其实大多数公司根本没有为 AI 做好准备

AI不认识老王

去年我们拜访了一家华东门业工厂，规模不小，行业里数一数二。老板希望我们帮他上AI质检，把流水线上的问题件自动挑出来。

我们问了一个问题：你的质检标准是什么？

厂长说，“主要靠老王。”

老王是主任检验员，在这家工厂做了二十年。他能用手摸出一件配件的重量是否在范围内，用眼睛看出表面处理是否合格。他的判断准确率，远高于任何一个普通员工。全厂没有人质疑他。

但老王的标准，是老王自己的。从来没有被写下来，没有被测量，更没有被系统记录过。

AI不认识老王。它只认数据。

这不是这家工厂特有的问题。几乎每一家我们走访的工厂，都有自己的”老王”——可能叫老张，叫老师傅，叫”那个懂行的人”。工厂最核心的知识，不在ERP里，不在SOP文件夹里，在这些人的脑袋里。

这不是老板的疏忽，也不是历史遗留问题。这是中国制造业几十年来的生存方式——在标准化不足的环境里，靠人的经验和默契把事情做起来。它很有效。直到你想把它交给AI。

数据在哪里

华东有一家做针织品的工厂想用AI优化排产。需求是真实的：插单多、产能估不准、工人效率差异大，车间主任每天光排单就能忙半天。

但当我们问到工人的计件数据在哪里，答案是纸质的，每天交一张表，由车间主任汇总，用来发工资。

这家工厂每天产生的所有生产数据，最终只有一个用途——发工资。

它从来没有被用来做任何分析，也没有被系统完整记录过。

浙江还有一家做汽配件的工厂，十几道工序，工序之间的流转靠纸质单传递——每道工序完成后工人签字，单子跟着物料流到下一道。年产值不低，但每道工序耗时多少、哪个环节最容易出问题，没有人说得清楚。

不是不想知道。是从来没有被记下来过。

工厂说不清楚自己

有人说过这样一句话：

大多数人对AI感到沮丧，不是因为AI不够好，而是因为他们没有办法清楚地描述自己想要什么。

放到工厂这个语境里，这句话得再往下走一层：

工厂的真实困境，是没有办法清楚地描述自己是怎么运转的。

AI需要的是什么？你的流程是什么，你的标准是什么，过去发生了什么。这些东西，对大多数工厂来说，根本不存在于任何系统里。它存在于老王的手感里，存在于车间主任的脑子里，存在于那一摞摞签完字就堆进角落的纸质单据里。

AI不是最难的那件事。最难的是：你能不能先说清楚自己。

老王退休那天

我最近越来越担心一件事，但一直没找到地方说。

老王总有一天会退休。

他退休的那天，这家工厂二十年积累下来的质检知识，会跟他一起离开。没有文档，没有记录，没有任何系统留存。下一个老王可能需要十年才能到这个水平，也可能永远到不了。

这个风险，在AI发明之前就存在。只是以前没有人意识到，因为工厂一直就是这么过来的。

AI做的事情，不过是把这个问题放大了——它让”知识在人脑袋里”这件事，从一个管理习惯变成了一个无法绕开的结构性障碍。

我们通常从哪里开始

去年有一家做精密五金的工厂找到我们，第一句话是：“我们想做AI视觉质检，预算准备好了，什么时候能上？”

我们问的第一个问题是：“你的检测标准文档在哪里？”

沉默了几秒。“……应该有，但不知道放哪了。”

我们最后用了将近一个月，帮他们把质检标准重新梳理、结构化，让它变成AI可以理解的东西。这件事和算法没有任何关系，更像是帮工厂做了一次知识整理。

之后的AI部署，反而顺利很多。

这是我们走访过几十家工厂之后，慢慢形成的工作方式——在真正讨论AI之前，先和工厂一起把”你们现在是怎么运转的”这件事弄清楚。弄清楚之后，有时候答案是上一套视觉AI，让摄像头替代人工巡线、做质检和工序合规；有时候答案是做一个AI Agent，把那些靠人脑记、靠电话传、靠群里喊的信息流转起来——排产调度、客户咨询、数据汇报，都可以是Agent接手的事。很多工厂两类问题都有，只是从哪个先动手的区别。但不管哪个方向，跳过”把自己搞清楚”这一步，后面几乎一定会在某个环节卡住。

我们做的事情，用一句话说：帮制造型企业把AI从”想用”变成”真的用起来”。

方向不限于视觉，也不限于Agent，限于你真正需要解决的那个问题。从前期诊断和方案设计，到系统开发、集成和现场落地，我们都可以介入。

不是来卖软件的，是要把问题真的解决掉。

所以我不会劝工厂老板放弃AI。但我越来越会先问他们一个更前置的问题：

你工厂里最核心的那些判断和流程，现在在哪里？

如果答案是”在老王脑袋里”——那不是AI项目的起点，是先要解决的另一件事。

好消息是，这件事可以解决。我们一直在做。

对这个问题有想法，或者正在经历类似情况，欢迎在评论区聊，也可以直接联系我们。

— 觉得有用，欢迎转发给有需要的朋友 —

有问题想聊？扫码加微信

工厂 AI 落地 · 免费诊断 · 不推销软件

凯数科技 · 工业 AI 解决方案