都是砸钱搞 AI，为什么银行成了，工厂栽了？

都是搞 AI 落地，为什么金融一路狂飙，工业却举步维艰？

一、数据问题

金融AI能跑起来，有个前提：银行对客户交易数据有法定所有权。我们每转一笔账、刷一次卡，数据自动归银行，干净、完整、随取随用。AI训练需要大量数据，金融行业不缺这个。

工厂不一样。一台机床的震动数据，产权可能归设备厂商；工人的操作经验，归工人自己；生产线的温度记录，归工厂但分散在不同系统里。各方数据凑不齐，AI连训练的材料都不够。工业AI的数据确权成本，直接把很多项目卡死在起跑线。

金融AI有个良性循环。交易数据越多，反欺诈模型越准；模型越准，拦截效率越高；效率越高，银行越愿意投入，数据进一步积累。金融AI的数据越用越多，模型越练越好，循环自己就能跑起来。前提是数据格式和监管规则稳定，这个前提在金融基本成立。

工业AI是场景碎片化。每个工厂的设备品牌、工艺参数、环境条件都不同，A厂训好的模型到B厂性能大幅下降，需要重新采集数据、重新调参。迁移成本是金融的几十倍，循环转得慢，成本摊不下去。

金融系统的变量可量化、可记录。价格、数量、时间，每一笔交易都留下数字痕迹。AI建模难，但能从历史数据中学到统计规律，结果大致可控。

工业系统的变量也能记录，但变量之间的关系难以量化。设备老化到什么程度会影响精度，老师傅看一眼就知道，但他说不清具体标准。工人情绪、原料批次差异、环境温湿度，这些因素交织在一起，同样的参数设置，上午合格下午可能就不合格。AI在工厂面对的困难，不是系统有多神秘，而是人类经验难以翻译成AI能懂的语言。

金融AI干的是脏活累活。客服接电话、审核材料、查风控规则，这些活流程固定，AI把有章可循的部分接过去，人去做需要变通的判断。

工业AI想给老师傅打下手。质检看瑕疵、排产算时间、设备听异响，这些活老师傅凭经验就能干，但经验写不成AI能看懂并执行的说明书。

工业AI的真正麻烦在这里：它要动的不是岗位，是工人几十年养成的肌肉记忆。老师傅听机床声音就知道有没有毛病，这种本事他自己都说不清怎么练出来的，更别说让AI学会了。

二、规则决定AI能不能跑？

金融监管严，但规则写得明明白白。反洗钱怎么查、开户要核什么资料、合规审查走哪几步，标准全在纸上。AI按规矩执行就行，边界清楚，知道什么能干、什么不能碰。

工业监管不是不严，是标准不统一。安全生产、环保要求，文件上写得笼统，各地执行起来五花八门。同一个指标，A区来的监管人员说合格，B区来的说不行，连人都不确定，更别说AI了。AI在这种环境里训练，学的是本地标准，换个地方规则变了，模型直接懵圈。工业AI的制度成本比金融高得多，因为规则本身就不清楚。

金融机构决策快。业务部门说要做，科技部门接过去做方案，几个月就上线。中间环节少，错了能改，试错快。

工厂完全不一样。新系统上线，要改工艺、改操作手册、改绩效考核，还得让干了二十年的老师傅点头。这哪是装个软件，是动整个厂子的筋骨。动的不是技术，是厂里谁说了算的权力格局。工业AI的阻力，一大半来自内部扯皮、协调、博弈的成本。

金融机构把AI投入算作科技投资，允许三到五年回本，甚至更长。他们等得起，敢做长期项目。

工业企业把AI投入算作生产成本，要求当年就得看到效果，最好次年回本。等不起，拖不起。工业AI还没跑顺，预算就先被砍了。

三、人的想法不同

金融用户对AI犯错比较宽容。转账出问题，银行有完整的撤销、冲正、人工介入流程，用户损失可控；客服答错，换个真人接过去。

工厂里完全不一样。AI质检一次看错，可能是一批废品直接出厂；设备维护算错，可能整条线突然停摆，损失几百万。人敢不敢信机器，关键看搞砸了还能不能补救。

工厂工人技能专用性强。一个操作特定机床二十年的师傅，被替代后很难转岗。企业推AI，面对的不仅是技术问题，还有社会稳定压力。在工业，旧岗位先消失，新岗位还没准备好，工人看到的是直接的失业威胁。

金融行业年轻人多、学历高，科技部门先试用，好用就传开。一个新工具顺手，很快全公司都在用。

工厂里说话管用的人是老师傅。有威望、有经验，但大多对新技术不感冒。

金融行业从上世纪九十年代就开始搞信息化。后台交易系统、网上银行、手机支付，一步一步升级，AI是这条路的自然延伸。

很多工厂还在用二十年前的设备和管理方式。对它们来说，AI不是修修补补，是把整套东西推倒重来。技术选定了，再改的成本会越来越高。工业的历史包袱太重，工厂想让AI进来，得先自己把旧系统的债还清。