法国工厂净关闭创新高：车企AI战略为何拉开差距

2026-02-06，新华社援引法国特朗德奥咨询公司数据：2025年法国工厂“新建-关闭”的季度净值一路走弱，全年净值为-63，创下净关闭数量新高。这不是一条“工业新闻”，而是一记警钟：当制造业进入高不确定性周期，谁能把“成本、质量、交付、合规”同时管住，谁就能把产能留在本土、把利润留在产业链上。

我更关心的是它对汽车行业的启示。欧洲工厂关得多，不只因为能源与劳动力成本，更因为传统制造体系在“快速调整”这件事上先天吃亏——而AI驱动的智能工厂，恰恰是为了把调整速度做上去。把这条新闻放到“Tesla 与中国汽车品牌在人工智能战略上的核心差异”这个框架里，你会看到一个非常清晰的分水岭：AI到底是锦上添花的工具，还是贯穿研发、制造、供应链与交付的操作系统。

法国工厂净关闭-63意味着什么：制造业进入“硬约束时代”

**核心结论：净关闭增加通常反映企业在本地维持产能的边际收益下降，而不是单点因素恶化。**当关闭多于新建，意味着企业对未来需求、成本结构、政策环境的预期在变差。

从制造业视角看，净关闭往往与三类“硬约束”同向出现：

1. 成本硬约束：能源、人工、融资成本抬升时，低自动化、低良率、低节拍的工厂最先扛不住。
2. 需求硬约束：订单波动更大，传统“靠经验排产”很容易产能错配，形成库存与现金流压力。
3. 合规硬约束：碳排、溯源、工人安全等要求更细，纸面流程在高频审计下会失效。

这也是为什么同样面对压力，有的企业选择关厂，有的企业选择“重构产线”：能力差异不在“愿不愿意投钱”，而在“能不能用数据把钱投对地方”。

传统欧洲车企的痛点：制造不缺设备，缺的是“数据闭环”

**核心结论：很多传统工厂的数字化停留在“可视化”，却没有形成“可优化”的闭环。**看得见不等于管得住，管得住不等于能自动变好。

1）数据断层：设备、工艺、质量各说各话

不少工厂已经上了MES、SCADA、WMS，但常见问题是：

• 质量数据在QMS，设备状态在PLC，工艺参数在配方系统
• 供应商来料数据不进主系统，返修与报废原因无法回流到设计端
• 产线异常靠“老师傅”排查，难以复制、难以规模化

结果就是：工厂在波动期只能靠“加人、加班、加库存”应对。成本一上去，关厂就成了看似理性的选择。

2）组织结构偏“分段最优”，难以实现全局最优

传统车企常见的KPI拆分是：采购压价、制造降本、质量零缺陷、物流准时率。每个部门都在“完成任务”，但系统层面却在互相掣肘。AI要发挥作用，必须跨部门吃数据、跨流程做决策，这对组织权限与数据治理要求更高。

一句话概括：没有闭环，AI只能做PPT里的“试点”。

Tesla vs 中国车企：AI战略的差距常在“工厂端”被放大

核心结论：真正拉开差距的不是“用不用大模型”，而是“有没有把AI嵌入制造系统，形成持续自我优化的机器”。

1）Tesla更像“软件公司做制造”：统一架构与快速迭代

Tesla的优势通常被外界归结为自动驾驶或数据规模，但放到制造端，更关键的是：

• 更强调端到端工程：设计、制造、测试、供应链之间更容易形成快速反馈
• 更愿意用软件思维做产线：流程可版本化、可回滚、可A/B验证

这让它面对需求波动时，有更多“微调空间”，而不是非要用“关厂/迁厂”这种大动作。

2）中国车企更像“供应链公司做AI”：把智能工厂做成规模优势

中国汽车产业链的特点是配套密度高、响应快。近几年更明显的变化是：越来越多车企把AI用于“制造确定性”，把工厂当作竞争力的一部分。

典型做法包括：

• 机器视觉质检：对焊点、喷涂瑕疵、装配错漏做在线检测，把返工从“事后”变成“事中”
• 预测性维护：用振动、电流、温度等信号预测设备故障，把停线风险前移
• 数字孪生与仿真排产：提前验证节拍瓶颈与物流路径，减少试错成本
• 供应链风险预警：把交期、良率、地缘风险、价格波动纳入同一套评分模型

