制造企业 8 个 AI 场景、600 万预算——用场景价值矩阵选出真正值得做的 2 个

**8 个场景快速评分（1-10 分）**： | 场景 | 业务价值 | 实现可行性 | 象限 | 优先级 | |-----|--------|----------|------|------| | ①视觉质检 AI | 9 | 8 | 高价值×高可行 | **立即做** | | ②生产排程优化 | 9 | 5 | 高价值×中可行 | **规划做** | | ③预测性维护 | 8 | 9 | 高价值×高可行 | **立即做** | | ④需求预测 | 5 | 4 | 中价值×低可行 | 不做 | | ⑤智能内部客服 | 2 | 9 | 低价值×高可行 | 顺手做 | | ⑥AI 辅助设计 | 7 | 2 | 高价值×低可行 | 规划做（远期） | | ⑦供应商评分 | 4 | 3 | 低价值×低可行 | 不做 | | ⑧个性化培训 | 2 | 5 | 低价值×中可行 | 不做 | **评分依据**： - ①视觉质检：每年次品率 2.8%（年损失约 896 万），已有 80 个工业摄像头（基础设施成本已摊销），开源视觉 AI 成熟度高； - ③预测性维护：年计划外停机 240 小时（按产能 100% 计算损失约 1600 万），200+ 传感器数据已在 SCADA 实时采集，工业 AI 预维护技术已经成熟； - ②生产排程：价值高（换型时间每年浪费 18%+ 产能），但 ERP-MES 集成复杂度高（上次供应链 AI 失败的教训）； - ④需求预测：历史已经失败过，数据质量是核心问题； - ⑥AI 辅助设计：价值有潜力，但需要专业工业 3D 设计模型，技术成熟度尚不够。 **结论**：优先进入深度评估的两个场景是「①视觉质检 AI」和「③预测性维护」，预算分配：600 万中的 400 万用于这两个立即做场景，200 万作为「②生产排程优化」的预研储备。

**视觉质检 AI 三阶评估**： 第一阶「价值成立度」（满分 20）：18/20 - 真实痛点：每年次品损失约 896 万，人工质检成本约 150 万/年（20 名质检员），痛点真实且可量化 ✓ - AI 适配性：视觉缺陷检测是计算机视觉 AI 最成熟的应用（准确率业界平均 97-99.5%），超过人工 96% ✓ - 数据充足：80 个摄像头 × 已积累 18 个月图像数据，历史缺陷标注样本 1.2 万张 ✓ - 利益方一致：质检部门（减少漏检责任）+ 生产部门（减少返工）+ CEO（降损） ✓ 第二阶「价值放大度」（满分 30）：25/30 - 从点扩面：从一条生产线验证后，可复制到另外 7 条线，技术复用率 80%+； - 连接其他系统：视觉质检数据 → MES 系统（实时良率监控）→ 生产调度优化，放大价值路径清晰； - 竞争壁垒：大量标注数据积累后，质检 AI 精度持续提升，竞品难以复制同等数据质量。 第三阶「价值持续度」（满分 30）：26/30 - 技术迭代风险低：视觉检测技术成熟，不依赖单一大模型供应商； - 强化学习飞轮：每发现一个新缺陷类型，标注后加入训练，精度不断提升； - 弱点：如果产品线切换频繁，模型需要重训练（适中成本）。 **视觉质检总分：69/80 → 强力推荐，立即实施** **预测性维护三阶评估**： 第一阶：19/20（计划外停机损失清晰，传感器数据完备） 第二阶：22/30（放大路径：从关键设备 → 全厂设备，但实施周期较长） 第三阶：24/30（工业 AI 技术成熟，但需要持续运维） **预测性维护总分：65/80 → 推荐实施，注意工程化落地的运维成本**

