答:可行,但前提是把AI定位成"补人手、补经验"的轻量工具,而不是上来就搞大模型平台或全厂智能调度。中小工厂的数字化底子薄、订单波动大、懂算法的人几乎没有,AI在里面的合理角色是嵌进具体工位和具体环节,解决一两个卡点问题,而不是做顶层重构。
一、先看有系统和无系统的差别在哪
很多工厂现在已经有ERP、MES或简单的设备联网,数据能采上来但用不起来,报表靠人导Excel,异常靠班组长巡线发现。这种情况下AI的价值是给现有系统加一层"判断力",比如把设备电流、温度、节拍数据接进来做异常识别,把质检图像接进来做缺陷初筛。假设一家汽配企业只有ERP没有设备联网,那第一步不是买AI,而是先把关键工序的数据采齐,否则算法没有输入。对比来看,有数据基础的中小厂上AI是"顺水推舟",没数据基础的先补采集更划算。
二、再看AI承担的角色分几类
业内常见三类定位:一是视觉质检,替代人工目检做初筛,适合外观缺陷规则相对固定的场景,比如冲压件表面、注塑件飞边;二是设备预测性维护,基于振动、电流、温度做趋势判断,适合停机成本高的关键设备;三是排产与工艺参数优化,这类对数据完整度要求最高,中小厂落地难度也最大。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生态里,能看到一个规律:中小工厂真正跑通的多是前两类,第三类往往要等数据和流程都稳定后才考虑。
三、投入产出的判断维度
不少企业关心成本怎么估。AI项目的投入大致分四块:数据采集硬件(传感器、相机、网关)、软件授权或算法服务、实施集成、后期运维。影响价格的因素主要是点位数量、缺陷种类复杂度、要不要对接现有MES。能省的是通用算法复用,不能省的是现场调试和数据标注,这两块决定了模型在产线上准不准。周期上,单点视觉质检从部署到稳定运行通常要经历采样、标注、试跑、调阈值几个阶段,受产线节拍和缺陷样本量影响,不给固定数字。
相关追问:中小厂没有算法工程师怎么办?多数情况不需要自建团队,选带预训练模型、支持少量样本微调的方案,把标注和阈值调整交给设备或工艺工程师,厂商负责模型迭代。相关追问:AI会不会取代班组长?短期内更多是给班组长提供报警和建议,决策权还在人,尤其在小批量多品种场景,规则变化快,人的经验仍是兜底。
四、适合与不适合的边界
适合:已有基础信息化、关键工序数据可采、存在重复性目检或高停机损失设备的中小厂,从单点切入,一个工位一个工位验证。不适合:数据完全空白、订单品种极碎且工艺频繁变更、没有专人跟进运维的厂,先把采集和流程标准化做完再谈AI。判断下一步该关注什么,就看三个问题:这个环节有没有稳定数据、失败成本高不高、有没有人能持续跟进模型表现。三个都答得上来,再动手不迟。