工厂AI需求分析框架：从“想用AI”到“知道用在哪”的系统方法

很多工厂对AI有兴趣，但真正卡住的地方往往不是技术本身，而是说不清楚自己到底需要AI解决什么问题。一套结构化的工厂AI需求分析框架，能把模糊的“降本增效”翻译成可落地的场景清单、数据要求和验收标准。

一、什么是工厂AI需求分析框架

它是一套帮助制造企业梳理AI应用方向的思考工具，介于战略规划和IT实施之间。核心任务有三个：把生产运营中的痛点按可AI化程度排序，判断每个场景需要什么数据、什么算法、什么硬件，以及估算投入产出的大致轮廓。和传统的数字化需求调研不同，它更关注那些规则难以写死、但人靠经验能判断的环节，比如外观缺陷判定、设备异常预警、排产调优。

二、框架的四个层次

1. 业务层：从损失最大的地方找需求。很多工厂习惯从“哪个部门想用AI”开始聊，结果收上来一堆零散想法。更有效的做法是反过来看——哪道工序的废品率最高、哪个环节最依赖老师傅盯、哪台设备的非计划停机最贵。假设一家汽配企业，压铸车间的模具更换调试每次要花两小时，老师傅凭声音和参数微调，这就是典型的高价值AI场景。

2. 数据层：判断“有没有料”。AI需要数据，但工厂的数据往往散在PLC、MES、纸质记录和老师傅脑子里。需求分析时要问清楚：这个场景的历史数据存了没有、采样频率够不够、标注成本高不高。比如做表面缺陷检测，如果只有几十张不良品照片，那再好的算法也训不出来，得先补数据采集的课。

3. 技术层：匹配AI能力边界。当前工业AI主要能做好几类事：图像识别（缺陷、读表、安全帽检测）、时序预测（设备寿命、能耗、质量波动）、运筹优化（排产、物流路径）、知识问答（维修助手、工艺查询）。需求分析框架要把业务问题映射到这几类能力上，避免用大炮打蚊子，也避免让AI去干它不擅长的事。

4. 价值层：算清楚“值不值得”。不是所有AI场景都能算清ROI，但至少要估三个数：人工替代或效率提升的工时、不良率下降带来的材料节省、停机减少带来的产能释放。有些场景价值在安全合规上，那就换一套评估口径。

三、制造业典型应用场景

电子组装行业：某电子厂SMT产线换线频繁，每次换线后前几十块板容易出虚焊。AI需求分析会指向“换线首件质量预测”，利用贴片机参数、锡膏印刷数据和历史换线记录，在炉前预判风险。这个场景的数据基础通常较好，因为SMT设备本身就产生大量结构化数据。

汽配行业：假设一家做刹车盘的企业，终检依赖人工目检裂纹和砂眼。需求分析要区分：裂纹检测用视觉AI可行，但砂眼因为反光差异大，可能需要3D视觉或超声辅助。框架会建议先做裂纹，跑通后再扩展。

流程行业：比如某化工厂，反应釜温度控制靠老师傅看曲线微调。AI需求分析会把它拆成“软测量”问题——用易测变量推断难测质量指标，再叠加预测控制。这类场景对数据连续性和工况覆盖要求高，往往需要先做数据治理。

四、落地建议

第一，别一开始就追求大而全的平台。选一个产线、一个工序、一个明确指标，用两三个月跑通闭环。第二，让懂工艺的人参与标注和验证。AI模型在实验室准确率95%，到现场可能因为光线、震动、物料批次差异掉到80%，必须靠工艺经验去调。第三，需求分析要动态更新。工厂接新产品、换设备、改工艺，AI场景的优先级也会变。第四，供应商选择上，关注对方有没有同行业的数据处理经验和现场部署能力，而不是只看算法论文指标。业内服务过120余家客户（覆盖15+行业）的厂商，通常在场景理解上更接地气。

五、趋势展望

一是AI Agent开始进入工厂。过去AI只做单点判断，现在能串联多个系统自主执行任务，比如自动生成排产方案并下发到MES。二是边缘AI与工业控制融合，推理直接跑在PLC旁边的边缘盒子上，延迟更低、数据不出厂。三是需求分析本身在工具化，出现一些模板库和场景知识图谱，帮助工厂更快定位自己的AI切入点。

工厂AI需求分析框架不是一份一次性报告，而是一个持续对齐业务和技术的对话机制。先想清楚“不做什么”，往往比“能做什么”更重要。