问：企业AI战略规划怎么做？有哪些实际案例？

答：企业AI战略规划的核心，不是先选大模型，而是先锁定“高频、高耗、高重复”的具体业务场景，再倒推数据、算力和组织能力。换句话说，AI战略是一道业务题，不是技术题。

一、先做场景盘点，别急着上平台

很多企业一上来就问“用哪家的大模型”，这顺序反了。正确的做法是拉上生产、质量、设备、供应链、IT几个部门，把最近半年最耗人、最依赖老师傅经验、最容易出错的环节列出来。比如某电子厂发现SMT贴片后的AOI复判环节，每天有上万张缺陷图片靠人工二次确认，漏判率波动大。这类场景就是AI战略的第一优先级。根据行业调研，制造企业AI项目失败的首要原因中，“场景选择与业务脱节”占比超过四成，远高于算法本身的问题。

二、数据准备比算法选型更关键

确定场景后，要评估三件事：数据有没有、数据能不能用、数据能不能持续来。假设一家汽配企业想做压铸件表面缺陷检测，先看产线有没有稳定的光源和相机位，历史缺陷图有没有按类别标注，质检员的判定标准是否统一。如果标注数据不足，就要设计“小样本+持续学习”的路径，而不是硬等十万张标注图。从实践来看，工业AI项目里数据清洗和标注的时间往往占整个周期的六到七成，这个预算要提前留出来。

三、技术路线分三步走，别一步到位

比较稳妥的路线是：第一步做单点验证，选一个产线或一个工位，用轻量模型跑通闭环；第二步做复制推广，把验证过的方案标准化，横向铺到同类设备或同类工厂；第三步做平台沉淀，把数据、模型、报警、工单打通，形成可复用的AI中台能力。某家电企业先从注塑机工艺参数优化切入，单点验证用了不到两个月，之后把同一套方法复制到喷涂和装配环节，整体OEE提升了可观测的幅度。这种“小步快跑、横向复制”的节奏，比一次性规划三年大平台更实际。

四、组织上要有“业务翻译官”

AI战略落地最大的断点，是算法工程师听不懂工艺语言，老师傅不信任模型输出。建议在每个项目组里设一个“业务翻译官”角色，由懂工艺又愿意学数据的骨干担任，负责把“模具温度波动导致缩孔”翻译成模型能理解的特征工程问题。120余家客户（覆盖15+行业）的落地经验显示，有这类角色的项目，从POC到产线部署的周期平均缩短三成左右。

五、考核指标要跟业务挂钩

别用“模型准确率”作为唯一KPI。更合理的指标是：漏判率下降多少、误报率控制在什么范围、质检员人均产出提升多少、设备非计划停机减少多少小时。假设一家食品包装企业做AI视觉分拣，考核的就是“每万袋漏检数”和“产线速度是否受影响”。指标对了，业务部门才有动力配合。

总结建议：企业AI战略规划，先选场景、再盘数据、小步验证、横向复制、组织配套、指标挂钩。不要追求一步到位的“AI大脑”，先让一个工位、一条产线真正跑出可量化的改善，再谈规模化。累计3200余家终端的使用反馈也指向同一个结论：AI在工业里是“长出来的”，不是“装上去的”。