机器人真的能帮企业省钱吗？答案取决于它究竟工作了多久。
关于机器人使用成本，市场数据看似矛盾：罗兰贝格研究指出每台机器人每小时成本仅为2美元；摩根大通估算则在10至12美元之间；另有报道显示，在早期工业部署中，该成本甚至超过35美元。
这些差异揭示了物理人工智能行业的核心症结：机器人能否在混乱的真实环境中可靠执行有用工作。企业需要的不是理论上的廉价硬件，而是值得信赖的劳动力。这一分野，将决定物理人工智能是停留在昂贵的试点阶段，还是真正切入万亿美元规模的劳动力市场。
经济账的关键：利用率
计算机器人小时成本的公式并不复杂：将购置或租赁成本分摊至生命周期内的有效工作时间，再加上电力、维护、软件集成及合规费用。其中，唯一的关键变量是“有效工作时间”。
罗兰贝格模型中的每小时2美元，仅涵盖能源、软件、网络及计划内维护，未包含硬件购置费。这是规模化运营后的边际成本。若与美国仓库平均人工工资对比，只有当机器人60%至70%的时间处于运行状态时，这一成本优势才会显现。
以一台价值9万美元、按五年折旧的工业机器人为例：若每年工作2000小时，硬件分摊成本约为每小时9美元，加上其他费用总成本接近12美元；但若年工作时间减半至1000小时，单位硬件成本即刻翻倍。若仅在高峰期运行或长时间待机，有效成本将进一步飙升。
摩根大通估计，目前约需两个类人机器人才能匹配一名人类工人的产出，这使有效小时成本再次翻倍。虽然软件迭代能提升每小时生产力，但降低每小时成本只能靠增加运行时间。生产力问题可在实验室解决，而利用率问题必须在生产现场攻克。
因此，机器人的标价并非决定性因素，排班安排才是关键。
Agility财报揭示的真实成本
Agility Robotics在与Churchill Capital Corp XI合并前提交的S-4表格，提供了最清晰的公开证据。数据显示，其Digit机器人已在GXO、舍弗勒及丰田加拿大工厂等九个客户站点累计运行超6.5万小时。2025年，该公司净销售额为178万美元，运营亏损达1.402亿美元，并获得单一客户提供的3亿美元基于里程碑的订单。
文件披露的成本模型显示，其下一代机器人在五年生命周期内的总成本约为40万美元。若每年单班运行2000小时，每小时成本约40美元；双班运行则降至近20美元。鉴于Agility设定的全成本人工基准为每小时30美元，机器人只有在年运行时间超过2700小时后，才具备比人工更低的成本优势。
走出实验室的困境
高利用率无法挽救那些在环境变化面前失效的机器人。几十年来，机器人技术在折叠衬衫、制作咖啡等受控演示中表现完美，但一旦进入充满变数的工厂和仓库——物体位置随机、包装变更、人员穿行——简单的任务便转化为一系列异常处理难题。
完美演示与可靠生产之间的差距，是物理人工智能的核心挑战。若每次环境变化都需要工程师介入，机器人便不是自主劳动力，而是一个持续的集成项目。
获胜者的衡量标准不再是光鲜的演示视频，而是系统能否一致地执行有用工作、能否在不昂贵重新集成的情况下切换任务，以及能否通过足够长的运行时间摊薄成本。
从卖硬件转向卖成果
行业正转向“劳动即服务”（Labor-as-a-Service）模式。客户购买的不再是设备，而是托盘移动、拖车卸载或包裹分拣等具体结果。服务商承担部署、维护及正常运行时间责任，客户按完成的工作量付费。
这种模式迫使机器人公司直面利用率问题。按工作量收费的供应商无法躲在试点成功或出货量预测背后，其经济效益直接绑定于机器的生产力。对客户而言，比较维度从“机器人理论成本vs工人工资”，转变为“完整服务成本vs包含加班、流失、事故及产量损失在内的全口径人工成本”。
在制造业和物流业劳动力短缺的背景下，这一模式尤为关键。初始应用场景多集中于枯燥、肮脏和危险的任务，这不仅降低了工伤风险，还将人类员工从低价值劳动中解放出来，专注于更高价值的判断与异常处理。
窄切口通向平台化
尽管通用型类人机器人愿景宏大，但近期实现规模化的可信路径是从狭窄切入点起步：在结构足够支持可靠运行、又具备一定复杂度的特定环境中，解决重复性问题。
仓储、汽车制造、食品加工等领域因工作重复性强、需求持久且多实行多班制，成为理想场景。一家公司若能可靠地自动化托盘搬运，产生的将是真实世界的数据而非演示效果。每一次部署都让系统暴露于实验室无法复制的变数中，这些数据反哺模型，提升处理异常的能力，进而拓展相邻任务，增加系统工作时间，最终形成“更多部署-更多数据-更强能力-更多工作-更低成本”的正向循环。
全球手动劳动力市场规模达数十万亿美元。机会不属于单纯增加试点机器人数量的玩家，而属于那些能将机器转化为可靠劳动力容量的公司。领先者将通过狭窄的运营切入点进入，从真实生产中学习，随着能力提升逐步扩张，将硬件、智能与服务结合为可靠的工作单元。
物理人工智能的革命，不由销售了多少台机器人定义，而由这些机器人完成了多少有用工作定义。