一家做精密五金的中小厂，最近半年的状态很典型：订单批量变小、品种变多，车间白天赶货、晚上返工，质检靠两位老师傅盯着看外观，排产靠计划员一张 Excel 表加电话协调。老板说得很直白——设备不缺，人也不懒，就是总觉得哪里在漏。
这类“漏”往往不在产能本身，而在两个决策点上：一是判断合格与否的眼睛，二是决定先做谁的那张表。它们看起来是两件事，本质上是同一件事——关键判断依赖少数人的经验，而经验既不可复制，也不可追溯。
先看质检。多数中小厂的现实是抽检加目检：抽检覆盖率有限，目检一致性随疲劳波动。真正的成本不在漏检本身，而在它引发的连锁反应——客诉、退货、整批重检，以及为了保险而多做的全检人力。
一个常见误区是把 AI 质检理解成“买台相机加套算法”。实际卡住项目的通常不是模型精度，而是三件事：缺陷标准说不清、样本不够或标签混乱、检出结果进不了现有流程。算法只是中间一环，两头都是管理问题。
更务实的做法是先把“判什么”定义清楚。挑一两个高频、后果最重的缺陷类型，把边界样件收集起来，形成一版可讨论的标准图册。这一步不花钱，却决定了后面所有投入是否有效——标准模糊时，任何模型都无法验收。
接下来用小样本跑闭环，而不是追求一次上线全检。常见做法是先在一条线、一个工位上做辅助判定：设备给出疑似标记，人做最终确认，同时记录每一次人工改判。这些改判数据本身就是最有价值的训练素材。
衡量这类试点是否值得继续，建议盯三个指标：漏检率、误判带来的人工复核量、以及单件检测耗时。只看准确率容易自欺，因为一个把良品全判为疑似的模型，准确率再高也会拖垮产线节奏。
再看排产。很多工厂的排产表其实是一份“愿望清单”：插单靠喊、换型时间靠估、设备状态靠问。计划员每天大量时间花在协调而不是优化上，交付一旦吃紧，就只能靠加班和加急来补。
智能排产真正要解决的不是“算得更好”，而是“算得动”。前提是把约束条件显性化：哪些机台能做什么、换型要多久、物料什么时候到、哪些订单有硬交期。这些信息若散落在人脑和聊天记录里，再好的算法也无从下手。
一个可执行的起点是做“排产基础数据体检”：抽一周的实际生产记录，倒推换型时间、设备可用率和计划达成率。多数企业做完这一步就会发现，改善空间相当一部分来自数据口径不一致，而不是算法不够聪明。
在数据能对齐之后，再引入排产工具做辅助建议，人保留最终决策权。让系统给出几套方案及其代价——延期多少、换型多少次、哪些订单受影响——由计划员判断取舍。这比一步到位的全自动更容易被车间接受。
两个切口之间其实有协同。质检数据能反向修正排产假设：某台设备近期不良率上升，排产时就该降低它的负荷或安排保养；而排产的批次合并，又能减少换型带来的质量波动。数据打通后，价值才开始复利。
对中小企业而言，落地节奏建议按“单点验证—流程固化—横向复制”三步走。第一阶段用四到八周验证一个工位或一条线，明确验收指标；第二阶段把判定标准和异常处理写进作业规范；第三阶段才谈多线推广。
组织上的一个细节常被忽略：需要一个既懂现场又能和供应商对话的人做项目 owner。纯 IT 主导容易脱离工艺，纯车间主导容易低估数据治理的工作量。这个角色的缺位，是很多项目半途而废的真实原因。
如果要从明天开始做一件事，建议是：选一个质量投诉最集中的缺陷类型，收集五十到一百个边界样件，召集工艺、质检、生产三方开一次标准对齐会。这场会不需要预算，却能筛掉大半后续返工。
制造业的 AI 不是一次采购，而是一连串判断的重新组织。把标准说清楚、把数据口径对齐、把人的决策权安排明白，技术才有落点。正易龙在行业 AI 与智能制造场景中做的，正是陪企业把这些前置条件一项项补齐，再谈系统能跑多快。