周一早上八点,品质经理把上周的客诉单摊在桌上:三起外观不良,两起尺寸超差,全都发生在夜班。老板问了一句很实际的话——到底是人看不住,还是根本没人看得住?另一边,生产计划员的电脑上开着四个 Excel,微信里还有三个群在同步插单。这不是某一家工厂的困境,而是大量中小制造企业的日常。
很多负责人对 AI 的第一反应是「我们数据太差,用不了」。于是先花钱上 MES、上数据中台,半年过去,报表漂亮了,车间还是靠吼。问题不在数据不够多,而在没有围绕一个具体决策去收集数据。质检和排产之所以适合做起点,是因为它们每天发生、结果可量化、错了能马上发现。
另一个常见误区是把 AI 当成替代人的工具。真实产线上更有效的形态是人机协同:模型做初筛和异常提示,人做复核与处置。尤其在多品种、小批量、换线频繁的场景里,让系统承担重复性判断,让老师傅处理边界情况,往往比追求全自动更快见效,也更容易被一线接受。
先从一个可量化的损失开始
可执行的第一步,是把「感觉亏」变成「算得清」。选一条产线,统计近一个月的返工工时、客诉赔付、报废物料成本,得出每月质量损失金额。这个数字不需要精确到小数点,但必须由财务和品质共同确认。它决定了你愿意为 AI 投入多少,也决定了三个月后如何证明这件事值得。
第二步是准备最小数据集。质检场景通常只需要几百到几千张覆盖主要缺陷类型的现场图片,加上对应的判定结论;排产场景需要的是近三个月的订单结构、工艺路线、设备产能与换线时间。这些数据大多已经存在,只是散落在不同人的电脑里。把它们整理成一张表,本身就是一次流程梳理。
排产的难点往往不是算法
不少企业以为排产是数学问题,其实更多是信息同步问题。插单来了,谁知道?物料晚到两天,谁更新?设备临时故障,计划怎么改?如果这些信息还在微信群里流转,再强的算法也拿不到实时输入。所以智能排产的第一步不是买软件,而是确定一张唯一的订单状态表,以及谁负责在什么时点更新它。
在信息打通之后,AI 排产的价值才显现出来:在交期、产能、换线成本之间做多目标权衡,几分钟给出几套可比较的方案,让计划员从「排出来」变成「选一个更好的」。对中小企业而言,不必追求全局最优,能把换线次数降下来、把急单插单的影响算清楚,已经是实实在在的收益。
三到六周的小步验证
建议用三到六周做一次小范围验证,而不是直接签年度大合同。选一条产线或一类产品,设定明确的验收指标,比如漏检率、误判率、计划调整耗时、换线次数。每周复盘一次,允许调整阈值和流程。验证期结束,用开篇那个损失金额做对比,决定是扩大范围还是换一个切口。这种节奏对现金流友好,也更容易在组织内部形成共识。
组织层面还有一件事常被忽略:指定一位业务负责人,而不是只交给 IT。质检的验收标准应由品质部门签字,排产的验收标准应由计划部门签字。技术团队负责让系统跑起来,业务团队负责说清楚什么算「判得对」。责任清晰,项目才不会变成一次演示。
两个典型场景的落地路径
在汽配、五金、注塑这类企业里,外观缺陷检测是高频需求。常见做法是用工业相机加轻量模型做初筛,把疑似不良品推到复核工位,同时自动留存图片与判定记录。几周之后,企业会得到一份按缺陷类型、班次、设备分布的不良画像,这比单纯减少几个检验员更有长期价值。
在多品种小批量的装备与电子组装场景里,排产的关键是快速响应变化。典型做法是把订单、工艺、设备状态汇总到一张表,由系统生成若干可行方案,计划员只需比较交期达成率与换线成本。正易龙在行业 AI 与虚拟工作室等方向的实践,也是从这类具体业务切口进入,先解决一个环节的判断效率,再逐步扩展到更多工序。
本周就能启动的两个动作
动作一:约品质、生产、财务开一次一小时的会,只做一件事——估算过去一个月因质量问题产生的返工、报废与客诉成本,写成一个数字。动作二:让计划员导出近三个月的订单与换线记录,看看换线次数最多的前三个产品是什么。这两个动作不花钱,却能让后续的 AI 讨论从概念落到具体。
制造业的 AI 不需要一场发布会来启动。它更像一次持续改善:找到一个每天都在流血的环节,用数据把它照亮,用模型把重复判断接过去,让人专注于真正需要经验的部分。当第一个切口跑通,第二个、第三个会自然出现。正易龙愿意和业务负责人一起,从这条产线的第一个数字开始。