企业用机器学习都在干什么？我调研的十家公司

这份关于ai机器学习企业应用的调研，花了我三个月。做数字化咨询的好处是能进到企业内部，坏处是天天听"AI提效"听到耳鸣。为了搞清楚企业用机器学习的真实成色，我挑了十家能拿到内部数据的公司：三家制造、三家零售消费、两家金融、一家物流、一家医疗。规模从年营收八千万到六十亿都有。下面的信息做过脱敏，数字都保留原样。先说结论：机器学习在企业里早就过了能不能的问题，现在拼的是值不值。

预测性维护：十家里回报最硬的三家

原子答案：预测性维护是投入产出最清晰的企业机器学习应用，三家制造企业的回本周期从十一个月到两年不等，全都提前止损过大额停线损失。

先讲回报最夸张的一家。做电缆的，拉丝机是德国进口，一停线一小时损失四万。他们给三十二台设备装振动传感，模型提前预警主轴异常。上线第二年春节前，模型凌晨两点报了一次高危预警，值班师傅将信将疑拆开检查，轴承保持架已经裂了。换件花了六千块，要是撑到断，连轴带电机加停线，老板估的损失是七十万。就这一次，全年项目费用全回来了。

另外两家没那么戏剧化，账更平：一家注塑厂的意外停机减少约五成，一家食品厂的冷库能耗降了8%。这三家有个共同点，设备本来就带传感器，机器学习只负责读数和报警。没这个底子的企业别硬上，先花小十万装传感器，这笔钱省不掉。

销量预测：一家成了一家翻车，差别在数据

原子答案：销量预测的天花板由数据质量决定。数据干净的那家预测准确率到八成以上，数据乱的那家项目烂尾，机器学习救不了脏数据。

成的这家是连锁便利店，两百多家店。他们干了件笨事但关键：先花半年治理主数据，统一SKU编码、清洗三年的销售流水，再上需求预测模型。现在自动补货覆盖了七成SKU，缺货率降了三成，报废的临期食品少了两成。IT负责人原话是"最难的不是模型，是逼着采购部改编码"。

翻车的那家是区域商超，这事我在机器学习现状那篇里提过一嘴：七十万的智能补货项目，预测准确率不到六成，采购员悄悄切回手工下单。我看过他们的数据，同一款酱油在系统里有四个编码，促销记录缺失三成。这种数据进模型，出来的就是噪声。说难听点，机器学习是高压锅，食材馊了炖不出好汤。

金融风控：低调但花钱最凶的ai机器学习企业玩家

原子答案：两家金融公司的机器学习投入都是千万级起步，但回报杠杆也最大——反欺诈模型每年拦下的损失，是投入的十倍量级，这是企业机器学习最成熟的深水区。

消费金融那家给我看了脱敏后的数字：反欺诈模型上线后，欺诈损失率从万分之八压到万分之三，按放款规模折算，一年少损失四千多万。团队四十多人，年成本算两千万，杠杆率一目了然。银行那家更细分，单独一个信用卡交易风控模型，毫秒级判断这笔消费像不像持卡人本人的行为习惯。半夜三点在异地刷大额，模型直接压单，第二天人工复核。

不过说句公道话，这类应用门槛极高：标注好的欺诈样本、实时数据管道、监管报备，三样凑齐才玩得起。中小机构看看就好，别照抄。顺带一提，机器学习风控用的监督式学习思路，白话解释我放在监督式学习是什么那篇里，感兴趣的翻翻。

剩下三家说快一点。物流那家用机器学习排干线运输，油耗和空驶率降了6%，一年省一百多万，但调度组长跟我抱怨系统给的方案有时不认路况，老师傅的经验还在兜底。医疗那家做影像辅诊，我在别的文章里详细写过。最惨的是零售品牌那家，四百万做的"AI会员洞察"，产出了一份谁都能猜到的报告，大意是"高价值会员复购更勤"。真是有够废话。项目验收完，系统再没人登录过。

十家跑完，我整理了张总表。投入、回报、我的评价，一眼看完。

十家调研后，我总结的企业上机器学习三原则

原子答案：先治理数据再谈算法、先算单点损失再定投入上限、先让业务部门签字验收再立项。三条都做到的企业，调研里没有一家失败的。

原则不是拍脑袋，是拿十家的血泪换的。数据治理那条，成的四家全干了，翻车的两家全没干。投入上限那条，电缆厂老板定的规矩很妙：项目投入不得超过设备年停线损失的一半，超了就不批。业务签字那条最狠也最有效——让采购、设备这些使用部门参与立项承诺指标，IT部门就不敢闭门造车。想了解头部供应商怎么选的，可以看机器学习AI公司盘点，那篇按三层拆了代表性厂商。

行业大盘也印证这个方向。麦肯锡全球人工智能调查报告显示，已有超过一半的企业在至少一个业务部门使用AI，但真正实现息税后利润显著提升的仍是少数——差距恰恰出在数据和管理动作上，跟模型关系不大。报告可在麦肯锡官网查证，全球AI支出的增速数据，Statista也有连续追踪可对照。

普通人从这份企业调研里能带走什么

原子答案：ai机器学习企业应用告诉普通人的是——值钱的不是算法知识，而是"懂业务加会用模型"的复合能力，十家公司里最吃香的都是这种人。

十家里每一家真正让项目跑起来的，都有一个既懂业务又懂点模型的接口人。便利店那个逼采购改编码的IT负责人、电缆厂那个会看频谱的设备主管，都是典型。想往这个方向靠的，补基础概念的路径看AI基础学习四块清单，边学边对着自己公司的业务想，效果最快。

调研做完了，账都摆在上面。想深挖单个行业落地情况的，之前写的机器学习改造广告投放里有投手视角的内幕，可以接着看。

常见问题

企业用机器学习最常见的应用有哪些？

按普及度排：推荐系统与营销、视觉质检、预测性维护、销量预测、金融风控。前三类方案最成熟，中小企业的成功案例集中在质检和补货。

中小企业上机器学习项目一般要花多少钱？

SaaS订阅方式年费几万到几十万，自建项目从五十万到数百万不等。建议先用成熟SaaS小规模验证，跑出回报再加大投入。

机器学习项目失败最常见的原因是什么？

我的调研里排第一的是数据质量差，第二是业务部门不参与，第三是立项目标模糊。算法不行导致失败的，十家里一家都没有。

怎么判断自己公司适合上机器学习？

三个自问：有没有半年以上的历史数据积累、这件事错误了损失能不能兜底、有没有人愿意为效果负责。三个都是肯定答案，就可以试点。

这份十家调研就到这里。觉得数据难得，就把文章分享给正在写立项报告或正被供应商忽悠的朋友，转发一次，可能就帮TA保住几十万预算。