【系统时间注入】当前北京时间：2026-09-16 12:40 CST

一家没有大量媒体追逐的公司，在一个没有太多华丽宣传的行业，完成了一轮规模不大不小的融资——然后悄悄地服务了日本100大制造商中超过一半。

这是2026年9月的CADDi。

这家总部在东京和芝加哥的制造业AI平台，刚刚宣布完成1.14亿美元D轮融资，估值达到12亿美元，较2025年3月的4.7亿美元估值翻倍，累计融资额达到2.34亿美元。投资方包括Toyota旗下的Woven Capital、Atomico、Globis Capital Partners、Moore Strategic Ventures、Coreline Ventures，以及日本邮政银行旗下的JPS Growth Fund。(来源: Fortune exclusive, 2026-09-15)

这个估值数字不算惊人——在AI赛道动辄数十亿美元的年代，12亿美元甚至显得有些”低调”。但CADDi吸引Toyota Woven Capital、以及Atomico（欧洲顶级科技VC，曾早期投资Spotify/Skype/Klarna）和Globis（日本最活跃的科技VC）同时投资的逻辑，比任何估值数字都更值得认真思考。

它的核心命题，用一句话说就是：超过80%的制造业操作知识，从未被记录在任何地方。

第一章：制造业最深的「知识黑洞」

每一个在制造业工厂里工作过的人都知道一种场景：老师傅拿起一个零件，看了两眼，然后说”这个不对”。他说不清楚为什么，但几十年的经验让他知道这个零件会有问题。

然后他退休了。

问题不在于他退休了——每个人都会退休。问题在于他的经验没有留下来。

CADDi CEO Yushiro Kato在接受Fortune专访时把这个问题量化了：在制造业，超过80%的关于工作流程的知识，以及公司为什么选择特定供应商、为什么以某种方式设计某个零件的原因，从未被记录在任何地方。这些知识只活在有经验的员工脑子里。(来源: Fortune exclusive interview with CEO Yushiro Kato, 2026-09-15)

这个数字——80%——在制造业语境里意味着什么？

它意味着：当一家汽车零部件制造商的资深工程师退休，他带走的不只是他本人，而是一个关于「哪个供应商在高温条件下的良品率更好」「这个设计在2018年改过一次，因为它在寒冷气候下会出现疲劳断裂」的完整知识体系。

它意味着：当工厂要引入AI优化供应链，AI能分析的是那剩下20%被记录的数据，而驱动实际决策的那80%的经验性知识，对AI来说是隐形的。

Kato把这称为「物理瓶颈」（physical bottleneck）——不是计算能力的瓶颈，不是算法的瓶颈，而是制造业知识本身的物理形态——它存在于人的大脑里，而不是数据库里——构成了AI在制造业应用的最根本障碍。

第二章：CADDi的演进——从图纸搜索到制造业AI数据平台

理解CADDi的价值，需要追踪它的产品演进轨迹。

2017年，CADDi最初的产品叫CADDi Drawer，解决的是一个非常具体的问题：制造企业经常从不同供应商重复购买相同或相似的零件，因为工程师不知道公司此前已经买过同类部件。Drawer通过AI分析技术图纸，在公司自己的数据库里找相似或相同的已购零件，并提供这些零件的历史缺陷率——帮助企业减少冗余采购，优化供应商选择。(来源: Fortune exclusive, 2026-09-15)

这个产品听起来功能有限，但它解决的问题在制造业极为普遍，并且难以用传统方式解决：图纸是非结构化数据，传统搜索引擎完全不能处理它；而且不同工厂的零件命名规范差异巨大，人工比对极为耗时。

在过去两年，CADDi把这个单点产品扩展成了一个完整的制造业AI数据平台。

原来的Drawer被重新命名为CADDi Explorer（仍然专注于图纸搜索和相似零件发现），同时推出了CADDi Agent——一个AI代理，帮助制造企业做零件标准化决策和质量影响评估（分析某个设计变更将如何影响性能和安全性）。

此外，CADDi还推出了6个针对特定任务的”工作流”产品，其中包括：

  • CADDi Design Review：基于历史问题，自动标记新图纸和CAD模型中的潜在错误
  • 其他专注于捕捉经验工程师和工人”隐性知识”的工具

从图纸搜索到质量影响评估到设计审查，这个产品扩展路径有一条内在逻辑：把散落在各种系统和人员大脑里的制造业知识，转化成可被AI处理的结构化数据，再用AI代理在具体决策场景中调用这些知识。