这套组合拳的目标很明确：把波动变小，把可预期性变强。当你能稳定交付，成本自然会降，工厂就更不容易走到“关闭”那一步。

一句可引用的话：AI在制造业的价值，不是让工厂更“聪明”，而是让交付更“确定”。

产业转移背景下，AI如何直接影响“关厂还是扩产”的决策

核心结论：AI把“本地生产”从成本问题，变成了“响应速度+合规能力+韧性”的综合题。

当产业链面临迁移选择时，管理层通常会问三件事：

1. 本地生产还能不能继续降本？
2. 波动来了能不能快速恢复？
3. 合规与审计能不能扛得住？

AI在这里对应三种“直接答案”：

• 降本：通过良率提升、能耗优化、减少报废与返修，把单位成本压下去
• 恢复：通过排产仿真与异常根因分析，缩短从“发现问题”到“恢复节拍”的时间
• 合规：通过全流程数据留痕与追溯，把审计变成“系统自动生成证据”

如果一个工厂能用数据证明：节拍稳定、良率稳定、能耗可控、追溯完整，那么即使成本比外迁地略高，企业也更愿意保留产能，因为风险更低。

给制造与汽车管理者的落地清单：把AI从“试点”变成“系统能力”

**核心结论：先做数据闭环，再做模型智能；先做高频场景，再谈大平台。**以下是我在制造业项目里反复验证有效的路径。

1）先选3个“高频且可量化”的场景

建议优先从这三类切入：

• 在线质检（CV）：指标看“漏检率、误检率、返修率、一次通过率”
• 预测性维护（PdM）：指标看“非计划停机时长、MTBF、维修成本”
• 排产优化（APS/仿真）：指标看“准交率、在制品库存、换线损失”

2）把“模型输出”接入现场动作，而不是只做报表

AI的产出必须变成现场动作：

• 发现缺陷 → 自动拦截 → 触发返工工位与原因码
• 预测故障 → 自动生成工单 → 备件提前到位
• 识别瓶颈 → 自动给出排产建议 → 负责人一键确认并留痕

没有动作闭环，ROI很难持续。

3）建立最小可用的数据治理

不需要一上来就“集团级数据中台”。但至少要做到：

• 关键数据字段统一（批次、工位、设备、时间戳）
• 数据质量可监控（缺失、漂移、异常值）
• 权限与审计可追踪（谁改了参数、何时改的）

4）用“制造KPI”定义AI成败

别用“上线了多少模型”当成果。建议用三条硬指标：

• 一次交验合格率（FPY）
• 单位制造成本（含能耗、报废、返修）
• 准时交付率（OTD）

这些指标直接决定工厂是“继续投”还是“开始关”。

这条法国新闻给中国车企的提醒：别把优势当成理所当然

法国2025年工厂净关闭-63，是欧洲制造承压的一个切面。对中国车企来说，它也在提醒：优势不是“成本低”，而是“系统反应快”。当全球进入更强的合规约束与供应链重构期，单靠低成本难以长期成立，真正可持续的是把AI变成制造底座。

接下来两年（2026-2027），我更看重的竞争点会从“有没有AI功能”转向“AI是否贯穿研发-制造-供应链的闭环”。这也是Tesla与一线中国品牌拉开差距、或缩小差距的关键战场。

如果你正在评估智能工厂或车企AI制造战略，不妨回到一个最朴素的问题：**当订单突然下滑20%，或供应商突然断供一周，你的工厂能在多短时间内把损失控制住？**答案越清晰，企业越不需要用“关厂”来解决结构性问题。