2026年9月，AI行业又迎来了一轮降价潮。OpenAI推出GPT-6 Sol和GPT-6 Luna两款新模型输入和输出价格下降约50%，AI使用成本持续降低，进一步推动AI向更广泛的应用场景发展。简单来说，同样一笔钱，现在可以调用更多次AI，而且新模型的能力还在提升。AI正在变得越来越便宜，这已经不是一个预测，而是正在发生的市场竞争。
按照这个趋势，AI进入制造业似乎也应该越来越容易。但现实却没有这么简单。根据斯坦福大学《2026年AI指数报告》，2025年全球已有88%的受访组织使用AI，但AI Agent在绝大多数业务职能中的部署比例仍然只有个位数。AI已经相当普及，但真正能够持续执行复杂业务任务的应用，仍处于较早阶段。
这就出现了一个值得思考的现象：一边是模型价格快速下降，另一边是企业真正把AI投入生产运营，仍然需要大量资金。为什么AI越来越便宜，制造业用起来却不一定更便宜？答案可能藏在一笔经常被忽略的成本账里。
一、AI模型越来越便宜，但买模型和用好AI是两回事
我们先看一组更直观的数据。OpenAI公布的GPT-6系列价格显示，GPT-6 Luna每百万输入Token的标准价格为0.10美元，GPT-6 Sol为2美元，而旗舰模型GPT-6 Astra为10美元。不同能力档次的模型，价格可以相差上百倍。这意味着企业有了更多选择。简单的文档整理、信息分类，可以使用成本较低的模型；复杂的数据分析、专业研究和推理任务，则可以选择能力更强的模型。
但对于制造企业来说，真正需要支付的费用，往往远不止模型调用费。假设一家工厂准备部署AI设备故障分析系统。在最初的演示阶段，工程师只需要把设备报警信息和历史维修记录输入AI，几秒钟后，模型就能够分析可能的故障原因，并给出维修建议。
如果只是这样，成本可能确实不高。但如果工厂希望这套AI真正投入生产，事情就完全不同了。
首先，AI需要能够获取设备的实时信息。一家工厂可能拥有几百台甚至上千台设备，来自不同厂家，使用不同的控制系统，数据接口和报警代码也不统一。为了让AI理解这些信息，企业需要进行数据整理、系统连接，有时甚至需要改造设备。其次，AI还需要理解具体的生产环境。同样一个报警，在不同设备、工艺和产品条件下，可能意味着完全不同的问题。企业必须将设备手册、维修经验、工艺标准和历史异常记录与AI结合起来，才能提高判断的可靠性。最后，AI还需要持续维护。设备更新了、产品换型了、工艺参数调整了，原有的知识和分析逻辑也可能需要更新。这就像电脑越来越便宜，并不意味着企业的信息化建设就不需要投入。软件、网络、安全、维护和人员培训，同样需要花钱。模型降价降低的是AI的使用门槛，但真正把AI变成一套能够长期运行的生产系统，仍然需要投入大量工程资源。
二、为什么AI在制造业的成本可能更高？用得更多，出错也更贵
除了最初的系统建设投入，制造业使用AI还有两个比较特殊的成本因素。
第一个因素，是使用量可能远远超出一般办公场景。过去，一家企业可能只有少数员工使用AI，每天生成几份报告、分析一些文件，整体费用并不高。但当AI开始进入生产现场，情况就不同了。质量部门可能需要持续分析产品检测结果，设备部门需要处理大量报警和运行记录，生产部门需要分析订单、产能和排程，仓储物流部门还要根据现场变化不断调整任务。如果一家工厂拥有几百台设备、数十条生产线，每天产生大量运行和质量数据，AI的使用频率就可能显著增加。更重要的是，未来AI不一定只是在有人提问时才工作。例如，设备运行过程中出现异常，AI可能需要自动读取数据、分析原因、查询历史案例，再根据结果决定是否需要进一步检查。整个过程中，可能发生多次模型调用。当这样的应用覆盖越来越多设备和生产环节时，即使每次调用的价格已经很低，累计费用仍然可能相当可观。第二个因素，是制造业的错误成本更高。对于普通办公场景，AI生成一份报告，如果内容存在错误，员工可以修改后重新提交。即使需要多花一些时间，损失通常也是可控的。但在生产现场，一次错误的判断可能引发完全不同的后果。假设一家工厂正在制造高价值电子产品，AI建议调整某项工艺参数，但这个建议并不准确。如果工程师没有及时发现，调整后的参数可能影响整批产品的质量。此时企业损失的，就不仅是AI调用费用，还可能包括材料报废、产品返工、设备停机和交付延误。同样，在设备维护和生产排程场景中，错误的故障判断可能导致不必要的停机，错误的生产安排则可能造成物料等待或订单延误。因此，制造业没办法因为AI模型足够便宜，就直接让它独立决定所有生产动作，还需要建立测试验证、权限控制、异常处理和必要的人工审批机制。这些措施能够降低生产风险，但本身也需要投入成本。