这不只是一个工具，而是一套基础设施——让制造业知识变得可计算的基础设施。

值得注意的是，Kato对制造业AI的技术要求有明确的判断：”我从未见过有人用通用大语言模型做设计审查，因为它不理解图纸或CAD文件。” CADDi因此使用自有专有AI模型处理图纸和CAD文件，只对文档和电子表格使用通用LLM——这个架构选择，与那些把ChatGPT API套壳成”制造业AI”的竞品形成了根本区别。(来源: Fortune, 2026-09-15)

第三章：为什么是Toyota Woven Capital？——供应链AI竞争中国的现实压力

Toyota Woven Capital参与这轮融资不是偶然的。

日本制造业目前面临一个特殊的战略压力：来自中国制造商的竞争，不只是价格竞争，而是越来越明显地变成供应链效率和技术竞争。

中国汽车制造商（尤其是比亚迪及其供应链生态）在成本控制上的优势，在很大程度上来自更高效的供应链协调——而这个效率优势，正在越来越多地通过AI和数字化手段得到强化。比亚迪自研的DiLink智能网联和供应链数字化系统，正在成为中国制造业AI应用的标杆。

对丰田这样的传统汽车巨头而言，维持制造竞争力意味着必须在两个维度同时追赶：一是新能源和软件定义汽车，二是供应链AI化和知识数字化。

Kato在接受Fortune采访时明确提到：CADDi的产品价值诉求，是帮助汽车制造商和其他制造企业降低直接材料成本、缩短工程交付周期——这正是在中国竞争压力下，日本制造业最需要的两个指标。(来源: Fortune, 2026-09-15)

Toyota Woven Capital投资CADDi，实际上是Toyota在为自己的供应链生态网络购买一张通往知识数字化的门票——不只是为丰田自己，也为整个依赖丰田的供应商网络。

在日本，这种逻辑的市场规模是惊人的：日本100大制造商中超过一半已经是CADDi的客户，这意味着在日本最重要的制造业生态系统里，CADDi已经获得了事实上的标准地位。而这个地位，反过来又为CADDi进一步扩展北美市场（其明确的下一步）提供了信誉背书。

第四章：制造业AI的真实市场规模——被低估的万亿美元赛道

制造业AI，在全球制造业产值（约17万亿美元/年）的基础上，正在形成一个结构性的新市场。

根据McKinsey Global Institute的测算，AI在制造业的潜在价值在1.7万亿至3.7万亿美元之间（主要来源：运营效率提升、预测性维护、质量优化）。而Gartner的数据显示，截至2026年，制造业的AI采用率仍然只有34%——远低于金融服务（62%）和零售（58%）——意味着这是一个巨大但仍处于早期的渗透空间。

这种渗透率差距，有深层的结构性原因：

原因一：数据形态的根本差异

软件业的数据是原生数字化的——代码、日志、用户行为都可以直接被AI处理。金融业的数据是数字化的结构化数据。制造业的关键数据，大量以物理形式存在：工程图纸（非结构化）、实物零件（需要传感器或视觉系统）、操作经验（在人脑里）。

这意味着制造业AI需要专有的、专为制造场景训练的AI模型，而不是通用LLM的简单应用——这正是CADDi使用自有专有AI模型处理图纸和CAD文件的原因。

原因二：变革管理的难度

IBM Consulting在最新的”State of Salesforce 2026”报告中指出：69%的首席AI官（CAIO）表示制定变革管理策略”中等或非常困难”。制造业这个数字可能更高——因为制造业的工艺流程改变往往需要重新认证、重新培训，以及对几十年积累的操作规程进行更新。(来源: Diginomica/IBM Consulting, 2026-09-15)

第五章：12亿美元估值意味着什么——制造业AI的定价逻辑与竞争风险

CADDi的12亿美元估值，在当前AI融资语境下显得低调。但从商业逻辑看，基本面并不薄：

  • 销售额连续翻倍：Kato明确表示销售额”正在年年翻倍”
  • 22国客户：全球扩张正在推进，北美为核心重点
  • 日本市场已锁定：100大制造商中超过半数已是客户
  • 团队规模：从2025年初600人增长到~900人
  • 多元化高质量投资方：Toyota Woven（战略意义）+ Atomico（欧洲市场敲门砖）+ Globis（日本生态深度）

