알림 목록

分析区域： 蔚山广域市

核心地区： 北区、东区、南区、蔚州郡

议程： AX 准备情况、普及程度以及大型企业与本地供应商之间的利润差距

黄金时间类型：供应链AX极化风险

参考日期： 2026年8月28日

版本：区域 AX 黄金时间智能 v3.2
 

现代汽车正在扩展其结合人工智能、机器人和数字孪生技术的软件定义工厂，而HD Hyundai则致力于推进FOS（面向服务的操作系统），目标是到2030年将造船厂的生产效率提高30%，并将建造周期缩短30%。尽管蔚山制造业的竞争单元已从单个工厂转向覆盖整个工厂的数据和人工智能操作系统，但供应商的人工智能采用率和流程数据连接水平在区域层面尚未公开。如果主承包商的交付标准在2026年至2028年间转向实时质量、碳排放和交付数据，那么无法适应的供应商无论其产能如何，都将退出业务关系。 蔚山的AX差距已不再是技术差距，而是进入了决定供应链生死存亡的阶段。

政府将2026年的工业自动化（AI）预算从2025年的5651亿韩元增加到1.1347万亿韩元，并将人工智能工厂（AI Factory）预算从1582亿韩元增加到2200亿韩元。尽管制造业政策的重点已从部署智能工厂转向扩大自主制造人工智能（AI）的应用，但截至2024年，全国仅有26家自主制造AI工厂。如果未来两到三年内，部署仍以领先企业为中心，那么预算增加与本地合作企业的实际应用之间仍将存在差距。 虽然国家层面的AI投资有所加速，但合作企业的现场推广仍处于起步阶段。

在2025年《制造业人工智能战略》中，中小企业和创业部提出建立12000家以人工智能为中心的智能工厂，以实现中小制造企业10%的人工智能应用率。该政策目标本身就揭示了当前制造业人工智能应用水平较低，而针对蔚山合作企业的单独计算的应用率尚未得到验证。如果即使在2026年至2028年间，采用人工智能的企业数量仍然只占总数的一小部分，那么主要承包商的人工智能转型速度与供应链平均转型速度之间的差距将进一步扩大。因此，制造业的人工智能应用 被认为仍处于初始扩散阶段，而非大规模应用阶段。

大型企业拥有专有数据和人工智能人才，能够将设计、采购、生产、物流、产品和管理等环节连接起来。虽然合作公司通过主承包商的系统交换订单和质量信息，但它们独立数据存储、分析和模型运行的程度却不为人知。如果主承包商的人工智能在两到三年内应用于合作伙伴选择和单价/交付评估，那么缺乏数据生成能力的公司虽然会接受评估，但将被禁止访问评估模型。 大型企业很可能成为人工智能系统的运营者，而大多数合作公司则仅仅作为人工智能系统的数据提供者。

蔚山的汽车、造船和石化生产采用的是一种大型集团工厂与多层级分包商共享流程、交付、维护和物流的结构。成品的竞争力取决于整个供应链的交付时间和质量，而人工智能投资最初是由资本、数据和人力资源集中的主要承包商推动的。各级分包商的人工智能水平以及瓶颈企业的所在地均未公开。如果到2028年，较低层级的分包商网络仍未连接起来，大型集团内部的生产力增长将受到外部采购波动性的限制。 蔚山制造业人工智能的实际单位并非大型集团工厂，而是多层级供应链，而目前的衡量单位比这更狭窄。

合作公司的收入与主承包商的产量、车辆类型、船舶类型和维护计划的变化密切相关。目前尚无公开证据表明，AX投资带来的生产力提升是如何分配给合作公司的——是通过单价、产量还是长期合同。如果利润在两到三年内集中在主承包商手中，而投资成本却由合作公司承担，那么对于转型采用AX技术的公司而言，投资无法收回的风险就会增加。 蔚山AX项目的差距可能会因为生产力提升的分配结构而非技术所有权而扩大。

现代汽车正在整合生产设施、物流机器人、质量检测和数字孪生技术，并扩展其SDV和电气化生产系统。尽管汽车行业的竞争已从装配质量转向软件、电池和电子控制数据的集成，但区域内燃机零部件供应商的软件销售和电气化转型率仍未确定。如果新车型的零部件配置在2026年至2028年间固定下来，现有零部件供应商的转型机会将被推迟到下一代平台。 整车的AX（汽车先进技术）阶段正处于加速发展阶段，而现有零部件供应链的AX（汽车先进技术）阶段则关乎各家企业的生死存亡。

