周五下午，质量例会上又吵起来了。质检主管说这批外观件“看着不对”，生产主管说“客户催得急，先发”。老板夹在中间，问了一句：到底谁说了算？没人能拿出数据。类似场景在中小制造企业里反复上演——不是没有质检，而是质检靠眼睛、靠经验，结论没法沉淀，更没法复用。
另一头，排产靠 Excel 和微信群。插单来了，计划员手动改表，改完忘了通知车间；设备临时故障，调度靠吼。结果不是交期延误，就是半成品堆在产线。老板们不是不知道 AI，而是不确定：这套东西，我们这种规模用得起、用得动吗？
误区：AI 质检不是买相机
很多企业第一次接触 AI 质检，以为核心是买工业相机和算法。实际上，真正决定成败的是缺陷样本的积累和标注。没有足够多“坏样子”，模型就学不会什么叫坏。常见做法是先选一条返工率最高的产线，用两周时间集中收集缺陷图片，按类型归档，再谈模型训练。
另一个误区是把质检当成纯技术项目，交给 IT 部门闭门推进。质检标准往往藏在老师傅的脑子里，不把他们的判断逻辑挖出来，模型只会“看起来准”，实际误判率居高不下。正确姿势是：质量、生产、IT 三方坐在一起，先定义清楚“什么算缺陷、什么算可接受”。
趋势：从单点检测到闭环反馈
过去 AI 质检多是单点部署：相机拍、模型判、人工复检。现在领先的做法是把检测结果直接反馈到工艺参数和排产系统。比如某类缺陷连续出现，系统自动提醒调整设备参数，或把该批次优先排给稳定性更高的机台。质检不再是终点，而是生产优化的起点。
智能排产也在变化。早期排产软件追求“最优解”，但中小企业订单杂、插单多、设备状态不稳定，理论最优往往执行不了。更务实的趋势是“可解释的排产”：系统给出建议，计划员能看到为什么这样排，并能手动微调。人机协同，比全自动更落地。
方法一：用缺陷样本库启动质检
如果你决定尝试 AI 质检，第一步不是选供应商，而是建一个最小可用的缺陷样本库。选一条产线、一个工位、一类缺陷，收集至少几百张图片，覆盖不同光照、角度和批次。同时记录人工复检结果，形成“图片—判断”对照表。这个动作不需要大预算，却能让你在后续评估中占据主动。
第二步，设定一个可衡量的目标。不要一上来就追求 99% 准确率，而是先看“漏检率能否降到人工水平以下、误判率是否可接受”。用两周时间做小范围对比测试：AI 判、人工复核，统计差异。有了数据，再决定是否扩大范围。这样既控制风险，也让团队建立信心。
方法二：用约束清单跑通排产
智能排产落地难，往往是因为约束条件没写清楚。建议先做一张“排产约束清单”：设备能力、模具寿命、人员班次、物料齐套、客户优先级、换型时间。把这张清单和计划员一起过一遍，按重要性排序。很多企业做完这一步就发现，问题不在算法，而在基础数据缺失。
清单有了，再选一个典型周做模拟排产。用系统跑一版建议计划，和人工计划对比，看差异在哪里、谁更合理。不要急着替换现有流程，而是让系统当“第二意见”。跑通几周后，计划员会自然发现哪些场景系统更靠谱，哪些还需要人工干预。这时再谈集成和自动化，水到渠成。
场景：两条产线的轻量改造
典型场景一：注塑车间。外观缺陷靠目检，漏检率高。企业用一周时间收集缺陷样本，部署轻量质检工位，先做“AI 初判+人工复核”。一个月后，漏检率明显下降，复检工作量减少，老师傅的经验也被沉淀成标注规则。
典型场景二：机加工车间。订单杂、插单多，计划员每天花两小时改表。企业先梳理约束清单，再用排产工具生成建议计划，计划员手动调整后一键下发车间。插单时系统自动重排并提示影响交期，沟通成本大幅降低。两个场景都不追求“无人化”，而是让人做更少重复劳动。
行动：本周可以做的两件事
第一件：选定一条产线，启动缺陷样本收集。指定一名质量工程师牵头，用手机或现有相机拍两周，按缺陷类型建文件夹。同时记录人工判断结果。第二件：拉上计划员，列出排产约束清单，标出哪些数据缺失、哪些靠经验。这两件事不需要采购、不需要立项，却能让你在下次评估 AI 方案时，问出真正关键的问题。
AI 在制造业的价值，不在于替代人，而在于把分散在老师傅脑子里的判断，变成可复用、可优化的组织能力。质检如此，排产亦如此。先从一个小场景跑通闭环，再谈规模化——这是中小企业最稳妥的路径。正易龙在行业 AI 与虚拟工作室等方向上的实践也表明，轻量起步、快速验证，往往比大而全的方案走得更远。