答:工厂AI项目失败,八成不是算法不行,而是死在“数据地基”和“业务闭环”上。很多企业把预算砸在模型和算力上,却忽略了产线数据根本喂不饱AI,或者做完POC(概念验证)就搁置,没人对最终的生产指标负责。
一、数据质量被低估,AI成了“无米之炊”
工厂最典型的问题是数据散、脏、断。某电子厂想用视觉检测替代人工目检,结果发现过去三年的缺陷图片标注标准换了四版,良品和不良品混在一起,模型训练出来误判率居高不下。还有假设一家汽配企业,设备联网率不到四成,关键工艺参数靠工人手抄,AI想分析波动原因,连连续的历史曲线都拼不出来。行业里有个粗略统计,工厂AI项目前期花在数据清洗和对齐上的时间,往往占整个周期的六到七成,这块预算没留够,项目大概率烂尾。
二、场景选错,追求“大而全”而不是“小而痛”
不少企业一上来就想做全厂级智能排产或者无人化车间,跨度太大,业务部门配合意愿低。更稳妥的做法是切一个高频、痛点明确、数据基础尚可的单点,比如注塑车间的工艺参数推荐、包装线的异物检测。某食品厂先只做灌装液位的视觉复核,三个月内把误检率压下来,工人才愿意继续配合下一阶段。反过来,那些一开始就铺开五六个AI场景的,往往哪个都收不了尾。
三、业务部门缺席,IT和算法团队自嗨
工厂AI本质是业务改造,不是IT项目。常见失败画面是:算法团队在办公室调模型,产线班长根本不知道这玩意儿跟自己KPI有什么关系,上线后该人工复核还是人工复核,系统使用率趋近于零。比较好的做法是立项时就拉上工艺工程师和班组长,把“模型准确率”翻译成“漏检率下降多少、换型时间缩短多少”,让业务方背指标。该方案在累计3200余家终端的落地观察里,业务方深度参与的产线,AI功能周活跃度明显高出一截。
四、POC做完就结束,没有工程化落地
POC准确率90%看着漂亮,一到车间环境就崩——光照变化、物料批次差异、设备震动,都会让模型漂移。失败项目往往缺少持续的数据回流和模型迭代机制,上线即巅峰。实践建议是:POC阶段就要同步设计推理服务的部署方式(边缘侧还是云端)、模型更新频率、异常报警和人工接管流程。假设一家机械加工企业,把刀具磨损预测模型直接嵌进现有MES的报警看板,而不是另做一个APP,工人顺手就能用,落地阻力小很多。
五、ROI算不清,预算断供
工厂AI的收益常常是“省了多少停机时间”“减少了多少返工”,这些账财务口径不认,项目推进到一半预算就被砍。建议立项时和财务对齐一个可量化的基线,比如某条线每月因质量异常停线多少小时,AI介入后目标压到多少,用这个口径去要资源。
总结一句:工厂AI项目想少踩坑,先把数据底子摸清,选一个业务方愿意背指标的痛点场景,小步跑通再复制。别指望算法解决管理问题,也别让IT部门单打独斗。120余家客户覆盖15+行业的经验反复说明,那些把业务、数据、工程化三件事同时抓的项目,活下来的概率高得多。