制造业AI落地,最容易踩的5个坑

“

制造业AI落地，最容易踩的5个坑。

一家工厂发生质量异常。检验记录里有缺陷描述，维修工单里有设备处理过程，工艺工程师在工作群里讨论过原因，班组交接本上记着最后怎样恢复生产。

三个月后，同类问题再次出现。现场还是得重新找人、翻记录、核对批次。

这时开会讨论 AI，话题却可能迅速变成：设备还没全部联网，能不能做？系统能不能自动找到原因、直接给出处理方案？是不是先买一套工业大模型？

真正值得先问的是：上一次处理这类问题，时间花在了哪里？哪些证据没有留下？下一次能不能少从头查起？

最近读到一份制造业 AI 场景应用白皮书，其中列出五个常见实施误区。结合我们在现场做异常排查和经验复用的经历，我更愿意把它们看成项目启动前的五道检查题。

“数据基础还不够好”，往往是真问题。但它不等于所有工作都必须等全厂改造完成。

如果要做设备故障预测，缺少连续、可靠的状态数据，确实很难验证。如果要做的是质量异常复盘，现场已经有的检验表、照片、批次号、维修工单和处理记录，可能就足以支持第一轮调查。

关键是先把任务缩小。拿一种最近反复出现的缺陷，找出三到五次真实事件，按时间排好：谁发现的，依据什么判断，试过哪些办法，最后怎样确认有效。资料能串起来，就试着解决一个具体问题；串不起来，也能知道究竟该补哪个字段、哪个记录动作。

当然，不能把“先用现有资料”理解成“脏数据也能直接拿来决策”。产品、批次、时间和处理结果对不上时，先修这些关键口径。

进厂先问一句：最近一次同类异常，大家为了查清经过，分别找了谁、翻了什么记录？

同一个判断，放在不同环节，风险完全不同。

AI 提示“这张照片与上次的划伤案例相似”，工程师可以继续核对；AI 据此自动放行一批产品，责任和损失就变了。不能只问模型准确率，还要问它的输出会触发什么动作。

首期项目可以先让 AI 查资料、汇总过程、提示相似案例、列出待核实的问题。涉及停机、放行、工艺参数调整等决定，应明确由谁审核、依据什么审核、结果记录在哪里。

“人来确认”也不能只是流程图上的一个方框。如果现场人员每天要多核对几十条提示，原来的工作没减，反而多了一项负担，这个方案同样需要调整。

进厂先问一句：AI 答错一次，最坏会造成什么后果？谁有权作最后决定？

“检测表面缺陷”“预测设备状态”“优化排产”“查找历史异常”，都可以叫制造业 AI，背后却是四种不同任务。

表面缺陷检测首先要解决成像、样本和误检漏检问题；设备状态分析需要可靠的时序数据以及对工况的理解；排产要满足设备、模具、人员和交期等约束。大模型不能替代这些任务各自需要的验证方法。

我们见客户时，可以先把一句笼统的“想用 AI 分析异常”拆开：

要找什么依据？要识别什么现象？要比较哪些历史事件？输出是给人参考，还是会进入执行流程？

任务拆清楚了，才知道哪些地方用现有规则就够，哪些需要专门模型，哪些适合用大模型。选型的最后一关，不是演示是否流畅，而是拿客户现场的真实问题测试：找没找对资料，有没有遗漏关键条件，答错了能不能被发现。

进厂先问一句：这项工作实际输入的是什么，结果交给谁用，怎样判定它做对了？

IT 能处理部署、权限、接口和系统运行，却很难独自回答“这次质量异常算不算真正关闭”。

质量部门要核对缺陷和检验依据，工艺人员要判断原因与处理办法，生产部门要决定怎样安排现场工作。业务负责人若只在启动会和验收会上露面，系统即使建成，也可能没人持续提供可靠资料，更没人把结果带进日常流程。

一个小试点也要把责任说清：谁提出问题，谁提供记录，谁审核知识和建议，谁判断试点继续、调整还是停止。外部团队可以帮助整理数据、构建工具和验证效果，但不能代替客户承担现场判断。

进厂先问一句：如果这个问题三个月后仍然反复发生，客户内部谁会为此着急？这个人是否参与试点？

工业现场会变。新材料、新批次、新设备状态出现，检验要求和工艺文件也会换版。曾经正确的答案，可能因为依据过期而变成错误答案。

对异常排查和经验应用来说，后续维护不应只写成一句“持续优化”。至少要落实几件事：新增异常是否经审核后入库；找错资料或回答错误的问题是否被记录和修正；旧版文件是否及时停用；更新以后，原来常问的问题是否仍能得到正确回答。

如果做视觉检测或设备预测，还要持续观察新样本、误报漏报和工况变化。但发现变化，不等于每次都要重新训练模型；先查原因，再决定是调整资料、规则、采集条件，还是模型本身。

这些工作需要人和预算。试点开始前就应谈清楚：谁提供新记录，谁审核，谁维护，多长时间回看一次效果。否则“持续服务”最终会变成一项无人负责的额外工作。

进厂先问一句：三个月后出现一种新异常，谁负责把这次处理经过变成下一次能用的经验？

如果企业现在想试，不妨先拿一件近期发生的质量异常。找齐原始记录，画出从发现到关闭的经过，标出反复找人、反复查资料和缺少依据的环节。再选一两个明确任务交给 AI，例如查找相似案例、整理排查时间线。

试点结束时，别只展示系统能回答多少问题。让现场人员拿真实事件核对：依据是否找对，遗漏了什么，减少了多少查找和整理工作，又增加了多少审核工作。

如果连这一步都不稳定，先补记录与责任分工。如果它确实帮现场少走了弯路，再考虑扩大资料范围、使用岗位和自动化程度。