这意味着，制造业在选择AI时，需要考虑一个比模型单价更重要的问题：AI完成一项工作的综合成本是多少？如果判断错误，可能造成多大损失？
有些任务对准确性要求不高，可以优先选择低成本模型；有些任务涉及设备安全、质量或关键生产决策，则需要更可靠的模型和经过验证的执行机制。所以对于制造业来说，真正划算的AI，不一定是调用价格最低的AI，而是在满足生产要求的前提下，能够以更低综合成本稳定完成工作的AI。
三、一套AI系统值不值钱，制造业需要重新计算投资回报
既然制造业部署AI的成本可能并不低，那么为什么还要持续投入？原因在于，制造业AI能够创造的价值，也可能远远超过一般办公场景。
对于普通企业来说，AI的价值可能主要体现在提高员工工作效率。例如，原来需要两个小时整理的报告，现在半小时就可以完成。但在制造业中，AI创造的收益不一定只是节省人工时间。它还可能直接影响设备产出、产品良率、生产成本和订单交付。
以设备故障分析为例。假设某条关键产线每小时非计划停机造成的综合损失为1万元。如果AI系统能够帮助工程师更快判断故障原因，每月减少10小时停机，就可能产生约10万元的收益。即使这套AI系统每月需要2万元的运行和维护费用，企业仍然有理由进一步评估这笔投资。当然，这只是用于说明投资回报的假设，实际还需要计入初始开发、部署以及效果验证等费用。
一家企业可能部署了很多AI助手，员工使用率很高，但对实际生产经营指标的改善有限；另一家企业可能只在几条关键产线上应用AI，却因为降低了设备停机和质量损失，获得更高的投资回报。因此，制造业衡量AI价值的方式，需要从“节省了多少人工时间”，进一步转向“改善了多少生产经营指标”，比如良率、设备故障时间、交付表现、产能利用率、生产成本等实际指标，而不是单纯统计部署了多少模型、开发了多少AI应用。
四、从模型到制造应用：工业富联科技服务正在做什么？
要真正释放AI的生产能力，关键仍然是让AI能够理解制造现场，参与实际任务，并产生可衡量的生产价值。
工业富联科技服务正在推进的MoMClaw制造智能体，就是围绕这一方向展开应用。与主要用于知识问答和内容生成的AI助手不同，MoMClaw更加关注制造现场的实际任务。它将AI的理解、推理能力与企业制造知识、生产数据及业务系统结合，使AI能够根据具体问题调用相关工具，辅助分析并推动任务处理。
例如，在设备管理场景中，工程师面对设备异常，过去往往需要查询报警记录、对比历史维修案例、分析相关参数，再逐步判断可能的故障原因。MoMClaw能够结合这些制造信息开展根因分析，帮助工程师缩短问题排查时间，并衔接后续处理流程。根据工业富联相关应用成果，MoMClaw已实现根因分析时间缩短80%、人员效率提升15%、设备故障减少10%。这些指标反映的并不只是AI回答速度提高，而是AI开始对制造现场的工作效率和设备运行产生实际价值。
目前，MoMClaw还围绕Equipment、Quality、Logistics、Automation及Humanoid等不同制造领域拓展智能体能力，让AI逐步进入设备管理、质量分析、物流调度及自动化等实际生产场景。
随着模型使用成本进一步下降，未来制造业有机会以更低的成本使用更强大的AI能力。但能否真正获得收益，仍然取决于这些能力是否解决了生产中的实际问题。AI价格下降，降低的是技术门槛；AI应用创造的生产价值，才能决定企业愿意投入多少。
所以说下一阶段真正值得关注的，可能不再是哪家模型厂商又降价了多少，而是谁能让AI以更合理的成本，持续改善生产效率、质量和交付。当AI的应用收益能够稳定超过部署和运营成本，越来越多制造场景才有机会真正实现规模化应用。