AI 不是用来看的，是用来少一个人加班的

先讲一件真事。

宁波有家做汽车零部件的厂，一批出口订单出了状况——客户发现橡胶密封圈有装配扭转，判为质量风险，整批面临退回。

十几万的运费，加上货款，都得自己扛。

问题出在哪？那种扭转，肉眼几乎看不出来。 传统的视觉检测也做不了，过去全靠老师傅盯着看。

厂里当时急了，让海外的工作人员逐一拍照传回，用自研的 AI 模型筛查。不良品及时回收，合格的那批才顺利交出去。

这件事之后，他们把 AI 检测从"应急工具"，变成了产线上的标配。今年上半年，AI 检测正式接入了全自动化全检流程。

（这是新华网今年 8 月的报道，厂子是宁波鄞州的圣龙股份。）

但我今天不想一上来就劝你上质检

因为我见过太多的坑，恰恰是"从最难的地方入手"。

有个厂老板跟我聊过，说想上 AI。我问他想先做哪块，他说：想先做设备预测性维护。

我说：你设备上有多少年的运行数据？

他愣了一下，说：好像……没怎么存。

这就是问题。

预测性维护这类事，是要吃数据的，而且得吃好几年的。你手上没有，就得先攒——那这个项目第一年基本等于白干。

所以这篇文章，我想把话说清楚：一个汽配厂，AI 到底能用在哪，以及从哪一步开始最划算。

一、最该先做的，是报价和文档

这一块最不起眼，但它是唯一一块"数据现成、不碰产线、几周能见效"的。

我先说说汽配厂最痛的地方在哪。

第一，报价。

"这个图纸多少钱？"——在很多汽配厂里，这句话只能问某一个人。

那个人不在，就卡住了。客户催着要，业务员只能等。

能不能让 AI 干这个？

可以。流程大概是：客户发来图纸或者清单 → AI 识别尺寸、材质、工艺要求 → 匹配历史报价 → 生成报价单初稿 → 那个老师傅只看一眼、改一改。

★ 关键不在于 AI 报得多准，在于它把"从零开始"变成了"改一改"。

第二，客户要求。

做汽配的都知道，IATF 16949 是一层，主机厂的 CSR（客户特殊要求）又是一层，各家还不一样。厚厚一摞文件，新人根本看不完。

把这些文件做成知识库，问一句话就能出答案——这个技术现在已经很成熟了。

第三，那堆报告。

8D、PPAP、过程审核……写这些不是为了客户，是为了交差。 AI 起草初稿，人改，能省掉一大半时间。

第四，外贸沟通。

做出口的厂，邮件、翻译、时差，都是耗人的活。

★ 为什么我建议从这四件事开始：

① 数据是现成的。 订单、图纸、报告，本来就躺在你电脑里，不用新采集。

② 不碰产线。 不停线、不动设备，车间主任不会有意见。

③ 老师傅的经验能留下来。 这是汽配厂最值钱、也最容易流失的东西。人一走，报价逻辑就断了。

④ 老板第二天就能感觉到。 一单报价从半天缩到一小时，这是看得见的。

二、第二步：让 AI 当个"员工"

这一步要接 ERP、MES，投入比第一步大，但效果也很直观。

南京高淳有家做汽车空调管路的厂，年产 1.2 亿件，七成出口，一年卖三个多亿。

今年他们做了个叫"艾小飞"的 AI 智能体，岗位定得特别清楚——

看现场、盯进度、发异常、查数据。

干的活是订单跟踪、产能测算、效率分析、质量分析、出货跟踪，加上办公自动化。

结果，他们说彻底告别了人工统计和手动排产。

我最在意的是车间班长说的一句话。 这位班长在厂里干了十多年，他说：

"如今每位工人借助智能化辅助系统，可以同时兼顾两三个生产设备。"

一个干了十年的班长，说这话是有分量的。

（这是南京高淳区政府网站今年 7 月的消息。）

★ 我特别想说的是这家企业的目标，定得特别实在：

"让公司看到 AI 真的有效，让员工感到 AI 对工作有帮助。"

