车间里，质检员拿着强光手电，对着刚下线的金属件反复翻转，试图在反光表面找到那一道0.2毫米的划痕。同一时间，生产经理的手机响了——客户催问订单进度，而排产表上插单、换模和缺料的信息还停留在昨天下午的版本。这是许多中小制造企业每天都在上演的场景：质检靠人眼，排产靠经验，数据在Excel和微信群里流转。
当订单波动变大、产品型号变多，这种模式很快会触到天花板。漏检率上升带来客诉和返工，排产混乱则导致交期延误和产能浪费。企业主意识到要改变，但面对市场上五花八门的AI方案，往往不知道从哪里切入。
误区：先买算法，再找场景
很多企业接触AI的第一步，是让供应商演示一个“高精度缺陷检测模型”，或者一套“智能排产系统”。但演示环境往往光线固定、样本干净、约束简单，而真实车间有油污、震动、物料批次差异，排产则要同时考虑模具、人员、交期和最小批量。直接采购通用算法，落地时才发现数据要重新标注、接口要重新开发，投入产出比很难算清。
更务实的做法是反过来：先锁定一个高频、高损耗、可量化的痛点场景，再评估AI是否是最优解。比如，质检环节的漏检是否集中在某几类缺陷？排产的混乱是否主要来自插单处理？把问题定义得足够窄，技术选型才不会跑偏。
趋势：AI从“替代人眼”走向“辅助决策”
在质检领域，轻量化的视觉检测方案正在成熟。不需要动辄数百万的产线改造，基于工业相机和边缘计算盒子的方案，可以在现有工位上加装，针对特定缺陷类型进行实时判断。它的价值不是完全取代质检员，而是把重复性高、易疲劳的初筛工作接过去，让人专注于复判和异常处理。
在排产领域，AI的作用也不是一键生成完美计划，而是把排产员从繁琐的约束检查中解放出来。通过将设备能力、模具状态、物料齐套性和交期优先级转化为约束条件，算法可以在几分钟内给出多个可行方案，并标注每个方案的风险点，比如哪些订单可能延期、哪些换模次数可以合并。排产员再做最终决策。
可执行动作一：用轻量视觉质检替代人工初筛
如果你的产品外观缺陷有明确标准，且缺陷类型相对固定（如划痕、脏污、缺料、尺寸偏差），可以从一条产线或一个工位开始试点。具体步骤：第一，收集过去三个月内被客户投诉或内部拦截的缺陷样本，每类不少于200张，覆盖不同光照和角度；第二，与供应商确认相机安装位置和光源方案，尽量不改动现有产线结构；第三，设定一个可量化的验收指标，比如漏检率低于人工抽检水平，误检率控制在可接受范围；第四，让质检员参与复判环节，把系统标记的可疑品与人工判断结果做对比，持续优化模型。
这样做的收益不只是省几个人工。更重要的是，检测数据被结构化记录，哪类缺陷在哪个班次、哪台设备上高频出现，一目了然。这些数据反过来可以推动工艺改进，形成质量闭环。
可执行动作二：用约束模型优化排产顺序
排产优化不必一上来就做全厂调度。可以从一个瓶颈工序或一条关键产线开始，比如注塑、冲压或表面处理。先梳理出影响排产的硬约束（设备能力、模具寿命、换模时间）和软约束（交期优先级、客户等级、合并生产的经济批量），把它们整理成结构化规则。然后，选择一个支持约束建模的排产工具，输入未来两周的订单和库存数据，生成建议排产序列。
初期不必追求全自动。让排产员每天花15分钟运行一次，对比系统建议与自己的经验判断，记录差异原因。运行一个月后，通常会发现几类高频冲突，比如插单导致的换模次数激增，或者某台设备因保养计划被过度占用。这些发现本身就能带来改善。等团队对系统建立信任后，再逐步扩大范围。
行业场景：从单点突破到协同
在金属加工行业，一家典型的中小企业可能同时面临表面缺陷检测和热处理排产问题。质检端部署视觉初筛后，缺陷数据可以反馈给工艺部门调整参数；排产端优化换模顺序后，设备利用率提升，交期更可控。两个场景的数据在同一个平台上打通，就能看到质量与效率的关联。
在电子组装行业，多品种小批量是常态。AI质检可以快速切换检测配方，适应不同型号；智能排产则能处理频繁插单，把相似工艺的订单合并生产。这些能力不需要企业自建AI团队，通过成熟的行业解决方案和轻量实施即可获得。
正易龙在服务制造企业的过程中发现，落地效果好的项目往往不是技术最先进的，而是业务负责人愿意把问题拆小、把数据准备好、把验收标准定清楚的。如果你正在考虑从哪个环节切入，不妨先选一个痛点最明确的工位，用一个小项目跑通闭环，再复制到其他环节。
技术是工具，业务是目的。在AI质检与智能排产的落地路上，少谈颠覆，多谈步骤，可能是中小企业更稳妥的选择。