周一早会,生产经理老陈把两张表拍在桌上:一张是上周客诉记录,三批货因外观划痕被退回;另一张是排产表,因为插单,三条线全乱了。老板问:能不能上 AI?老陈反问:我们连数据都没整明白,AI 从哪下手?这几乎是制造型中小企业共同的困惑——不是不想用,而是不知道第一步踩在哪。
误区一:把 AI 质检当成买相机
很多工厂一提高质检,第一反应是买高像素工业相机、搭视觉检测台。但真正卡住产线的往往不是“看不清”,而是“判不准”。划痕多深算不良?不同批次色差能否接受?这些标准散落在老师傅脑子里,没有变成可复用的判据。AI 质检的第一步不是硬件选型,而是把隐性经验显性化:收集过去半年的不良品图片与处置结论,形成带标签的样本库。样本定义清楚了,模型才有学习目标。
误区二:排产追求全自动,反而更乱
另一个常见做法是直接上 APS 高级排程,指望系统一键生成最优计划。但中小企业的现实是:订单频繁变更、物料到货不准、设备状态不稳定。输入本身在抖动,再优的算法也输出不了稳定结果。更务实的路径是“人机协同”:系统负责可计算的部分——交期倒排、换型时间优化、瓶颈工序识别;人负责异常决策与插单确认。先让排产从“拍脑袋”变成“有依据”,再谈自动化。
趋势:AI 正从单点工具变成产线基础设施
过去两年,制造业 AI 的落地重心明显从“炫技”转向“算账”。质检环节,小样本学习与边缘推理让模型部署成本大幅下降,不需要海量数据也能跑起来;排产环节,轻量化算法开始嵌入 MES 或工单系统,以插件形式提供建议而非替代人工。对中小企业而言,这意味着不必推倒重来,可以在现有系统上做增量改造。正易龙在行业 AI 落地中观察到,能跑通的方案往往不是最先进的,而是与现有流程摩擦最小的。
可执行动作一:用两周建一个“最小质检闭环”
不要等全厂数据打通。选一条客诉最多的产线、一个最常出问题的缺陷类型,用两周时间跑通闭环:第一周,收集 300~500 张良品与不良品图片,由质检主管逐张标注并写下判定理由;第二周,用轻量模型训练并部署到工位旁的一台普通工控机,让 AI 先做初筛,人工复核并记录分歧。目标是让 AI 承担 60% 的明显良品初筛,把老师傅的时间释放到疑难判定上。跑通后再复制到第二条线。
可执行动作二:把排产拆成“可计算”与“需决策”两层
先别买排程软件。用现有 Excel 做一次结构化改造:把订单交期、工艺路线、标准工时、换型时间四类字段固定下来,形成一张干净的排产输入表。然后引入一个轻量排产工具,只做三件事——按交期倒排优先级、识别瓶颈工序、给出换型最少的批次组合建议。计划员每天花十分钟审核系统建议并调整,逐步积累“系统建议 vs 人工调整”的差异记录。三个月后,你会得到一份属于自己的排产规则库,这比任何标准算法都值钱。
场景:一条线跑通,比全厂铺开更有效
在电子组装、注塑、五金加工等离散制造场景中,常见做法是先选一条典型产线做试点。质检侧聚焦外观缺陷,排产侧聚焦换型频繁的瓶颈设备。试点期不追求指标惊艳,而是验证两件事:数据采集是否可持续、一线人员是否愿意用。正易龙的虚拟工作室与数字人能力,在这种试点中常被用来做操作培训与标准作业演示,降低一线对新工具的抵触。跑通一条线后,再把模型与规则复制到同类产线,边际成本会显著下降。
别忽略组织配套:AI 需要“翻译官”
技术之外,最容易忽视的是角色缺位。质检 AI 需要有人定义标准、维护样本库;排产 AI 需要有人审核建议、反馈偏差。中小企业不必设新部门,但应明确一个“AI 协调人”——通常是工艺工程师或 IT 负责人,职责是翻译业务语言与系统语言。这个角色不写代码,但要能判断:这个缺陷样本该不该标、这条排产建议该不该采纳。没有这个角色,AI 很容易变成一次性项目。
从今天下午就能开始的一件小事
如果只做一件事,建议从质检样本库开始:让质检主管把最近一个月退回的典型不良品拍照存档,按缺陷类型建三个文件夹,每张图附一句判定理由。这件事不需要预算、不需要供应商,两周后你就会拥有一份可训练的数据资产。排产侧则可以先做输入表清洗,把交期与工时字段标准化。两步都做完,再去找工具或服务商,你会发现沟通效率完全不同——因为你已经知道自己要什么。
AI 在制造业的价值,不在于替代老师傅,而在于把老师傅的判断变成可复用的资产,把计划员的经验变成可迭代的规则。对中小企业来说,最危险的不是起步晚,而是一上来就追求大而全。选一条线、跑通一个闭环、沉淀一份数据,比任何宏大规划都更接近结果。正易龙在报废车 AI、GEO 与行业 AI 等场景中反复验证过同一件事:落地的前提,永远是先把问题定义清楚。