电动汽车和共享汽车的出现，伴随着零部件数量的减少和电子及软件比例的增加。尽管对现有合作伙伴提供的机械零部件的需求正在下降，数据提交、可追溯性和网络安全标准也随之提高，但目前尚无综合指标来评估蔚山零部件供应商的准备情况。如果零部件数量的减少与数字化认证成本在两到三年内重叠，那么收入和投资能力都将萎缩，首先受到冲击的是微型企业。 汽车供应商面临的挑战不仅包括工厂自动化，还包括所供应零部件本身可能过时的风险。

现代HD正在推广面向服务的操作系统（FOS），其中包括人工智能设计、数字孪生、机器人和高级技师代理。尽管造船生产已从熟练工人现场协调转向数据驱动的预测和自主操作，但分包商在分段、管道、焊接和涂装等环节独立进行人工智能操作的成功案例尚不多见。如果到2028年只有总承包商的流程实现智能化，那么分包商人工操作造成的质量差异仍将是整个建造周期的瓶颈。 主要造船企业的人工智能（AX）组合较为全面，而区域合作网络的人工智能（AX）连接则较为有限。

造船业正通过扩大外籍劳工规模和开展本地化培训来补充其生产劳动力。尽管劳动力结构已转向跨国工作团队，但使用多语言数字系统运行工作标准、视频和质量数据的分包商比例仍未得到证实。如果熟练工人的离职与两到三年内的劳动力更替同时发生，那么对于缺乏数字化知识库的公司而言，返工、安全和交付时间方面的风险将首先增加。 造船分包商在数字化转型（AX）方面的差距是劳动力短缺和技能复制失败共同造成的。

蔚山的大型石化企业长期以来一直采用分布式控制系统、工艺优化和预测性维护技术。尽管Process AX系统已发展到整合产量、能源和维护的阶段，但参与维护、检验、物流和环境管理的承包商的数据连接范围仍未公开。随着2026年至2028年间工厂缩减和业务重组的推进，依赖总承包商系统的承包商将同时面临客户群减少和AX投资无法收回的双重困境。石化承包商面临的困境不在于技术应用，而在于缺乏关于总承包商重组的数据可见性。

化工产品的竞争标准已从价格和质量扩展到碳足迹和原材料可追溯性。虽然大型企业有能力在产品层面建立碳信息，但除非整合运输、维护和废物处理公司的排放数据，否则整个供应链的核查无法完成。如果客户在两到三年内收紧核查标准，那么无论实际排放量如何，缺乏数据的供应商都将被归类为供应链风险。 碳数据缺口正从环境评估层面演变为贸易资格方面的差异。

智能工厂部署项目已将生产管理、设备互联和质量数据采集扩展到中小制造企业。然而，制造人工智能的前提是数据采集的质量、积累周期和流程标准化，仅靠设备互联无法形成自主预测。公开数据并未区分蔚山智能工厂的实际利用率和人工智能模型运行率。如果将2026-2028年期间的基础数字化和人工智能运行视为同一成就，则统计数据中两者之间的差距将消失。 智能工厂的实施记录是人工智能部署准备工作的证明，但并非人工智能运行的证明。

中小企业和创业部在2026年智能制造创新项目中提出，智能工厂利用率应达到85%，并应扩大人工智能智能工厂的规模。尽管政策标准已从实施数量转向利用率和人工智能性能，但对于蔚山企业而言，系统不运行、数据丢失以及对供应商维护的依赖等问题仍未得到证实。如果系统利用率在两到三年内持续低迷，那么额外的人工智能投资反而会放大现有数据的误差。 对于蔚山合作伙伴AX公司而言，最大的差距在于现有智能工厂的实际使用水平，而非人工智能模型本身。

大型企业拥有成品车辆、船舶和化工产品在其整个生命周期内的设计、生产、质量和客户数据。供应商通常只拥有其负责流程的数据，或者在未获得数据重用权的情况下将其输入主承包商的系统，但每份合同的数据权利并未公开。如果一个基于主承包商数据训练两到三年的人工智能取代了生产决策，供应商将失去构建自身模型所需的学习基础。蔚山AX差距的核心在于对工业数据的访问，而非服务器的数量。

