最近跟几个制造业的朋友聊AI落地的进展，大家不约而同提到了一个问题：人。不是缺AI工程师，是缺能把业务问题和AI方案之间那道鸿沟填上的人。这个话题我琢磨了很久，今天想把它聊透。
大厂标签正在失效
前两年企业组建AI团队，第一反应是去大厂挖人。这个思路逻辑上说得通，但现在越来越行不通了。原因有两层。第一层，大厂里真正能打的人自己都不够用，各条业务线都在抢，根本不可能放出来。第二层更关键——你从大厂挖到的那个人，在大厂的环境里可能是合格的，但到了制造企业的一线场景里，很可能完全使不上劲。
大厂AI人才解决的问题和制造企业要解决的问题，根本不是一个维度的。大厂面对的是海量数据、标准化流程、高度产品化的场景。制造企业面对的是数据混乱、流程非标、每个车间都有自己"土办法"的复杂局面。你能挖到一个做推荐算法做得很好的工程师，但他能不能理解铸件表面缺陷检测的业务逻辑？大概率不能。
真正稀缺的是"翻译官"
我一直在想，制造企业AI落地最缺什么角色？想来想去，答案很明确：缺一个能同时听懂两种语言的人。
一种语言是车间语言——班组长说"这个批次的废品率高了，我觉得是原材料的问题，但也不确定"，工程师说"设备振动数据最近有点异常，但还没到报警阈值"。这些话里藏着大量的隐性知识和经验判断。
另一种语言是AI语言——数据特征怎么提取、模型精度怎么评估、训练集怎么构建、推理延迟怎么控制。
能把这两种语言翻译来翻译去的人，才是制造企业AI团队里最值钱的那个人。他不需要自己写最好的模型代码，也不需要自己操作最复杂的加工设备，但他必须知道这两边的边界在哪，知道什么问题该用AI解决、什么问题用传统方法更好、什么问题现阶段根本不该碰。
十亿到百亿这个区间，困局最深
有意思的是，我发现这种人才困局在不同体量的企业里表现完全不同。年营收十亿以下的企业，大部分直接不做AI团队，找外部供应商解决，反而没有太大的人员问题。年营收上百亿的大企业，有足够的资源去试错，即使招错了几个人也能消化。
真正困住的是中间那一批——十亿到百亿这个区间。这些企业觉得自己有实力组建AI部门，也确实批了预算、给了编制，但核心问题是：决策者自己并不清楚到底需要什么样的人，也不清楚AI能解决什么问题、解决不了什么问题。于是开始用传统的招人逻辑——看学历、看大厂背景、看title——去招一个本质上需要跨界能力的新岗位。结果招来的人，要么技术行但接不了业务，要么懂业务但对AI的理解停留在概念层面。
这种错配一旦形成，后面就是漫长的内耗。AI团队提的方案业务部门觉得不接地气，业务部门提的需求AI团队觉得无法落地，半年后双方都对AI失去信心，项目无声无息地停了。
先别急着搭团队
如果你是一家制造企业的老板，正在考虑要不要建AI团队，我的建议是：先别急着搭团队，先想清楚三个问题。
第一，你企业里最值得用AI去解决的问题是什么？不是"全面智能化"这种大词，而是具体到"仓库里拣货效率低""质检漏检率高""排产计划经常被打乱"这种实实在在的痛点。
第二，你有没有一个人，哪怕只有一个，既对你的核心业务流程足够了解，又对AI的能力边界有基本正确的认知？如果连这样一个人都没有，你招再多的人也只是把错配放大。
第三，你能不能接受AI落地是一个循序渐进的过程，而不是一次性上马的大工程？能省钱能赚钱的先用起来，跑通了再扩。这个节奏问题，比用什么技术方案重要十倍。
核心观点
AI落地的成败，短期看方向，中期看人才，长期看组织。而现在大部分制造企业，连方向都还没想清楚，就在拼命找人。方向不对，人再好也白搭。先把方向搞对了，合适的人才自然会浮现出来。