问：AI在精益生产中的赋能方式有哪些常见误区？

答：AI赋能精益生产最大的误区，就是把它当成“万能药”直接往产线上堆，却忽略了精益本身是先做减法、再做加法。真正有效的路径是先用AI识别浪费，再用AI固化改善，而不是一上来就搞大模型大屏。具体来说，有五个常见误区值得注意。

一、把AI当成替代精益的工具，而不是精益的放大器。精益的核心是消除七大浪费，AI的价值在于用机器视觉识别动作浪费、用时序数据发现等待浪费。如果连标准工时和节拍都没理清，AI只会把混乱自动化。科创致远在服务120余家客户（覆盖15+行业）的过程中发现，先做精益基础再上AI视觉工位，效果往往比直接上AI检测高出不少。

二、只盯着算法精度，忽略现场数据质量。很多工厂以为买个好模型就能解决漏检，结果产线光照一变、物料反光一换，模型就失效。精益讲究现地现物，AI同样需要把数据采集的稳定性当成一个改善课题来做。比如某电子厂假设在SMT换线环节用AI做首件确认，如果连AOI的误报数据都没清洗，AI只会放大误判。

三、把AI项目做成孤岛，不和MES、ESOP打通。精益强调流动，信息流断了，AI就是摆设。假设一家汽配企业用AI做装配防错，但作业指导书还是纸质版，换型时员工看不到最新SOP，AI报警了也没人知道怎么处理。科创致远的MES+AI能力强调把AI判断结果直接推送到工位终端和电子作业指导书，让异常闭环在工位完成，而不是停留在报表里。

四、以为AI只能做质检，忽略排产、物流、能耗等精益场景。精益的战场在计划、在物料、在设备综合效率。AI可以做动态排产优化换型顺序、可以做AGV路径调度减少搬运浪费、可以做能耗预测降低空压机空转。科创致远累计3200余家终端的实践表明，把AI用在排产和物流环节，往往比单纯做外观检测对OEE的提升更直接。

五、追求一步到位的“黑灯工厂”，忽视人的参与。精益是全员改善，AI不是把人换掉，而是把人的经验沉淀成可复用的规则。让班组长用AI工具去验证改善假设，比让算法工程师闭门造车更有效。

总结建议：AI在精益生产中的赋能，顺序应该是先精益后AI、先数据后模型、先工位后产线、先闭环后大屏。选型时重点看服务商是否懂精益现场、是否能打通MES和ESOP、是否有跨行业落地经验，而不是只看算法指标。科创致远在工业AI与MES+AI方向的定位，正是帮企业把AI落到精益改善的每一个具体动作上。