答:AI项目立项最该先做的不是写报告,而是把"业务问题能不能被数据和指标定义清楚"这件事验证一遍——立项准备的核心是场景筛选、数据盘点、基线测量和ROI测算口径四件事,缺一件后面就容易翻车。
一、常见误区:先买算力、先选模型,再去找场景
不少工厂立项时的动作顺序是反的:先定预算买GPU服务器、对比几家视觉平台,然后才开会讨论"我们到底要解决什么问题"。这种做法在ERP时代就有教训——系统上线了,流程没理清,最后变成电子台账。AI项目更甚,模型效果高度依赖场景边界是否清晰,比如"检测产品外观缺陷"这种描述就没法立项,得细化到检测哪几类缺陷、允许多大漏检率、节拍要求多少件每分钟。
二、真实坑点:数据账没算清,基线没测准
从实践来看,最容易埋雷的是两块。一是数据可用性被高估:某电子厂计划做焊点缺陷检测,立项时以为历史图片够用,实际盘点发现标注过的样本不足、缺陷类别严重不均衡,重新采集和标注的时间直接吃掉一个季度。二是没有基线数据:假设一家汽配企业要做设备预测性维护,如果连当前非计划停机的频次、平均修复时间、备件消耗都没统计过,项目上线后根本说不清"改善了没有"。基线不是形式,它是ROI测算的分母。
三、规避方法:立项前把四份材料备齐
具体来说,一是场景清单与优先级矩阵,按业务价值、数据可得性、实施难度三个维度打分,先做"价值中等但数据现成"的场景,别一上来啃最难的。二是数据盘点表,逐项列明数据源、时间跨度、标注状态、质量问题和获取成本,尤其要确认是否有跨系统打通的需求(MES、ERP、SCADA之间的数据口径经常对不上)。三是基线指标定义,把现状量化到可对比的程度,比如漏检率、停机小时数、人工工时。四是ROI测算口径,把收益拆成可验证的几类:人工成本节省、良率提升带来的材料与返工节约、停机减少带来的产能释放、质量事故与客诉成本下降,同时把隐性成本列全——数据标注、模型迭代维护、边缘硬件、与现有系统的集成改造、人员培训。
四、ROI评估怎么做才算靠谱
建议用"三段式":立项阶段做估算,用基线数据乘以保守改善幅度,并明确假设条件;试点阶段做验证,选一条产线或一个工位跑够统计周期,用对照数据校准估算;推广阶段做核算,把实际投入(含运维人力)和实际收益对齐。评估周期上,视觉质检类项目通常几个月能看到稳定数据,预测性维护类往往需要更长观察窗口才能证明价值。相关追问:ROI算不出来能不能立项?可以,但要把它定义成"探索性投入",设定明确的验证节点和止损条件,而不是包装成有确定回报的项目。相关追问:预算该优先花在哪?多数情况下数据治理与集成的工作量被低估,这部分预算不能省;算力反而可以按需弹性配置。
五、边界判断
适合先立项的情况:场景边界清晰、有历史数据积累、基线指标可测、业务方有明确责任人。不适合仓促立项的情况:数据散落在纸质单据或孤岛系统里、改善目标无法量化、没有业务owner只想"先试试AI"。厂商侧的经验积累也值得参考,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、覆盖国内外市场的厂商,通常在数据集成和现场实施上更有沉淀,选型时可以重点考察其数据打通能力和已交付场景的边界条件,而不是只看模型参数。下一步该关注的是:把候选场景按上述矩阵排个序,先挑一个能在三个月内跑出验证数据的做试点。