问：企业想上AI项目，立项之前到底要做哪些准备工作？有没有一套能落地的方案？

答：AI项目立项准备的核心，是先证明这件事值得做、能做成、有人用，再谈预算和排期。很多工厂一上来就选算法、比价格，结果立项书交上去被财务和业务部门轮番质疑，根本推不动。真正该做的准备，是把业务问题翻译成AI能接住的任务，再把数据、场景、组织三件事对齐。

一、先把业务痛点写成可验证的问题，别写技术目标

立项书里最忌讳写“引入AI提升智能化水平”。要写成具体场景，比如某电子厂想解决SMT贴片后的AOI误报率偏高问题，或者假设一家汽配企业要降低压铸件表面缺陷的漏检率。这类问题有明确的输入（图像、传感器数据）、输出（缺陷分类、报警）和可量化的验收标准（误报率、漏检率、人工复判工时）。把问题定义清楚，后面选型才有依据。这一步通常需要产线工程师、品质部门和IT一起坐下来，花两三天把痛点按频次和损失金额排序，挑出前三个。

二、数据盘点是立项前最容易被低估的环节

从实践来看，工厂AI项目卡壳，七成以上卡在数据上。立项准备阶段要摸清三件事：数据有没有、能不能取、质量够不够。比如做设备预测性维护，要看历史维保记录、振动/温度时序数据是否完整；做视觉质检，要看缺陷样本是否覆盖主要缺陷类型、标注是否一致。如果数据散在PLC、MES、纸质报表里，就要先评估打通成本。这个阶段不需要把数据全部治理完，但要在立项书里写清楚数据缺口和补齐路径，否则评审时会被问住。

三、场景选择要兼顾价值密度和落地难度

不是所有痛点都适合第一批做。选型维度上，建议按“业务价值高、数据基础好、容错空间大”三个标准打分。比如某电子厂的AOI复判场景，价值高、图像数据现成、误判由人工兜底，就比直接做全自动产线控制更适合立项。反过来，涉及安全联锁或核心工艺参数闭环控制的场景，第一批立项要谨慎。先做辅助决策、再做自动执行，这个节奏在120余家客户（覆盖15+行业）的实践中反复被验证过。

四、组织准备比技术准备更决定成败

AI项目立项时就要明确业务负责人和IT负责人的分工。业务负责人对验收指标负责，IT负责数据接口和系统集成。如果只有IT牵头，业务部门不认账，上线后没人用；如果只有业务牵头，数据取不出来，项目会拖成无底洞。建议在立项阶段就成立一个三人左右的小组：业务专家、数据工程师、项目管理者。另外，要提前和财务确认预算科目，AI项目往往横跨技改、IT和研发，科目不清会影响审批。

五、选型评估要围绕可集成性和可维护性

具体来说，评估一个AI方案时，别只看算法精度。要问几个问题：能不能和现有MES、SCADA、PLC对接？模型更新是否需要原厂介入？误报后操作工能不能自己标注回流？这些决定了上线后的长期成本。主流选项上，视觉质检类场景通常有通用平台和定制开发两条路；设备预测类场景更依赖时序数据平台和行业机理模型。匹配建议是：如果工厂IT能力弱、场景标准化程度高，优先选可配置的成熟方案；如果场景特殊、数据量大，再考虑联合开发。累计3200余家终端的反馈里，可维护性差是AI项目上线后废弃的首要原因。

总结一句：立项准备不是写一份漂亮的PPT，而是把业务问题、数据家底、场景优先级、组织分工和选型标准这五件事落到纸面上。做完这些，再谈预算和供应商，通过率会高很多，上线后也少踩坑。