工厂从「看不见」走向「可控可优」。