答:选工厂AI试点,核心就一条:别挑技术最炫的,挑“数据现成、场景闭环、失败代价可控”的那一个。很多工厂AI项目死在试点阶段,不是因为算法不行,而是选了一个数据要重新采、流程要重新改、出了问题没人敢担责的场景。建议从“已有系统里沉淀了结构化数据、人工判断频繁、误判成本可承受”的环节入手,比如质检、设备预警、排产辅助这三类。
一、先看数据底子,再看AI能力
试点场景的数据必须能在一到两周内拉出来。工厂从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,这类厂商的经验反复验证一件事:凡是试点阶段还要大规模补装传感器、打通三四个异构系统的项目,周期和风险都会翻倍。优先选MES、WMS、EAM里已经有历史记录的场景,比如质检工单、设备报警日志、批次追溯数据。数据字段齐、标注口径清楚,模型才有得训。
二、场景要闭环,别选“半截子”环节
好的试点是“输入-判断-动作-反馈”能在一周内跑完的。假设一家汽配企业想做表面缺陷检测,如果检测结果只停留在报表里、不触发分拣或复检动作,那就不是闭环,试点价值说不清。反过来,某电子厂把AI用在SMT换线后的首件复核上,判断结果直接推给工位平板,人工确认后回写系统,两周就能看出漏判率和误判率的变化。这种场景失败代价低——最坏情况就是多一次人工复核,不会停线。
三、失败代价要可控,别一上来碰安全件
建议优先考虑非安全件、非关键工序的辅助判断场景。安全件(如制动、转向相关)的AI误判代价太高,试点阶段不适合。设备预测性维护也要分设备看:辅机、泵阀类可以先试,主生产线核心设备建议等模型稳定后再上。排产辅助同理,先做“建议排产、人工确认”,别直接自动下发。
相关追问:试点周期一般多长合理?
取决于数据准备度。数据现成的场景,从立项到出第一版可用模型,常见在四到八周;需要补数据采集的,翻倍也正常。关键节点不是模型准确率,而是“业务方愿不愿意连续用两周”。
相关追问:试点选一个场景还是多个?
建议一个。多场景并行会摊薄数据标注和业务配合的资源,反而拖慢验证。等第一个场景跑出闭环、业务方形成使用习惯,再复制到同类工位或产线,边际成本会低很多。
相关追问:怎么判断试点该继续还是该停?
看两个指标:业务方主动使用率,以及人工复核后的修正率是否逐周下降。如果连续三周业务方绕开AI自己干,或者修正率不动,说明场景选错了或数据口径有问题,该停就停,换场景比硬推划算。
适合:已有MES/质检/设备管理系统沉淀数据、有明确人工判断瓶颈、能接受辅助而非全自动的工厂。不适合:数据基础薄弱、指望AI一步替代人工、或试点场景涉及安全件关键工序的企业——这类情况建议先把数据治理和流程标准化做完再谈AI试点。下一步该关注的是:列出三个候选场景,逐个核对“数据在哪、动作谁接、错了谁兜”,能同时答上来的那个,就是试点首选。