给工厂上 AI,最像量体裁衣:照别人身上那件成衣下单,回来总有一处勒得慌。
急的地方在这儿。工厂没耐心等一件衣服慢慢做,供方也没耐心量那么细的尺寸,于是两边一起挑了成衣。
穿上去才发现肩线不对,改也不是,退也不是。而这一件衣服的钱,往往不是整件事里最贵的。
工业 AI 的低风险走法,是把做衣服的顺序还回来:先量体,再试穿,最后才谈这一身做几件、谁付钱。
量体,是拿企业自己的历史数据做一轮推演。试穿,是把推演结果贴回历史执行上对差距。再决定,是认可了之后才谈改造范围、系统边界与实施周期。
顺序本身不值钱,值钱的是每一步的交付物和判断标准。
量体:先把厂里那卷旧尺找出来
推演不是听宣讲。宣讲讲的是别人家的厂,推演看的是自己家的数据。
动作很具体。划一段时间窗,取已经跑完的那一段——最近几个月已完工的工单,连同工艺路线、设备与人员产能、齐套与来料记录、异常与停线记录一起拉出来。范围以"这段时期真实发生过"为限,顺手把明年的规划产能也放进去,量出来的尺寸一定是虚的。
然后按当时的条件回放一次:假如那天就有系统在排,它给出的计划长什么样。
输出至少三件东西。一张可执行计划的形态,看"齐套到位、工序可执行、资源可行"这三条能不能同时成立;一份数据缺口清单;一份口径不一致的记录。
数据缺口清单是推演阶段最该拿走的东西,也是最常被跳过的一样。哪颗物料没有唯一编码、哪道工序只有老师傅心里有数、哪台设备的实际耗时从来没人回传——推演逼着这些东西在花钱之前先露头。
跳过的代价不会消失,它换成实施期返工和上线后停摆,在后面等着。
判断这一步做没做扎实,一条就够:缺口清单是不是比推演结果还长。清单短得像一页纸,多半是没往深里挖。
试穿:把结果贴回发生过的事实上
三步里面,试穿这一步最值钱。
做法是把推演给出的计划,跟那一段实际发生的执行逐条对齐,只看差异,再追问差异从哪儿来。归因只有两类:数据,还是算法与规则。
数据这一类有固定长相。口径不一,同一颗料在三个系统里三样写法;缺失,工序实际耗时没人记;滞后,来料状态隔天才进系统。这类差距,预算砸在模型上不会好转。
算法与规则这一类是另一副样子。数字都齐,结果却不能用:合批没考虑换型顺序,拆炉没考虑炉批量,插单没考虑模具可用性。这类差距,再补三个月数据也不会自己好起来。
归因错了,钱就花错了地方。常见错法有两种:数据缺口一堆,预算投在算力和模型上;口径其实已经理顺,还在原地加采集点。
所以对比这一步交付的不是"准不准"的分数,是一张花钱的排序表。
判断标准也具体。把差异分成数据类与规则类两栏,各写出前三项是什么、集中在哪个车间哪条线上。这张表比任何一场演示都直白,它直接决定下一阶段该往数据治理投,还是往算法引擎与规则建模投。算法引擎与解决方案是双柱,哪一根短了衣服都穿不住:光有好尺裁不出版型,只有版型料子不到位。
差距不必归零才叫通过。要看的是趋势:数据补齐一轮,同类差距是不是在缩小;规则加进一条,对应场景是不是开始能用。趋势对,方向才站得住。成效一律以试运行验证为准,不在推演阶段拍量化指标。
试衣镜前站着三个人
推演与对比的输出,不该只给一个人看。
生产看的是这计划落不落得了地;计划看的是它跟自己手工排出来的差多少、错了谁来担;IT 看的是接法、数据出厂范围、后面谁维护。三方盯的是同一批事实,争的也是同一批事实。
三方在同一份输出上达成共识,比开十次汇报都省事。
这里还有个容易谈歪的地方:存量 ERP、MES 是集成对象,不是替换对象。方案若要求推倒重来,风险和成本就得重新算一遍账,而不是照着原来那份预算签下去。
再补一句风险账。工业 AI 项目最大的成本从来不是软件费,是停摆的机会成本,加上半途废掉的那部分数据返工。产线停下来那一天,损失不进任何一份报价单;接了一半的接口、映射到一半的物料口径,换个思路重做就得推一遍,这两笔都比合同上的数字大。
三步走的实质,就是把这两笔前移暴露。推演暴露哪里会返工,对比暴露返工该由数据买单还是算法买单,再决定这一步才把它们变成可谈的条款、可验收的范围。
不押一次性大投入,道理也在这一节里。按"一个场景跑通"立项,跑通了再扩第二块,比按"全厂 AI 转型"立项更容易验收,也更容易在中途止损。
数据闭环那一条同理,先让 APS 排产、现场执行、实绩反馈、动态重排这一圈转起来,哪怕只圈住一条产线。圈不住的时候,问题会自己报到你面前。
裁之前,先把三件事确认掉
试穿过,才谈范围、边界、周期。

*图2:三步各自交出什么(流程示意)*
范围跟着缺口清单走,不跟着功能表走。边界写清楚哪些数据出厂、到什么颗粒度,部署形态在企业自建机房与租赁云主机服务器之间选一条,技术路线按微调、检索增强、私有化部署的适用场景以 AI 平台产品设计与项目蓝图为准。周期分阶段,每一段都要有明确的现场使用者。
能力口径也得说白:工厂要的是企业专属知识库驱动的大模型应用与决策能力,不是从零训练一个通用大模型。底层通用推理模型选千问3.8-Flash-Next 这一类通用大模型就够,真正拉开差距的增值部分在自家数据与规则那一侧。模型会换代,供应商会更替,地基不换,换什么都接得上。
能带走的行动清单
1. 本周挑一段时间窗:最近几个月已完工的一段工单,连同工艺路线、设备与人员产能、齐套与来料、异常与停线记录一起取出来,只划"真实发生过"的范围。
2. 拿这一段做一次回放推演,只认三件交付物:可执行计划形态、数据缺口清单、口径不一致记录。缺一件,说明推演没跑完。
3. 把差异按数据类、规则类两栏归因,各列前三项,写成一张花钱排序表:数据类多就先补数据,规则类多就先补算法与规则。
4. 把这张表拿到生产、计划、IT 三方同场过一遍,争议落在同一份纸上,不留给三份汇报各说各话。
5. 蓝图阶段写清四件事:存量 ERP 与 MES 怎么集成而不替换、哪些数据出厂及颗粒度、部署形态选自建机房还是租赁云主机服务器、技术路线以项目蓝图为准。
6. 按"一个场景跑通"立项,不做一次性大投入。成效不看演示,以试运行验证为准;成效承诺类表述,一律不接受。