从“卖出时定型”，到“使用中增值”
传统设备商业模式有一个天然限制：产品的大部分能力在出厂时已经确定。客户若想获得显著提升，通常需要改造甚至更换硬件。
AI 与软件定义架构结合后，部分价值可以在使用阶段继续释放。例如：
于是，设备厂商与客户的关系也会发生变化：过去的重点是按规格完成交付，之后则可能共同经营可用率、产出、能效或服务质量。
这不是简单地给设备增加一个 AI 功能，而是在重新定义“产品交付完成”的时间点。
- 根据真实负载持续优化设备参数；
- 提前识别性能退化与故障风险；
- 动态调整能耗、产能或资源分配；
- 将不同客户的现场约束转化为专属运行策略；
- 通过软件升级，为存量设备增加新的能力。
真正值得设计的，不是订阅费，而是可持续改善的结果
很多企业看到订阅模式，首先想到的是把原有软件按年收费。但如果客户每年得到的只是相同功能，订阅只是付款方式变化，并没有形成新的价值逻辑。
AI 驱动的持续收入需要回答三个更困难的问题。
第一，客户愿意为什么结果持续付费？
客户通常不会为“模型调用次数”付出长期溢价，却可能为设备可用率、单位能耗、产线良率、处理能力、停机时间或风险降低付费。
因此，企业要从客户经营结果反推 AI 服务，而不是从已有算法出发寻找收费项目。
第二，改善是否能被可靠归因？
设备表现同时受到环境、原料、操作方式、维护水平和生产计划影响。如果没有基线、对照方法和持续测量，供应商很难证明改善来自 AI，客户也难以接受结果计费。
第三，供应商能否承担持续交付责任？
订阅或结果合同意味着责任不再止于安装验收。模型退化、数据中断、软件更新、现场变化和异常恢复，都可能直接影响客户生产。企业需要把产品团队、远程运维、现场服务、数据团队和商务团队组织成同一个服务闭环。
存量设备，是比新产品更值得重看的资产
McKinsey 今年 5 月对工业与汽车售后服务的分析指出，AI 不仅可以改善定价、备件预测、远程诊断和服务调度，也在打开按设备可用率付费、远程监测订阅以及 AI 改造套件等收入机会。
这意味着，企业寻找 AI 增长机会时，不必只从下一代智能产品开始。大量已经交付、仍在客户现场运行的设备，可能是更现实的起点。
存量设备有三个优势：
1. 已经对应明确的生产任务和客户损失； 2. 已经积累故障、维护、使用与现场反馈； 3. 价值可以通过改造前后的运营指标验证。
但它也会暴露企业过去容易忽视的问题：设备身份是否统一、运行数据是否连续、维修记录能否关联、软件版本是否可追踪、远程更新是否安全，以及经销商和服务商是否愿意参与新的收益分配。
AI 商业模式最终依赖的，往往不是模型本身，而是企业能否持续理解并服务自己的已安装设备群。
不要从“全产品线智能化”开始
更稳妥的路径，是先选择一个设备群和一个客户结果，完成最小商业闭环。
例如，企业可以选择停机损失高、数据基础相对完整的一类设备，在少量客户现场验证：
| 验证环节 | 需要证明的事情 | | --- | --- | | 结果定义 | 改善的是可用率、能耗、产量还是服务响应？ | | 数据基础 | 运行、环境、故障和维修数据能否形成连续记录？ | | AI 干预 | 系统能建议什么、自动调整什么，哪些操作必须审批？ | | 价值归因 | 如何建立基线，并排除生产计划或人工维护等因素？ | | 服务交付 | 谁监控、谁响应、谁到场、谁对异常结果负责？ | | 商务设计 | 固定订阅、按使用量、收益共享或保底加分成，哪一种匹配风险？ |
只有当技术效果、客户价值与交付成本能够同时闭环，企业才应该扩展到更多设备和客户。
这条路并不天然成功
一项 2026 年发表、基于 796 家中国制造企业数据的研究发现，AI 创新与服务收入之间并不是简单的线性关系，而呈现倒 U 型特征：适度投入可能促进服务收入，但过度依赖 AI、组织僵化或业务重点错位，反而可能削弱结果。
这项研究使用的是 2015—2022 年企业面板数据，不能直接证明某个具体 AI 服务项目一定成功。不过它提醒企业：增加算法、平台和功能，并不会自动产生持续收入。
客户真正购买的是更稳定、更经济或更可预测的经营结果。企业如果没有重构服务流程、责任边界、衡量方式和渠道利益，技术投入越大，服务成本也可能越高。
Nokia 的新方案值得关注，不只是因为 AI 进入了无线接入网，更因为它把“硬件更新周期”改写为“软件持续改善周期”，并尝试用订阅承接这种变化。
对更多制造、能源、交通和专业设备企业而言，同样值得追问：
> 我们已经交付给客户的设备，能否因为 AI 在明年比今年更有价值？
如果答案是肯定的，AI 就不再只是一项内部降本工具。它可能成为企业延长产品价值周期、重建客户关系并创造持续收入的新基础。
---
