制造企业从哪个 AI 场景起步？先做质量、设备还是供应链

制造企业谈 AI，常在视觉质检、预测性维护和供应链预测之间摇摆。三类场景都可能创造价值，却依赖完全不同的数据、设备和组织条件。选择起点不能看同行演示，而要看本企业当前损失、现场数据成熟度、控制风险和改善责任。好的首个项目应能在一条产线或一个物料族中验证，同时不直接威胁生产安全。

先算清最大的可控损失

质量场景关注报废、返工、客诉和检验人时；设备场景关注停机、备件、维护和产能损失；供应链场景关注缺料、库存、加急和交付延误。应使用近六到十二个月数据形成基线，并区分能由 AI 影响的部分。总损失很大但原因主要在合同和产能规划，也不适合作为模型项目。

质量场景适合图像稳定的工序

视觉质检需要缺陷定义清晰、拍摄条件可控、样本能覆盖正常与异常。若不同班组对缺陷判定不一致，应先统一标准。稀有但严重的缺陷不能只依靠历史数量，需要专家构造边界样本。首期通常采用 AI 提示加人工确认，记录漏检和误报，达到门槛后再逐步自动分流。

设备场景依赖完整的状态与维护记录

预测性维护不只是采集传感器数据，还要知道何时发生故障、采取了什么维修、零件是否更换以及生产负荷。没有故障标签时，可以先做异常监测和健康趋势，而不要承诺准确预测剩余寿命。模型告警必须连接点检工单，并由工程师反馈是否有效。

供应链场景需要先统一计划口径

需求预测、库存优化和排产涉及销售、采购、生产与仓储。若各部门使用不同物料编码、提前期和安全库存规则，AI 只会放大冲突。可以先选需求相对稳定的产品族，建立预测基线，并让计划员看到影响因素和置信区间。重大促销、客户项目和供应中断仍需要人工判断。

控制风险决定自动化程度

质量放行、设备控制和生产排程都可能影响安全与交付。首个项目应从建议、预警或辅助分类开始，保留人工确认和原系统回退。任何直接写入控制系统的动作，都需要权限、联锁、测试和异常处置。模型输出不稳定时必须自动降级，而不是让现场等待云端恢复。

现场条件常比模型更重要

相机角度、光线、传感器校准、网络、边缘设备和操作习惯会决定项目成败。项目组必须进入现场观察多个班次，不能只在会议室看数据。设备维护、工艺和 IT 人员应共同参与，明确谁负责硬件、数据、模型和工单。现场无法稳定采集，再先进的算法也无法持续运行。

建立对照与真实验收

选一条代表性产线或一个设备组，保留对照班组，连续运行足够周期。质量项目看漏检、误报、检验节拍和客诉；设备项目看有效告警、提前量、停机与维护成本；供应链项目看预测误差、缺料、库存周转和人工调整。不能只用实验室准确率替代经营指标。

把专家经验沉淀为企业资产

工艺工程师、维修技师和计划员对异常的解释，往往比原始数据更稀缺。系统应记录他们为何接受或否决建议，并形成缺陷字典、故障模式和例外规则。激励专家参与，而不是把项目宣传成替代专家。经验被结构化后，才可能复制到更多产线和工厂。

从单点复制到工厂级能力

试点成功后，先检查其他产线的设备、工艺、数据和人员是否相似。需要建立模型版本、设备配置、阈值、监控和再训练机制，避免简单复制。工厂级平台的目标不是一个模型覆盖所有场景，而是用统一治理降低每个新场景的交付成本。

老板的下一步

让质量、设备和供应链负责人各带一张损失清单与真实样本，按价值、数据、风险和现场条件评分。选出一个可在九十天内验证的场景，并写明人工兜底。制造业 AI 的第一步不是追求无人化，而是让现场问题更早被发现、决策更有证据、改善能够持续。