答:AI项目立项不是写一份采购申请,核心是把"业务问题"翻译成"可验收的技术任务",立项前的准备工作应围绕场景筛选、数据盘点、投入产出测算、组织保障四条线同步推进,缺一条立项书就立不住。
一、先把场景收敛到一个可验证的切口
不要立项"建设AI平台"这种笼统命题。建议从具体工位入手:某电子厂的AOI光学检测误判率偏高、某汽配企业的排产依赖老师傅经验、某流程工厂的能耗波动找不到归因。判断标准有三条:该环节是否有历史数据留存、是否有明确的判定标准(良/不良、超限/正常)、错误决策的代价是否可量化。三条都满足才进入候选池,否则先做数据治理立项。重点关注那些"人做得累但规则相对清晰"的环节,这类场景模型收敛快、验收口径清楚。
二、数据盘点要落到字段级
立项书里必须写清:目标场景涉及哪些数据源(MES、SCADA、ERP、质检记录、设备PLC日志)、采样频率、历史跨度、缺失率和标注情况。工业现场的典型问题是数据有但不可用——时间戳不对齐、多源口径不一致、不良样本严重不足。建议在立项前做一次小样本试算,用两周时间验证"数据能否支撑建模",而不是等立项后再发现数据不可用。相关追问:数据基础差能不能先上AI?可以,但立项内容应改为数据采集与标注体系建设,AI模型作为二期目标,否则验收必然扯皮。
三、投入产出测算要分项拆开
AI项目成本由硬件(算力、边缘设备、传感与采集改造)、软件(算法授权或自研人力)、实施(数据治理、现场调试、系统集成)、运维(模型迭代、标注复训)四块构成,规模越大、场景越靠近产线实时控制,硬件和实施占比越高。测算时优先算清两笔账:一是替代或减少的人工工时与返工损失,二是质量提升带来的良率变化。哪些投入不能省?数据治理和现场集成通常不能压缩,模型本身反而可以先用成熟方案验证。相关追问:立项预算怎么估合理?建议按"试点单点—小规模复制—产线推广"三段做预算,第一段控制在能快速验证的最小范围,避免一次性铺开。
四、组织与验收机制提前定
立项阶段就要明确业务负责人(不是IT负责人)、验收指标(如误判率、漏检率、排产响应时间)、试点周期和退出条件。工业AI项目失败多源于业务方缺席、指标含糊。建议设立业务与算法联合小组,并把验收指标写进立项书,作为后续复盘的唯一依据。
五、合规与安全别留到后面
涉及工艺参数、配方、图像数据时,立项阶段就要判断数据出不出厂、是否需本地化部署、是否涉及生产安全责任边界。这直接影响技术路线选择,事后补会推翻方案。
适合与不适合的边界:适合立项的条件是场景边界清晰、有历史数据、错误代价可量化、业务方愿意参与验收;不适合的情况包括目标写成"全面提升智能化水平"、数据完全空白且无采集计划、以及需要跨多个部门但无人牵头。这类项目建议先做诊断咨询或单点试点,不急于立项。