陈建平陈建平
← Research
Trends#趋势观察#传统行业#AI落地

为什么 AI 落地最快的地方,反而是传统行业

2026-10-30

主流叙事认为互联网公司离 AI 最近,但真正把 AI 用进核心业务、并且算得出账的,是老干妈、TCL 这样的制造企业。

主流叙事里,AI 落地最快的应该是互联网公司——懂技术、有数据、迭代快。

但看这两年的实际情况,真正把 AI 用进核心业务、并且能算出账的,反而是老干妈、TCL 这样的传统制造企业。

这不是偶然。

一、传统行业的 AI 需求,原本就在那儿

老干妈做了一件很朴素的事:用 AI 视觉质检替代人工挑辣椒。

车间里装了高速工业相机,每 0.3 秒扫描一次传送带,自动识别霉变、黑斑的辣椒,用气流吹掉。结果是不良率降到 0.02%,核心原料做到 100% 可追溯。

这件事的关键不在技术先进,在于这个问题已经存在了几十年。

辣椒分选一直靠人眼,靠老师傅的经验,靠"看多了就有感觉"。这个痛点不是 AI 创造的,也不是被技术叙事催生出来的,它一直在那儿,只是以前没有更好的解法。

传统行业的大部分痛点都是这种成色:被时间验证过、被反复抱怨过、被默认为"这行就是这样"。

而 AI 在互联网行业找到的需求,很多是倒过来的——先有技术,再去找场景。这类需求往往不痛,只是听起来性感。

二、场景封闭、结果可验证,这恰好是 AI 最舒服的条件

AI 最怕什么?怕结果说不清好坏。

老干妈的场景:一颗辣椒是不是霉变,对错当场可判。TCL 华星的缺陷检测,一张面板有没有问题,有明确的 ground truth。

在这个基础上做 AI,效果是能直接量出来的——TCL 星智大模型在武汉落地一年,单批次缺陷检测从 48 分钟降到 9 分钟,准确率突破 95%,年省成本超 1 亿。TCL 中环的光伏「深蓝」模型优化拉晶控制逻辑,品质一致性提升 10%。

对比互联网:一个推荐算法到底好不好,要做 A/B 测试跑几周,还要排除季节性、竞品动作、运营活动的干扰。等结论出来,场景已经变了。

封闭场景 + 明确对错 + 稳定环境,这三个条件凑齐,AI 才有办法证明自己有用。传统制造业恰好常备这三样,而互联网业务一样都不占。

三、这些公司做对了什么

值得说的不是"上了 AI",而是上的方式。

TCL 走的不是"接一个通用大模型",而是自研垂域模型。

他们做了三个:星智(半导体显示)、伏羲(智能终端)、深蓝(新能源光伏)。为什么不用现成的?

因为工业场景里的术语、数据格式、判断标准,全是这个行业专有的。通用模型在这些细节上会失准,而工业生产对失准的容忍度极低。

TCL 三年 AI 综合效益超 25 亿元,还提出约 500 名"硅基员工"、上线超 1 万个智能体的组织形态。这些数字背后是一个判断:AI 要变成岗位,而不是变成功能。

老干妈走的不是"上一套数字化系统",而是把一道工序做到极致。

没有大张旗鼓的转型口号,就盯着分选这一件事,做到 100% 可追溯,然后拿这个去拿省长质量奖、去重建品质信任。

两条路共同点:都没有从"全面数字化"开始,都从一个具体的、算得清的地方切入。

四、机会在哪

我在房地产做了十几年,看到一个共性:

传统行业里最有价值的东西,往往是大量没被写下来的判断。

一个项目经理为什么觉得这个价格能卖动?一个车间主任为什么知道这批料有问题?这些判断稳定、有效、经得起验证,但它们只存在于人脑子里,从来没有被结构化。

这就是 AI 真正的空间——不是替代这些人,而是把他们脑袋里那些"说不清但有用"的东西,变成可复用的规则、流程和工具。

而互联网公司的问题是相反的:他们的判断早就被数据化了,能被 AI 接手的部分,早就接走了。

五、一个必须说的问题

老干妈最近有个争议:网传"用 AI 把 600 名拣椒工裁到 48 人",引发抵制,官方回应称裁员信息不实。

这件事值得所有做 AI 落地的人看一遍。

不管传闻真假,它暴露了一个真实张力:效率提升和岗位减少之间的矛盾,是 AI 落地绕不开的。 这个问题没有技术解,只有组织解、社会解。

传统行业的 AI 项目,如果不提前想清楚"人往哪去",做得越成功,反弹越大。

写在最后

AI 落地快不快,不取决于行业新旧,取决于问题的边界清不清楚。

边界清楚的地方,AI 就是一把好用的刀。边界模糊的地方,AI 只是一堆昂贵的仪表盘。

从这个标准看,传统行业不但不慢,反而是最该被认真对待的战场。