「马拖汽车」是范式锁定——AI 落地的问题不在优化不够，在框架没换

这两周制造业的信息流，AI 含量高得反常。《丰田模式》作者 Jeffrey Liker 点赞转发了丰田前北美制造高管 Steve St Angelo 的一个说法：“丰田模式对 AI 的成功，比以往任何时候都重要。“维护管理软件商 MaintainX 对美国和加拿大 2234 名维护与运营负责人做的年度调研里，创始人给出的判断是：AI 在工业维护领域的扩散速度超过以往任何技术。还有一条热帖讲得更直接：制造业最大的升级不是 AI，是领导者选择问什么问题。

三条信号各说各的。但叠在一起，我看到一个共同的动作：制造业正在认真地给 AI 安排位置。

而”给新技术安排位置”这个动作本身，藏着一个一百多年前就出现过的思维陷阱。

把马套在汽车前面

汽车刚出现的年代，它的名字叫”无马马车”（horseless carriage）——人们只能用旧事物来定义新事物。十九世纪末真实存在过的一个设计提案，是给汽车装上木制马头，让它看起来还像大家熟悉的那个旧东西（一个常被提到的理由，是免得惊吓路上的真马）。

“把马套在汽车前面”则可以当作那个时代思维方式的一幅漫画像，做个思想实验：如果你相信运输 = 动力来源 + 承载工具，马是现成的动力，车是新的车架——那把马套在车前，推理上毫无破绽。

错的不是推理，是框架：它默认”运输”这件事的结构不会变，新技术只是来填某个槽位的。

这就是范式锁定：思维框架限制了对新技术的想象，让人只能做”槽位替换”，看不见新技术会重塑整个框架。

汽车真正的价值从来不是”更好的马”。速度上了一个量级之后，公路投资、低密度的居住形态、高频率的公路物流——这些和汽车相互促进、彼此成全的东西，可行范围被一下子撑大了。它们在马车框架里很难被想象，不是因为当时的人保守，而是它们需要汽车先存在，才有条件被想出来。

今天的”马拖汽车”长什么样

把镜头拉回今天的工厂和办公室，同样的剧本正在上演：

• 把大模型塞进客服环节，当话术生成器；
• 把 Agent 塞进质量部门，当 8D 报告撰写工具；
• 把 AI 塞进维护班组，当工单摘要引擎。

这些方案的共同点是：工作流的骨架一动不动，只是把其中几匹”马”换成了引擎。每一个单独看都有收益，都能算出账，都算”落地”了。

这正是它危险的地方。范式锁定不是失败得很难看，而是成功得很平庸——每个槽位都优化了，可能性边界却一寸没动。

前面那份 MaintainX 调研里，还有一个不那么热闹的数字：58% 的团队已经在运营里用上了 AI，75% 说半年内见到了可测量的回报——但 79% 的团队，计划外停机时间持平甚至增加了。厂商自己的结论是：可靠性的收益来自执行的成熟度，不是系统采纳本身。翻译一下：马换成了引擎，车队没有跑得更快。

它比”局部最优”更上游

做精益的人对”局部最优”很警惕：某个局部指标改善了，整条价值流却没有更好。但范式锁定比局部最优还要上游一层：

局部最优，是在既定的系统目标和边界内，改善了局部、没改善整体；范式锁定，是系统目标、边界、问题的表述方式本身，不再被质疑。

前者有现成的工具对付——价值流图就是为它准备的。后者的麻烦在于：图本身就是按现有边界画的，仅靠当前边界下的那张图，你很难发现”这张图不该这么画”。

丰田模式对 AI 重要吗？重要，但要看哪一层

回到 St Angelo 那句话。原帖只有判断、没有展开，下面是我的延伸解读——做一个粗略的二分。这是我的分析透镜，不是丰田的官方分类：

丰田模式里有两类东西。一类是原则：尊重人、暴露问题、持续改善、现地现物。这一层不依附于任何具体技术，AI 时代不仅成立，可能更成立——执行越便宜，“问对问题”越值钱。

另一类是具体的实现机制：工序怎么划分、节拍怎么定、检验设在哪里。这一层很大程度上是在”人是主要执行者”的约束下长出来的。约束变了，机制就该被重新审视，而不是被供奉。（当然，真实的丰田生产系统是原则与机制咬合在一起的整体，这样拆开只是为了看清一件事：AI 改变的到底是哪些约束。）

“丰田模式对 AI 更重要”，在原则层我完全同意。危险的是把它听成机制层的许可：既然老框架被背书了，那就放心地把 AI 塞进现有流程的空位里。——那恰恰不是丰田的传统。丰田自家历史上最著名的跳跃就是反槽位替换的：丰田佐吉的自动织机，价值不在”织得更快”，而在”出错自己停”。它废掉的是”每台机器配一个人盯着”这个框架本身，一个人从看一台机器变成看几十台。这才叫把新技术用成新技术。

真正的 AI 原生问题

所以值得问的不是”AI 能放进我们流程的哪个环节”，而是：如果 AI 是基础设施，这条流程从零设计会长什么样？

拿质量体系举例。抽检、分层审核、定期评审，背后有一个共同的隐含假设：检测和分析很贵，所以只能抽样、只能分层、只能定期。如果检测、追溯、分析的边际成本大幅下降呢？在适合在线感知、非破坏检测、测量系统可靠的场景里，一部分”抽”就可能让位给全量监测；质量体系的重心，也可能从”把缺陷检出来”移向”预测过程、闭环调整”。（抽样不会消失——破坏性试验、测量系统评估、过程稳定性判断，这些仍然需要它。）但方向是清楚的：那不是把 AI 塞进检验环节，是重新回答”检验为什么存在”。

答案大概率跟现在完全不同——就像从零设计交通系统，你会修公路，而不是铺一条更平整的马道。

下次看你们公司的 AI 规划时，可以只问一个问题：这份文档是在给 AI 找位置，还是在重新问流程本身该长什么样？

前者会得到一辆由马拖着的汽车。跑得动，甚至比纯马车快一点——快得刚好让你不去想真正的问题。