周五下午，一位做精密五金的中小厂老板在车间门口站了十分钟：三台设备的排产表还贴在白板上，质检工位上两位老师傅正对着一批外观件争论要不要放行。订单已经碎到几十件一批，客户还在催交期。他问的其实不是「要不要上 AI」，而是「先动哪一刀，明年这个时候不再靠人扛」。
这类困惑在制造业很普遍。过去靠老师傅目检、靠微信群和 Excel 排产，在批量大、品种少的年代是够用的；但当订单碎片化、交期压缩、年轻人不愿站质检工位，原来的经验传递方式开始失效。问题不在于企业不努力，而在于方法没有跟着订单结构一起升级。
质检的第一个误区：先买相机
很多企业一想到 AI 质检，第一反应是买工业相机、上视觉平台。设备本身没错，错在顺序：没有先定义「什么叫不合格」，没有把缺陷样本和判定边界讲清楚，再贵的相机也只能拍出更清晰的分歧。质检的本质是标准问题，其次才是识别问题。
更现实的做法是先做「缺陷词典」：把近三个月返工、客诉、报废的案例拉出来，按类型、严重度、可接受范围分级，形成一页纸的判定标准。这件事不需要算法工程师，质量主管带着班组长就能做。标准清晰之后，再谈用视觉模型还是人工复判，投入会理性很多。
排产的第二个误区：追求全自动
排产也是同理。不少企业希望系统一键排出最优计划，结果发现基础数据一团乱：工时不准、换模时间靠估、设备状态不透明。此时任何算法都只能输出「看起来很美」的表格，计划员看一眼就放弃，继续回到微信群协调。
可行路径是先把排产拆成「约束收集」和「排序决策」两段。约束收集包括订单优先级、物料齐套、设备可用、人员班次；排序决策才是算法要解决的问题。中小企业不必一步到位，先把约束数字化，哪怕用一张结构化表单每天更新，排产质量就会明显改善。
趋势判断：AI 正在从演示走向工位
过去两年，制造业 AI 的讨论多集中在展厅和发布会；接下来更值得关注的变化，是 AI 开始落到具体工位：质检工位上的复判助手、排产员桌面上的建议引擎、设备旁边的异常提醒。它们的共同点是不替代人，而是把人的判断变得更快、更一致。
对中小企业而言，这意味着投入方式也在变。不必一次性改造整条产线，可以选一个瓶颈工位、一条问题最多的产线先跑通，用几周时间验证「判定是否更稳、排产是否更顺」，再决定是否复制。轻量起步、快速验证，比大项目立项更适合当下的经营节奏。
可执行动作一：用两周做一次质检基线盘点
第一个动作很具体：选一条返工率最高的产线，做两周的质检基线盘点。记录每天检验数量、判定结果、复判情况、漏检流出，把「人判」的稳定性先量化出来。很多企业做完这一步会发现，问题集中在少数几类缺陷和少数几个时段，改进的靶心立刻清晰。
在这个基础上，再引入 AI 复判或辅助判定，才有对比基准。正易龙在行业 AI 落地中常见的做法，是先把缺陷标准和样本组织好，再让模型参与复判，把老师傅的经验沉淀成可复用的判定规则。对读者来说，收益不是多了一套系统，而是返工和客诉有了可追踪的抓手。
可执行动作二：把排产约束搬出一张表
第二个动作同样不复杂：让计划员用一张结构化表格，连续十天记录排产时真正卡住的约束——是物料没到、是换模太慢、还是设备突发故障。十天后做一次归类，通常能看出前三大瓶颈。先解决这三件事，再考虑上排产算法，投入产出比会高得多。
如果企业内部有信息化同事，可以把这张表逐步接到现有 ERP 或 MES 的数据上；如果没有，也不必等。正易龙的智能排产相关能力，强调的正是从约束数字化开始，让计划员从「救火」转向「看趋势」。工具是后手，约束清晰才是先手。
场景延伸：从质检到内容与培训
质检和排产跑通之后，不少企业会遇到新的瓶颈：标准更新了，一线培训跟不上；设备操作要点多，新人上手慢。这类问题可以借助 AI 创作与虚拟工作室，把判定标准、操作规范做成短小的图文或视频课件，让经验以更低成本复制到班组。
数字人在这里的价值也不是噱头，而是把重复讲解变成可回看的内容资产。对中小企业来说，培训成本往往被低估，而它恰恰是质量稳定和排产顺畅的隐性基础。把标准讲清楚，比多买一台设备更能减少返工。