总承包商可以通过比较多家分包商的质量和交付数据来选择最佳供应商。然而，各个分包商却无法获取总承包商掌握的对比数据和需求预测，只能依靠以往的订单来进行设施投资和人员配置。如果信息不对称持续到2028年，总承包商的预测准确性将会提高，而分包商面临的库存和闲置设施风险也会增加。 已有研究证实，供应链人工智能有可能加剧议价能力的不对称，而非促进联合优化。

蔚山的大型企业集团正在汽车、造船和石化等行业积极推进人工智能设计、数字孪生、机器人技术和预测性维护等技术的应用。虽然这些技术的应用范围已扩展到企业运营的各个方面，但合作企业的AI采用率、利用率和投资规模尚未得到区域统计数据的证实。如果两到三年内不对此差距进行衡量，就无法确定扶持目标是否与供应链瓶颈相符。 大型企业集团的AI应用水平被评为“先进”，而合作企业的AI应用水平则被评为“部分数字化”或“AI应用未确认”。

政府已将中小制造企业10%的人工智能应用率设定为未来的政策目标，并计划在2024年实现全国26家自主制造人工智能工厂的建设。虽然这表明目前的基础设施集中在少数几家龙头企业，但蔚山合作企业的行业和规模分布情况并未公开。如果到2028年人工智能应用仍然集中在顶级合作伙伴，那么下层网络的成熟度将保持不变。 据评估，整个供应链的平均成熟度将远低于大型龙头企业。

大型企业在生产、检验、物流和设计等领域应用人工智能和机器人技术。虽然其应用范围已从单个流程扩展到工厂操作系统，但这项技术在合作工厂中的普及程度仍有待证实。如果这项技术在未来两到三年内仅在主承包商工厂内部推广，供应链处理速度的差异将导致交付瓶颈。尽管 大型企业内部的推广已取得进展，但企业间的推广情况仍未得到证实。

政府设定了到2030年建成500多家自主制造人工智能工厂的目标，但截至2024年，仅有26家。现有基础设施与目标规模之间存在约19倍的差距，而分配给蔚山的工厂数量尚未确定。由于未来两到三年将是实现目标的初期扩张阶段，被排除在主导项目之外的企业的差距将首先扩大。虽然人工智能工厂的扩张已经开始，但尚未覆盖整个蔚山合作网络。

大型企业拥有专门的人工智能部门，并与外部技术公司、大学和全球平台公司建立了合作网络。尽管韩国国家信息社会机构（NIA）的一项调查证实，中小企业在获取最新技术、招聘专业人员以及将其融入生产领域方面面临诸多挑战，但蔚山合作企业中专门从事人工智能的人员数量却未公开。如果这种招聘缺口持续两到三年，即使采用相同的解决方案，模型改进速度和故障响应速度也会有所不同。 蔚山的人才缺口源于缺乏能够持续运行人工智能的机构，而非实施成本。

合作伙伴公司的现场知识主要集中在首席执行官、工厂经理和技术工人手中。尽管劳动力老龄化和外籍劳工的增加正在加剧，但将工作知识积累为数据、规则和模型的公司比例仍未确定。如果到2028年，技术工人的流失速度超过人工智能（AX）组织的建立速度，那么数字化所需的原始知识将首先流失。 合作伙伴公司面临的人工智能（AX）时间风险结构是：人工智能人才短缺和制造业知识的消亡同时发生。

大型企业拥有规模和数据优势，能够通过人工智能实现生产力、质量、库存和能源方面的综合成本降低。虽然供应商承担实施成本，但生产力提升是否能反映在单价、销量或合同期限上，在区域层面尚无法得到证实。如果两到三年内未能建立利润分享机制，人工智能投资的经济可行性在主承包商和供应商之间就会有所不同。因此， 人工智能利润在供应链中的扩散程度低于技术扩散的程度。

虽然对智能工厂和制造人工智能的支持降低了部分实施成本，但维护、数据优化和模型更新的成本却是持续性的。目前缺乏关于支持结束后独立运营率和投资回收期的公开数据。随着系统更换和​​订阅成本在2026年至2028年间不断累积，低利润供应商将被迫选择停止运营或依赖外部供应商。 供应商AX的收入结构难以覆盖持续性成本，而非初始采用成本，因此较为脆弱。

