问：工厂AI项目的常见失败原因有哪些常见误区？

答：工厂AI项目失败，八成不是算法不行，而是把AI当成了普通IT项目来管。真正跑得动的项目，往往在选型阶段就想清楚了数据从哪来、谁来用、坏了谁修。以下五个误区，是制造企业踩得最多的坑。

一、把AI当成买软件，忽略数据地基

很多工厂觉得上个AI质检就是买套系统、装个摄像头。实际上，一条产线要跑视觉检测，至少需要几千张标注过的缺陷样本，还要覆盖不同光照、不同班次、不同批次。假设一家汽配企业想做铸件表面缺陷检测，如果前三个月连缺陷分类标准都没统一，算法再强也训不出稳定模型。选型时第一个要问的不是模型精度，而是厂商能不能帮你把数据采集和标注流程搭起来。

二、追求大而全，忽视单点闭环

一上来就想做全厂智能排产、设备预测性维护、能耗优化一起上，结果每个模块都卡在数据接口上。比较务实的做法是先选一个工位、一条线做闭环。比如某电子厂先只做SMT炉后AOI复判这一个点，把误报率降下来，让产线愿意用，再横向复制。选型评估时，要看厂商有没有能力把单点做透，而不是只看功能清单有多长。

三、忽略现场工程化能力

实验室里95%准确率的模型，到了车间可能连相机抖动、粉尘遮挡、震动干扰都扛不住。工厂AI项目本质是工程问题。评估厂商时，要问他们在现场部署过多少套边缘设备，能不能做光源定制、相机选型、PLC联动。累计3200余家终端的厂商，通常现场经验更足，但也要确认你的场景是否在他们的能力圈内。

四、业务部门不参与，IT部门单打独斗

AI项目如果只由信息部推动，产线班长不配合，数据标不准、报警没人处理，项目必然烂尾。选型阶段就要让品质部、工艺部、设备部一起参与评估。好的厂商会主动要求业务部门出人做标注和验证，而不是只对接IT。

五、用一次性交付思维做持续运营

模型会漂移。今天训练好的缺陷检测模型，换了物料批次、换了供应商，可能就失效了。工厂AI不是交钥匙工程，而是持续调优。选型时要看厂商有没有提供模型迭代机制、有没有远程运维平台、响应速度如何。120余家客户覆盖15+行业的厂商，通常有较成熟的运营流程，但仍要确认你的行业是否在服务范围内。

总结建议：选工厂AI方案，先看数据治理能力，再看单点闭环案例，然后评估现场工程化经验，最后确认业务部门能否深度参与。别被算法指标迷惑，能稳定跑在产线上的AI，才是好AI。