更重要的是，CADDi的竞争护城河，是那80%未被记录的制造知识的数据飞轮：每增加一个客户，CADDi的AI模型就获得更多制造场景的训练数据，使它对所有客户的理解变得更准确。

然而，竞争风险是真实的。

工业软件巨头Siemens（旗下Xcelerator平台）、达索系统（3DEXPERIENCE）、PTC（ThingWorx）都在向制造业AI数据平台方向扩展。西门子的优势在于已有的PLM/CAD软件客户基础，其AI功能可以无缝集成进现有工作流——这是CADDi需要逐步说服客户改变习惯的独立平台所没有的渠道优势。

此外，制造业AI赛道同样有中国选手的竞争：宁德时代、阿里云、华为昇腾都在为中国制造业企业提供AI数字化服务，虽然目前主要聚焦中国本土市场，但其低成本优势在全球化竞争中不可忽视。

Kato的应对策略是专注于专有数据模型的护城河——通过专为制造场景训练的自有AI模型构建壁垒，而不是通用模型API的叠加。这个策略是否足够持久，是CADDi未来5年最值得观察的核心变量。

第三层洞察：「知识黑洞」背后的老龄化定时炸弹

CADDi所描述的「80%知识未被记录」，在全球制造业的人口结构变化中，正在从一个长期问题变成一个迫切危机。

在日本，制造业从业者的平均年龄持续上升，大批拥有30-40年经验的资深工程师和技术工人在未来5-10年内将陆续退休。根据日本经济产业省的数据，制造业技能工人中，55岁以上者占比超过30%，而25岁以下者占比不足10%——这是一个典型的「知识传承悬崖」。

这不只是日本的问题。德国制造业（Mittelstand）有约500万家中小制造企业，其技术传承危机同样严峻；美国工业中西部地区，有大量自1950-60年代就没有被数字化的工艺知识。

AI在这里扮演的角色，不再只是效率工具，而是知识保存工具——把即将消失的专有知识，以可机器处理的形式保存下来。

这个视角，把制造业AI从”降低成本的效率工具”重新定义为”防止关键知识流失的基础设施”——这个定义，可能比任何成本优化叙事都更有说服力，也更有持久性。

从这个角度看，12亿美元的估值，也许不是CADDi的终点，而只是这条道路的起点。

结语：被低估的赛道，正在建立真实的护城河

CADDi的故事没有GPT-6 Astra的标题党吸引力，没有Factory三倍估值的戏剧感。但它解决的问题，比大多数AI公司更”真实”：制造业的知识黑洞不是一个可以用通用LLM解决的问题，它需要专为制造场景设计的AI，以及愿意深入理解制造业具体痛点的团队。

Toyota Woven Capital+Atomico+Globis的联合背书，不只是一笔财务投资，而是对这个判断的三维验证：在下一波AI与物理世界的交汇中，制造业知识的数字化，将成为供应链竞争力的核心变量——无论在日本、欧洲，还是北美。

这个判断，在中国制造业AI能力快速上升的背景下，比以往任何时候都更加紧迫。

参考资料

  1. Fortune (exclusive): “Manufacturing AI startup CADDi valued at $1.2 billion in $114 million funding round” — CEO Yushiro Kato访谈，含公司背景和战略，2026-09-15. https://fortune.com/2026/09/15/caddi-manufacturing-startup-valuation-funding-round-series-d-exclusive/

  2. MSN / Fortune转载: “Exclusive: Manufacturing AI startup CADDi valued at $1.2 billion following $114 million Series D funding round” — 2026-09-15. https://www.msn.com/en-us/technology/tech-companies/exclusive-manufacturing-ai-startup-caddi-valued-at-1-2-billion-following-114-million-series-d-funding-round/ar-AA2chjiQ

  3. CADDi官网: 产品介绍，CADDi Explorer/Agent/Design Review功能说明. https://caddi.com/en-us/

  4. Diginomica / IBM Consulting: “State of Salesforce 2026” — 企业AI变革管理统计数据（69% CAIO困难），2026-09-15. https://diginomica.com/dreamforce-2026-what-state-salesforce-tells-us-about-user-priorities-around-agentic-deployment