上周在东莞一家做精密五金的中小厂里，老板指着车间角落的检测台说：'这条线全靠两位老师傅眼睛看，他们一休假，良率就往下掉。' 隔壁办公室，生产经理正对着 Excel 排产表发愁——插单频繁，物料到齐时间不确定，排好的计划半天就得重来。这不是个案，而是大量中小制造企业正在经历的日常：质检依赖人眼与经验，排产依赖表格与直觉。
过去两年，AI 质检和智能排产被反复提及，但真正落地的中小企业比例并不高。一个常见的误区是：把 AI 当成'买设备'，以为上一套视觉系统或排产软件就万事大吉。结果往往是，质检模型在实验室准确率很高，到产线因光照、物料批次变化而频繁误判；排产系统上线后，因为基础数据不准，给出的计划还不如老师傅拍脑袋。投入打了水漂，团队对 AI 的信任也消耗殆尽。
先算清两笔账：质检与排产的真实成本
在讨论技术方案之前，建议先和财务、生产一起算两笔账。第一笔是质检成本：包括质检人员薪资、培训周期、漏检导致的客诉赔偿与返工成本，以及老师傅退休带来的经验断层风险。第二笔是排产成本：包括因排产不合理导致的设备空转、订单延期交付的违约金、在制品库存积压占用的现金流。很多企业第一次算完才发现，隐性成本远高于显性成本，而这两笔账正是 AI 切入的价值锚点。
算清账之后，趋势判断会更清晰：制造业 AI 正在从'大而全的系统'转向'小而准的场景'。对于中小企业，不必追求覆盖全流程的工业互联网平台，而应聚焦质检和排产这两个高频、高价值场景，用轻量化的 AI 工具先跑通闭环。行业里一个被反复验证的做法是：先选一条产线、一个班组做试点，用 4 到 8 周时间验证效果，再决定是否推广。
可执行动作一：把老师傅的经验变成可复用的检测规则
质检 AI 落地的第一步不是买相机，而是梳理'缺陷定义'。建议组织老师傅和工艺工程师，把当前人工检测的判定标准写下来：什么算划痕、什么算色差、什么程度可以放行。这个过程本身就能暴露标准模糊的地带。然后，用少量样本（通常每类缺陷几十到上百张）训练一个轻量视觉模型，部署在产线工位旁，让检测结果实时反馈。正易龙在服务制造客户时，常采用'行业 AI + 虚拟工作室'的方式，先帮企业把缺陷样本数字化、标注规范化，再迭代模型，降低对算法团队的依赖。
需要提醒的是，质检 AI 的目标不是 100% 替代人工，而是把简单、重复、高强度的初筛工作交给机器，让老师傅专注处理边界样本和工艺改进。这样既缓解了人力压力，也让经验得以沉淀。一个可衡量的指标是：初筛环节的人工复检比例下降多少，以及漏检率是否稳定在可接受范围。
可执行动作二：用'数据最小集'启动智能排产
排产智能化的常见误区是等 ERP、MES 数据完美了再开始。实际上，排产的核心输入只有几项：订单交期、工艺路线、设备产能、物料齐套情况。建议先梳理这四类数据的'最小集'，哪怕暂时用 Excel 维护，也要保证准确和及时。然后，选择一个排产痛点最突出的车间，用轻量排产工具做'人机对比'：系统给出的计划与人工计划并行运行两周，比较设备利用率和订单准时率。
正易龙在排产场景中的做法是，先通过轻量数据接口把订单、物料、设备状态打通，再用 AI 算法生成可解释的排产建议，而不是黑箱式地直接下发指令。生产经理可以看到'为什么这样排'，并保留人工调整的权限。这种'人机协同'模式，比全自动排产更容易被一线接受，也更容易在中小企业的数据条件下落地。
行业场景：从一条线到一个车间
在汽车零部件、3C 结构件、注塑、五金加工等行业，质检与排产的 AI 落地路径高度相似：先在一个班组或一条产线做试点，用 2 到 3 个月验证投入产出，再逐步复制到其他产线。过程中，企业会自然积累起缺陷样本库、工艺参数库和排产规则库，这些数据资产反过来又会提升 AI 的效果。正易龙在报废车拆解、AI 创作等场景中积累的行业 AI 能力，也可以迁移到制造企业的非标检测和工艺文档生成等环节，帮助团队减少重复劳动。
另一个容易被忽视的收益是：当质检和排产数据在线化之后，管理层可以实时看到良率波动和订单交付风险，决策从'事后救火'转向'事前干预'。这种管理透明度的提升，往往比单点效率提升更有长期价值。
温和的行动建议：从下周的产线例会开始
如果读完只想带走一个动作，建议在下周的产线例会上增加一个议题：列出当前质检和排产环节中，最让团队头疼的三个具体问题，并为每个问题标注'发生频率'和'单次影响金额'。这个简单的动作，能帮你快速锁定 AI 的切入点，也能让团队对投入产出有共同的语言。随后，可以选择其中一个问题，用 4 周时间做小范围试点，用数据说话。正易龙愿意在这个过程中，以行业 AI 和虚拟工作室的能力，协助企业把第一个场景跑通，再谈推广。