没有一句"打造智慧工厂""构建数字孪生"。

三、最难的，但也是最硬的：质检

回到开头那个密封圈。

这一块的价值特别大，因为它是直接和钱挂钩的：拦下一个不良品，可能就省下一批货。

但它也是门槛最高的。

高在哪？两处。

第一处：缺陷太"轻"，传统方法做不了。

那种密封圈的轻微扭转，传统视觉检测是按规则判的——量尺寸、比形状。可它不是尺寸不对，是"转了一个小角度"，规则写不出来。

得靠模型学。 这家企业已经标注了几万张缺陷图片，建了自己的数据库。

第二处，也是最值得学的：他们已经不满足于"替人看照片"了。

现在是"多维度数据融合判断"——

把视觉数据、气密性压力数据、装配工况数据，三样合在一起判。

为什么？报道里举了个例子，我一听就明白：

一个密封圈装得少了一点，腔内压力偏高，但经过后续压装，最终仍然达标。

单看一项数据会误判。多维融合，才判得准。

★ 这一条其实道出了工业 AI 的真正门槛：不是算法，是"你懂不懂这道工序"。

不懂工艺的人去做质检 AI，做出来的东西车间不会用。

四、第四步：设备和工艺

预测性维护、工艺参数优化、模具寿命管理。

我不是说它没用——它很有用，是很多厂的终极目标。

但它得排最后。 因为它要吃的是设备长期运行数据，而大部分中小厂手上没有。

你先把前面三步做了，数据自然就攒下来了。到时候再做，水到渠成。

反过来，一上来就做，多半是做成了一个漂亮的监控大屏。

五、说句实在话：中小企业别自己攒数据

这是我最想跟中小厂老板说的一条。

那家做质检的厂自己说了：不同产品的缺陷特征千差万别，单靠一家工厂的数据集远远不够。

龙头都嫌不够，中小企业更别想。

那怎么办？宁波鄞州给了个办法，我觉得值得抄：

区属国企联合本地服务商，依托龙头企业的真实产线资源，建成了 1 个通识数据集 + 6 个专识数据集，累积三维视觉和质检数据超过 80 万组。

这样一来，中小企业不必从零起步，可以共享数据资源和算法能力，昂贵的试错成本被摊薄了。

★ 翻译成大白话：

别自己闭门造车去标几万张图。找已经跑通的地方借力，或者几家同行联合建。

（鄞州那个区，汽车零部件关联企业超过 900 家，是浙江第一批人工智能赋能制造业试点，主攻方向就是汽车零部件。人家是拿一个区的量在摊。）

六、也有几句实话不好听

我不想把话说得太满。

那篇报道里，有位企业家说了这么一句：

当前工业 AI 仍处于探索和深化阶段，距离"自主学习、自主校验、自主优化"的理想状态，尚有较大空间。

具体卡在哪：

· 技术上：机器人长时间、高精度运行，在控制精度、稳定性和散热上仍有挑战· 经济上：企业在算力投入、设备训练、场景验证上，成本都不低

所以如果你听到有人跟你说"上了 AI 就一劳永逸"，你可以直接不信。

最后

我见过太多 AI 项目，最后变成了展厅里的一块大屏。

热闹，好看，也花了不少钱。但你去问车间：它让你少干了哪件活？没人答得上来。

那篇报道里，有位企业负责人说了一句话，我觉得整篇都在讲这一句——

"AI 不是用来展示的，而是用来解决真问题的。"

所以我给自己定了个特别笨的判断标准。不管谁给我推 AI 方案，我就问一句：

它让谁，少干了哪件具体的活？

答得出来，值得聊。答不出来，就是噱头。

你也可以拿这句话，去问问来找你的那些供应商。

想问你一件事：

你们厂现在最耗人的是哪一道工序？

是报价，是排产，是质检，还是那堆永远写不完的报告？

留言说说。我想看看大家的痛点是不是在一块儿——如果扎堆，那可能就是最该先做的那一步。

数智化老班长

文中数据来源：新华网《宁波鄞州汽车零部件车间用算法解决生产线难题》（2026-08-26）；南京市高淳区人民政府《汽车零部件产业集聚区来了新"员工"》（2026-07-24）。