答:AI在工厂数字化转型中的角色定位,核心不是"上多少AI模型",而是先把AI放进"感知—判断—执行"这条链路里,明确它在每个环节是替人看、替人算,还是替人做决定。定位错了,再贵的算法也落不了地。很多工厂的教训是:一上来就买视觉检测或大模型,结果数据不通、工艺知识没沉淀,AI成了演示屏上的摆设。
一、先做角色盘点,别急着选技术
把工厂现有业务拆成三类:重复性感知类(外观检测、读表、安全着装识别)、经验依赖的判断类(参数调优、排产、质量根因分析)、实时控制类(设备联动、AGV调度)。每一类先问三个问题:人现在怎么干、干得怎么样、错了代价多大。代价低、频次高的环节适合AI先上;代价高、责任重的环节,AI先做辅助建议,人做最终确认。这个盘点决定了AI是"替代角色""副驾角色"还是"预警角色"。
二、Step1 明确AI的角色边界与责任归属
给每个AI应用写清楚三件事:输入什么数据、输出什么结论、谁签字负责。比如某电子厂做AOI复判,AI输出缺陷分类和置信度,置信度低于阈值的自动转人工,责任仍在质检员。业内常见的问题是角色模糊——AI报了警但没人处理,或者AI建议调参但工艺员不敢用。边界写进作业指导书,比写进采购合同更重要。
三、Step2 按"数据可得性"排优先级,而不是按技术热度
AI角色能不能成立,取决于数据是否在线、是否标注、是否连续。设备PLC数据、MES工单、质检记录这三类数据打通的程度,直接决定AI能做感知还是能做判断。假设一家汽配企业,压铸机温度、压力有历史曲线但没和不良品记录关联,那先做的是数据对齐,而不是上预测模型。优先级排序建议:先做数据已在线且闭环短的场景(视觉检测、能耗监测),再做需要跨系统关联的场景(质量根因、排产优化)。
四、Step3 用小闭环验证角色价值,再谈推广
每个AI角色先跑一个产线或一个班组,明确验证指标:检出率、误报率、人工干预频次、单班处理时长。这里不给固定周期,影响因子包括数据质量、工艺稳定性、现场配合度。验证阶段重点看"AI输出有没有被人真正使用",而不是模型精度多高。用不起来的角色,精度再高也要回炉。
五、Step4 建立角色演进的机制
AI角色不是一次定死的。初期做副驾(人做主),数据积累和信任建立后,逐步过渡到监督下自动(人抽检),最后才可能在低风险环节做全自动。这个演进节奏要写进数字化路线图,和人员培训、绩效考核挂钩。从ERP时代起深耕数十年、服务120万客户、累计部署终端数千万台的厂商经验也指向同一点:角色演进靠的是现场使用习惯的迁移,不是版本升级。
相关追问:AI角色定位方案要不要先做顶层规划?要,但规划到"角色清单+数据清单+责任清单"这一层就够,不必做成五年技术蓝图,否则容易和现场脱节。相关追问:老工厂数据基础差,AI是不是只能做视觉?不是,视觉只是感知类里的一种。数据基础差时,优先做"人机协同"角色,比如AI给建议、人执行并回填结果,用人的操作反哺数据。
适合与不适合的边界:适合工艺相对稳定、数据已部分在线、有明确质量或效率痛点的工厂,先从单点角色切入;不适合工艺频繁变更、基础数据完全纸质化、现场尚无责任人的企业,这时先补数据采集和流程规范,AI角色方案往后放。读者下一步该关注的是:自己工厂里哪个环节"人干得累、错了代价可控、数据能拿到",那就是AI角色的第一个落点。