上季度一位做精密结构件的企业老板问我们：预算八十万年薪招AI负责人，招了半年没到岗，怎么办？我们把这个问题转述给同行，结果收到一串苦笑——厦门另一家企业招到了，入职七个月离职去了互联网大厂；泉州一家开出百万年薪，到岗后发现英雄无用武之地，整天在做数据清洗和催各部门交数。
招不到、留不住、用不上——如果把这三个事实摆在一起看，结论其实是反直觉的：不是你的招聘出了问题，是你的问题本身就问错了。
一、三个残酷事实
事实一：AI人才不去制造业。顶尖的算法人才在追逐前沿——大模型、具身智能、自动驾驶，那里的数据规模、算力资源和同行浓度，是工厂给不了的。真正懂算法前沿的人，脚不会踏进车间。
事实二：留不住是结构性的。你费尽心思招来的AI工程师，他的市场价值由大厂的报价决定。你给五十万，大厂第二年就能给八十万加期权。你在为一场注定被截胡的竞价付费。
事实三：单点人才在工厂是无源之水。AI落地需要数据、需要业务配合、需要试错预算、需要一把手撑腰。一个孤零零的"AI专家"空降到组织里，没有这些，他能做的只有写PPT和调prompt——这正是泉州那位百万年薪工程师的日常。
二、为什么工厂本来就不需要AI专家
冷静想一个问题：AI落地这件事，真正稀缺的能力是什么？
不是训练模型。今天的模型已经是商品——开源的、闭源的、按量付费的，比电费还透明。调模型参数的能力，正在快速贬值。
真正稀缺的是翻译：把车间里老师傅一句"这个件容易翘曲，进浇口位置有讲究"，翻译成AI能处理的数据结构和规则；再把AI吐出的结果，翻译回工艺语言让车间主任能验证。这种双向翻译，需要的不是论文，是既懂一点AI、又懂一点工艺、还能跟两边的入对话的人。
换句话说：AI专家的稀缺能力（算法前沿）和工厂需要的能力（场景翻译），是两个几乎不相交的集合。你拿着AI专家的预算，去市场上买工厂需要的人才——当然买不到，因为你的采购清单写错了。
三、工厂真正缺的三个角色
把"AI专家"这个模糊的招聘岗位拆开，工厂真正需要的是三个清晰的角色——每一个都不需要发论文：
- 懂工艺的翻译官（需求侧）。能判断哪个场景值得上AI、能把业务问题翻译成技术问题、能把技术方案翻译回业务价值。这个角色的最佳人选往往不是外部招聘，而是你现有的工艺骨干——给他配上AI工具和陪跑资源，比外招一个博士快十倍。
- 会验收的把关人（质量侧）。知道怎么测：全流程成功率怎么统计、失败兜底设在哪、验收标准怎么写。不需要会建模，需要的是测试思维和较真精神——品质部出身的人往往天然胜任。
- 有章法的运维者（持续侧）。AI上线后的日常巡检、数据口径维护、异常处理。设备科的思维模式完全适用：不需要懂发电机原理，但需要会看仪表、会换保险丝。
注意这三个角色的共同点：都能从你现有组织里长出来。翻译官是工艺骨干加工具，把关人是品质思维平移，运维者是设备科平移。制造业二十年积累的工程纪律，恰恰是AI落地最缺的素养——你缺的不是人才，是把你已有的人才放到正确岗位上的组织动作。
四、那外部力量用来干什么
说清楚"不需要AI专家"，不等于"不需要外部AI能力"。分工其实很清晰：
| 环节 | 谁来做 | 逻辑 |
|---|---|---|
| AI能力的搭建与迭代 | 外部伙伴 | 技术过时风险由专业方承担，你没必要养研究院 |
| 场景选择与价值判断 | 企业自己（翻译官） | 没人比你更懂你的工厂 |
| 验收把关 | 企业自己（把关人） | 效果标准的裁判权不能外包 |
| 日常运营 | 企业自己（运维者）+外部兜底 | 常规自己管，疑难有人托底 |
这套分工的妙处在于：外部伙伴承担技术过时的风险（这正是他们的专业），企业保留价值判断的裁判权（这正是任何人都替代不了的）。未来的企业AI部门，长得会像"设备科"而不是"研究院"——管设备的人不需要会造发电机，但必须知道哪台设备该开、哪台该修、哪台该换。
结语
回到那位八十万年薪招不到人的老板。我们的建议是：把预算砍成三份——一份给工艺骨干做AI工具和陪跑，一份给品质部做验收体系，一份留作外部伙伴的服务费。三个角色各就各位，总花费不到原来的一半，事情反而能成。
他听完说了句大实话："原来我要招的不是专家，是个不存在的物种。"
制造业不需要AI专家。制造业需要的是：把自己的工程人才放到正确的位置上，再把买不来的那部分能力，交给愿意为效果负责的人。