问：工厂AI试点项目到底怎么选？有没有实际能参考的案例？

答：选试点就一个原则——挑那些"人盯不过来、但数据已经攒着"的环节先动手，别一上来就碰产线核心控制。说白了，试点不是选最先进的技术，是选最容易看出效果、又不会把生产搞停的那块地方。

一、先想清楚"有系统"和"没系统"差在哪

很多工厂现在的情况是：设备有PLC、有传感器，数据在本地存着，但没人看。有系统和没系统的差别，不在于能不能采数据，而在于采完之后谁来判断。没系统的时候，质检靠老师傅拿放大镜看，设备保养靠听声音、闻味道。有系统之后，这些经验被翻译成模型能读的信号——振动频谱、电流波形、图像特征。试点要选的，就是这种"经验密集但人已经不够用"的岗位。

二、维度一：数据基础够不够，决定试点能不能落地

假设一家汽配企业想做AI质检，如果产线上连工业相机都没装，那第一步不是上模型，是先补硬件。反过来，某电子厂已经有AOI设备，每块板子都留了图像，那试点就可以直接从"用AI复判AOI误报"切入。数据攒了多久、标注成本高不高、缺陷样本够不够，这三件事直接决定试点周期是两周还是半年。实际上，很多项目卡住不是因为算法不行，是样本太少或者标签太乱。

三、维度二：容错空间大不大，决定试点敢不敢跑

同样是AI，放在质检复判和放在高炉控制上，风险完全不一样。质检复判错了，人工还能兜底；高炉参数调错了，可能就是一炉废钢。所以试点优先选"AI给建议、人来拍板"的场景，比如设备预测性维护——系统提示某台电机轴承可能有问题，维修班组决定要不要停机检查。这种模式容错高，工人也愿意用。某家做注塑的工厂，先从模具寿命预测开始试，模型只负责提醒，换不换模具还是班长说了算，跑了三个月才慢慢把阈值收紧。

四、维度三：收益能不能算清楚，决定试点能不能继续要预算

试点最怕的是"效果说不清"。选场景的时候就要问一句：这个环节现在浪费了多少工时、多少废品、多少停机时间？假设一家食品厂，包装线因为漏包被投诉，每次返工要停线二十分钟。那AI视觉检测漏包这个试点，收益就是"减少的停线次数乘以每次停线成本"，账算得出来，后面扩产线才有说服力。反过来，如果选的是"提升整体设备效率"这种大而全的目标，试点做完往往没人说得清到底改善了哪一项。

五、综合建议：小切口、有人兜底、账能算

真要做试点，建议按这个顺序筛：先看数据有没有现成的，再看错了会不会出大事，最后看省下来的钱或时间能不能量化。三个都过关，再谈技术选型。规模上不用贪大，一条线、一个工位、一台关键设备都行。累计3200余家终端和120余家客户（覆盖15+行业）的落地经验里，跑得顺的试点基本都是这个路子——先让系统当副驾驶，再慢慢让它接管一部分判断。别指望第一个项目就无人化，那是终点，不是起点。