汽车SDV和电气化、造船FOS以及石化业务重组均包含在2026年至2028年间供应链配置调整的计划中。尽管主承包商的产品和工艺转型先于分包商的投资和人员转型，但各公司的具体响应周期并未公开。一旦车辆类型、船舶类型和设施的重组最终确定，将没有足够的时间进行新供应商的认证和投资回收。 蔚山分包商的“黄金时期”并非在主承包商的AX项目完成时结束，而是在供应链重新选定之前。

尽管政府扩大了人工智能工厂（AX）预算，但对人工智能工厂和发展的支持仍然集中在少数几家经过筛选和遴选的公司身上。如果顶尖公司在两到三年内反复入选，数据和绩效数据就会回流到这些领先企业，而未采用人工智能技术的公司与领先企业之间的差距将呈指数级增长。项目结束后，后来者必须从更高的技术水平起步。人工智能工厂支持的时间风险在于，未被选中的时间本身也会累积成竞争差距。

随着生产、缺陷和维护数据的积累，人工智能模型的准确性会不断提高。如果大型企业和领先供应商率先建立数据流通，那么后发企业除了要承担设备购置成本外，还将面临长达数年的训练数据缺口。如果到2028年数据积累仍未启动，仅靠资本投资将难以赶上领先企业的模型性能。 制造业人工智能差距是一个不可逆转的风险，由数据积累驱动，并且会随着时间的推移而扩大。

主承包商的数字化供应链实时评估质量、交付时间、碳排放和安全性，并将这些结果纳入供应商选择考量。一旦某公司退出供应链，由于收入下降，它将失去投资自动化认证（AX）的能力，也无法积累重新认证所需的数据。如果退出发生在两到三年内，技术差距和交易差距将相互加剧。 合作伙伴公司自动化认证失败不仅仅是未能采用该系统；它具有不可逆转性，会导致其永久退出供应链。

压缩判断：蔚山供应链 AX 的转折点在于合作伙伴公司能否超越向主承包商的 AI 提供数据的层面，同时确保数据重用权、独立运营能力和生产力优势。

蔚山大型企业的 AX在投资、数据、人员和现场应用方面被评估为处于高级阶段，而当地合作伙伴企业的 AX则被评估为处于初始和未确定的阶段，不包括基本的数字化和一些领先企业。

目前的差距不仅仅是技术水平的差异，更是一种不对称的结构：大型企业主导着供应链的预测和评估，而合作伙伴公司虽然提供自身数据，却缺乏对比信息和需求预测。

如果这一差距持续到 2028 年，蔚山很可能会失去其区域合作生态系统中的附加值和公司数量，而不是确保大型企业工厂的 AX 竞争力。

黄金时机判断：企业 AX 加速 + 供应链极化风险

证据来源

• 贸易、工业和能源部，《2026年工业AX·AI工厂预算和建设目标》
• 中小企业和创业部，基于人工智能的智能制造创新3.0战略
• 中小企业和创业部，2026年智能制造创新支持项目
• NIA分析了人工智能在企业中的应用现状及挑战。
• 国家工业管理局（NIA）采取措施利用物理人工智能增强国内制造业竞争力
• 智能工厂业务管理系统
• HD Hyundai 建立未来造船厂 FOS
• 贸易、工业和能源部、AX产业综合体小组委员会和M.AX集群

结构性洞察——随着大型企业 AX 的成功，其供应商的独立性可能会减弱。

大型企业的AI系统能够同时从多个供应商处学习价格、质量、交货和缺陷数据。随着数据的积累，总承包商能够更准确地预测整个供应链，并更快地更换供应商。相比之下，供应商只能拥有自己的数据，甚至无法独立利用他们输入到总承包商系统中的数据。

在这种不对称关系中，合作伙伴的数字化连接并不等同于其应用能力。连接到主承包商平台的公司可以参与数据生成，但无法参与模型所有权、比较信息或决策制定。这就造成了一种悖论：随着连接程度的提高，对主承包商的依赖性反而增加。

如果主承包商的人工智能能够提高生产效率，那么采用更少的供应商和更精准的交付系统在经济上就更具优势。如果合作伙伴公司的人工智能支持未能带来独立的竞争力，那么人工智能的作用就只是筛选出优秀的公司，而不是扩大整个供应链。

因此，蔚山面临的结构性风险不仅在于合作公司采用人工智能的速度较慢， 更大的风险在于现有结构的固化：合作公司虽然在参与人工智能项目时提供了更多数据，但它们的预测能力和议价能力却并未随之提升。