**问题**：上一次视觉质检 AI POC 准确率达到 93%，为什么被叫停？ **为什么①**：因为评估标准设定为「必须超过人工 96% 准确率才算合格」。 **为什么②**：为什么设定了 96% 这个标准？因为项目立项时，质检主管说「我们人工准确率是 96%，AI 必须超过我们才有价值」。 **为什么③**：这个标准合理吗？不合理——人工质检 96% 是在 8 小时工作制下的准确率，有疲劳问题（班次末期准确率会下降到 91-93%）；AI 93% 是 24 小时持续稳定输出，没有疲劳；此外 AI 检测速度是人工的 10 倍（每个零件 0.3 秒 vs 3 秒）。正确比较维度应该是「综合成本 + 速度 + 稳定性」，而非单一准确率。 **为什么④**：为什么会设定错误的评估标准？因为没有 AI 项目评估方法论——没有人在 POC 前就定好「成功标准」，最终靠主观感觉（「没有超过人工就是没价值」）评判。 **为什么⑤**：为什么没有评估框架？因为这是公司第一次做 AI 项目，从来没有经历过「AI 如何定义成功」的讨论，默认用了「替代人」的框架，而不是「比系统整体更优」的框架。 **根因**：上次失败的根因是「成功标准设定错误 + 没有全面价值评估框架」，不是技术问题。 **这次的改正**：本次质检 AI 项目的成功标准重新定义为：① 全天平均检测准确率 ≥ 94%（高于人工班次末期的 91-93%）；② 检测速度提升至 0.3 秒/件（全面超过人工）；③ 年综合成本（实施费 + 运维费）< 年节约成本（次品减少 + 人工成本减少）的 50%。

守攻维度分析： **守线（降本/防损）型 AI 场景**： - 视觉质检 AI：本质是「防止次品流出」（守住品质标准），降低次品损失和客诉风险 → 守线投入，预期年节约 400-700 万（次品损失降低 50%）； - 预测性维护：本质是「防止计划外停机」（守住产能稳定），降低停机损失 → 守线投入，预期年减少停机损失 400-800 万（减少 50-70% 计划外停机）。 **攻线（提效/增收）型 AI 场景**： - 生产排程优化：本质是「用 AI 提高产能利用率」（攻线：释放产能做更多订单），预期年增加可排产时间 15-20% → 攻线，但依赖 ERP 集成，难度高。 - AI 辅助设计（远期）：本质是「加速新品开发」→ 纯攻线，技术成熟度不足，暂缓。 **资源分配建议**： - 守线（质检 + 维护）：480 万（80%）——ROI 确定性最高，且是工厂运营的基础保障； - 攻线预研（排程优化）：120 万（20%）——用 120 万做排程 AI 的数据清洗 + ERP 集成摸底，为 2026 年全面上线做准备。 **守攻比说明**：对制造业而言，AI 投资的第一阶段应以「守线降本」为主（ROI 确定性高），「攻线提效」需要守线稳定后再发力。先做守线确保现金流，再用守线 AI 节约的成本投资攻线扩张，是制造业 AI 的健康路径。

实施时序优先级（影响 × 执行速度）： **Q1-Q2（立即启动，影响大且快）**： ① **质检 AI - 单线 POC**（预算 80 万，12 周）：选最成熟的一条生产线，用已有摄像头数据做快速 POC，用新成功标准（速度 + 全时段准确率 + 综合成本）评估。设定明确的 go/no-go 节点（第 12 周决定是否推进全厂）； ② **预测性维护 - 数据摸底**（预算 30 万，8 周）：对 200+ 传感器数据做质量评估（接入率、缺失率、噪声水平），确定哪些设备数据质量够高可以立即建模，哪些需要数据清洗。这是预测性维护的先行投资，决定第二阶段的实施范围。 **Q3（基于 Q1-Q2 结果，确定主要预算投向）**： ③ **质检 AI 全厂推广**（若 Q2 POC 成功，预算 200 万，全厂 8 条线）； ④ **预测性维护上线**（基于 Q2 数据摸底结果，择优实施 Top 10 关键设备）。 **Q4（优化 + 攻线预研）**： ⑤ **质检 + 维护系统整合**：把两套 AI 系统的数据打通（同一设备的异常与产品质量关联），提升预防性洞察； ⑥ **生产排程 AI 预研**（120 万）：ERP 接口盘点 + 历史排程数据分析，为 2026 年全面实施做准备。 **决策约束**：600 万分阶段投入（不要一次性批复所有项目），Q1-Q2 先用 110 万做验证，Q3 再释放 370 万主预算，Q4 释放 120 万攻线预研。这样可以在 POC 阶段就有机会修正方向。