问：工厂AI试点项目如何选取有哪些常见误区？

答：工厂AI试点选错了，后面全是坑。最常见的误区，是把试点当成“技术验证”而不是“业务验证”——上来就挑最难的场景、最全的产线，结果半年过去还在调数据。

一、有系统思维 vs 无系统思维，选法完全不同

没系统概念的团队，选试点靠“哪个场景听起来最AI”。比如一上来就做全厂级视觉质检，或者直接上预测性维护。这类场景数据基础差、标注成本高、跨部门协调重，试错周期往往拉到9个月以上。

有系统思维的团队，会先看三件事：数据是否已在线、业务痛点是否可量化、失败成本是否可控。同样是质检，他们会先选一条产线、一个工位、一类缺陷，用现有MES或SCADA里已经沉淀的数据跑通闭环。试点周期压到6到8周，验证的是“AI能不能嵌入现有流程”，而不是“AI模型准不准”。

二、方案A“追新” vs 方案B“追痛”

追新的选法，容易盯着大模型、生成式AI这些热词。假设一家汽配企业，拿大模型去做工艺参数推荐，但底层工艺数据还是纸质记录，最后只能停在Demo。

追痛的选法，是从良率损失、停机时间、能耗异常这些财务口径明确的痛点倒推。某电子厂做SMT换线，换线时间每缩短10分钟，一天多出几十块板的产能。他们选的试点是“换线顺序推荐”，用历史换线记录和排产数据做轻量优化，不碰大模型，三个月看到换线效率变化。试点选的是“痛”，不是“新”。

三、有基线 vs 无基线，决定试点能不能收尾

没有基线的试点，做完之后说不清有没有变好。很多工厂上AI质检，上线前后没有统计过漏检率、过杀率、人工复判工时。最后汇报只能说“模型准确率95%”，但业务方不认。

有基线的试点，在选场景时就锁死两三个指标。比如某注塑企业选“工艺参数异常预警”，试点前先跑两周统计：异常导致废品率是多少、调机响应时间多长。试点后只对比这两个数。指标不动，就停掉换场景，不硬撑。

四、综合建议

工厂AI试点选取，别按“技术难度”排序，按“业务闭环速度”排序。优先选数据在线、痛点可量化、失败成本低的场景。试点范围控制在一个工位、一条线、一类缺陷。上线前先定基线，上线后只对比基线。跑不通就换，别把试点做成面子工程。

累计3200余家终端和120余家客户（覆盖15+行业）的落地经验看下来，试点失败很少是算法不行，多是选场景时没把业务闭环想清楚。选对了，AI是工具；选错了，AI是负担。