问：5G+AI在智慧工厂的融合应用，投资回报到底怎么评估？很多厂子上了项目却算不清账，有没有靠谱的避坑思路？

答：评估5G+AI智慧工厂的投资回报，核心不是算“省了几个人”，而是算“停机少了多少、良率提了多少、交付快了多少”这三笔账，把5G和AI拆开看、合起来算，ROI才站得住脚。很多工厂在这件事上踩过坑，下面按常见误区、真实坑点、规避方法、最佳实践来说。

一、常见误区：把5G当目的，把AI当点缀

不少企业做预算时，习惯把5G专网、边缘服务器、摄像头、AI算法打包成一个“智慧工厂大单”，然后拿总投入去对比“减少了几个巡检工”。这种算法几乎注定算不平。5G本身不直接产生效益，它解决的是时延、连接密度和移动性；AI也不直接省钱，它解决的是检测精度、预测能力和调度效率。两者融合的价值在于让原本做不到的场景变得可算账，比如AGV跨区调度、机器视觉在线全检、设备振动预测性维护。业内常见的情况是，项目验收时演示很漂亮，一到财务复盘就说不清收益来源。

二、真实坑点：三个最容易翻车的地方

第一个坑是只算硬件和软件采购价，不算集成、停机改造和后期运维。5G+AI项目里，网络切片调优、OT与IT系统打通、模型迭代标注，这些人力成本往往超过设备本身。第二个坑是把AI准确率当成良率提升。实验室里99%的缺陷识别率，到了产线因为光照、震动、物料差异，可能掉到85%，后面还得靠人工复检兜底，省下来的人又回去了。第三个坑是忽略5G覆盖的盲区和切换问题。某汽配企业假设场景中，AGV在跨车间时因基站切换丢包，导致停线十几分钟，这种损失在ROI模型里根本没被算进去。

三、规避方法：用“场景级ROI”代替“项目级ROI”

别指望一个大项目算总账，要把5G+AI拆成可独立核算的场景。比如先做设备预测性维护：在关键机台加振动和温度传感器，通过5G回传，AI做异常检测。这个场景的ROI等于“减少的非计划停机小时数×每小时产线产值”减去“传感器+边缘算力+模型服务费”。再比如做AI视觉质检：ROI等于“省下的质检人力成本+减少的客诉退货损失”减去“相机、光源、算法授权和运维费”。每个场景跑三个月，用真实数据回填模型，再决定要不要复制到第二条线。这样财务认，生产也认。

四、最佳实践：先找“停机贵、人工贵、客诉贵”的工序

假设一家电子厂，SMT贴片后的AOI复检工位常年靠人盯，漏检导致客诉。这种工序就是5G+AI的好切入点：5G保证多路高清图像低时延回传，AI做初筛，人只复判可疑品。评估时盯三个指标——直通率变化、复检人力变化、客诉批次变化。跑通一个工位，再横向复制到测试、组装。厂商侧的经验是，累计3200余家终端、120余家客户（覆盖15+行业）的落地数据表明，场景越聚焦，ROI回收期越可控，通常12到18个月能看清账。

总结建议：评估5G+AI智慧工厂ROI，别被“智慧”两个字带偏。先锁定一个停机成本高或人工依赖重的工序，用5G解决连接和时延，用AI解决判断和预测，单独建账、单独复盘。算清楚一个场景，再谈复制。账算得越细，项目活得越久。