【本文为个人实操经验总结非商业推广。文中数据来源于多个制造业信息化项目的观察仅代表个体项目情况。】过去两年接手过十几家制造企业的AI项目。复盘下来大部分项目失败的原因惊人地一致——不是技术选错了而是第一步就走错了。所谓第一步指的是这个企业到底先做哪个场景。一、典型症状投入不小产出不明先描述几个反复出现的场景可能大部分做工业数字化的人都见过。症状 1项目立项多真正跑通的少常见情况是一年内立了三个项目每个都配了人、给了预算但都在半年左右停摆。停摆的原因往往不是技术不行而是三个项目同时抢同一批人。症状 2demo 很惊艳上线即失联POC 阶段效果很好PPT 上画得很漂亮一进产线就发现各种对不上现场人员不用、产生的数据质量差、维护没人管。症状 3投入产出说不清明年预算被砍这是最致命的。做了一年问一句「省了多少人、提了多少良率、减少了多少停机」答不上来。财务不认明年就没预算了。二、根因分析三个认知错位把上面的症状往深处追能归到三个认知偏差上。错位一按「哪个技术热门」选场景而不是按「哪个问题最痛」这是最普遍的错误。技术选型是第二步场景选择才是第一步。顺序颠倒是本末倒置——就像先决定用什么锤子再去找钉子结果发现要敲的东西根本不是钉子。错位二把AI当成一个系统项目而不是一个数据项目AI应用落地的瓶颈八成出在数据不在模型。典型情况现场设备老旧数据根本没有采集或者数据分散在几个系统里字段定义还不一致再或者数据是有的但标注质量极差——这两种缺陷照片混在一起标注员自己都标不一致模型自然学不会。错位三忽略了「组织能不能接得住」技术可行 ≠ 落地可行。如果一个新系统要求一线员工每天多填三张表而原来的表格他们已经填习惯了——那么被弃用几乎是必然的。技术团队往往低估了这件事的阻力。这里有个务实的做法选场景时把「一线愿不愿意用」当成一个硬指标而不是软加分项。三、可复用的做法场景优先级四维评估基于上面的分析我在项目启动阶段会做一次场景优先级排序。四个维度一起打分不做加权平均加权平均会掩盖短板而是取最短板。维度 1数据可得性权重最高作为一票否决项这件事的数据现在能不能拿到拿不到就先放一放。判断方法很直接去现场看一眼数据从哪来、什么格式、多久更新一次。比开三次会比看一次现场更管用。维度 2痛点强度这件事现在有多痛痛到影响交期、成本还是合规一个鉴别办法问一线主管「如果这个问题半年内不解决最难受的是哪一点」。答不上来的场景通常痛得不够。维度 3见效周期多久能看到效果如果要等一年以上业务侧的耐心很难支撑。建议第一期场景选择3个月内能出结果的——这不只是为了好看是为了拿到续投的预算。维度 4团队接受度一线愿不愿意用如果天天增加工作量一定推不动。这里有个技巧优先选「本来就在做、只是很烦」的场景。这类场景的接受度天然最高因为改变对一线来说是减负而不是加负。四、可以直接用的制造业AI场景清单下面这几个场景在制造业里跑得比较普遍供选场景时参考。生产排产需求预测 约束求解优化排产顺序。适合多品种、小批量、订单离散的车间。投入相对可控效果直接体现在交期和产能利用率上是不错的第一期选择。AI质检从外观缺陷到尺寸偏差做视觉检测。适合外观缺陷可定义、有标准样本的工位。需要注意的坑样本质量决定上限。缺陷种类如果没覆盖全上线后遇到没见过的缺陷类型就容易漏检。设备预警基于振动、温度、电流等信号做早期识别把被动抢修变成主动提醒。前提是具备传感器覆盖或者加装采集设备的成本可接受。没有数据采集后面都是空谈。制程管控把制程参数与质量数据关联实时监控关键参数漂移。适合工艺参数稳定、数据采集基础较好的产线。EHS巡检识别留痕 异常自动预警。适合对合规记录有明确要求、现场点位多的企业。这类场景的优势在于价值容易量化——合规检查的记录完整性可以直接审计。图纸解析二维图纸与三维模型的信息自动提取、打标、归档。适合图纸量大、版本管理混乱的研发与工艺部门。智能知识库把工艺文件、设备手册、历史工单沉淀成可检索、可问答的知识。针对的是「人走知识走」的问题——人员流动快的企业这个场景的价值往往被低估。五、投入产出怎么算三个容易算错的地方很多项目的ROI算不出来是因为漏项。漏项一内部人员投入这是最常被漏掉的一项。业务部门配合梳理流程、确认规则、试用反馈都是真金白银的时间成本。粗略的经验值系统上线前的梳理阶段业务部门投入通常不少于项目总投入的 30%。这部分必须算进去否则预算一定超。漏项二数据治理成本接口开发、数据清洗、字段对齐、缺失值处理——这些成本经常被合并进「实施费」然后被整体低估。如果目标数据分散在三个以上系统这项成本要单独列出来。漏项三效果衰减很多测算假设模型上线后效果恒定。实际上设备老化、工艺调整、员工熟练度变化都会让效果衰减。务实的做法按效果的 70% 做保守测算把衰减因素提前计入。六、90天行动计划怎么排场景选定之后建议按这个节奏推。第 1—2 周 现状盘点业务场景、数字化基础、数据条件、组织能力逐项过一遍第 3—4 周 方案确定明确首批场景、实施方向、责任分工与验收标准第 2 个月 试点上线选一条产线或一个工位跑通收集实际数据第 3 个月 复盘调整用试点数据修正模型与流程决定是否扩大范围。每个阶段都要有可验收的标志——不是「持续推进」而是「试点线不良率下降 X%」这种能被检验的东西。七、几个容易踩的坑别一上来就做全厂铺开。先在一条线跑通复制成本远低于试错成本。别用「AI」当立项理由。立项理由应该是业务问题AI只是解法之一。别忽略数据采集。很多项目失败在起点——数据根本没有或者质量太差。别低估组织阻力。改变员工的工作习惯比开发一个系统难得多。别把 AI 当独立项目。它应该长在现有业务流里而不是旁边再立一个系统。八、小结回到开头那个问题为什么大多数制造业AI项目死在第一步因为第一步本来就最难。选场景这件事没有标准答案它需要同时理解业务、数据、技术和组织四个维度——而大多数项目只做了其中一到两个。如果觉得纯靠内部力量想不清楚也可以考虑找有行业经验的团队做一次外部视角的梳理。行业里有些机构会组织这类线下工作坊比如逐米时代办的制造业AI数智化转型方案班10月29日成都据他们的说法会带着企业走一遍从场景筛选到90天计划的完整流程。仅供参考具体还是要因企制宜。【以上内容为个人实操经验总结不构成任何形式的服务承诺或商业推荐。如有不同意见欢迎在评论区交流。】原创声明本文为个人实操经验总结观点来自多个制造业信息化项目的一线观察。