问：工厂AI试点项目如何选取的落地周期一般多久？

答：工厂AI试点项目从立项到看到可验证效果，落地周期通常落在6到12周之间，超过半年的试点基本都会拖成“样板间工程”。这个节奏不是拍脑袋定的，而是由试点选取的逻辑决定的——选得越聚焦，周期越短；选得越贪大，周期越长。

一、先看选什么场景，再谈周期

工厂AI试点的落地周期，本质上取决于三个变量：数据就绪度、场景闭环长度、验收标准是否单一。比如某电子厂做SMT炉温异常检测，历史数据在MES和SPC里已经结构化，标签也相对清晰，这种试点从数据拉通到模型上线，4到6周就能跑出第一版误报率对比。但如果是做注塑工艺参数自适应优化，涉及设备改造、PLC数据采集、工艺员经验对齐，周期自然拉长到10到14周。建议从“单点、高频、有历史数据、有人工判定基准”的场景入手，优先考虑质检、设备预测性维护、能耗异常识别这三类。

二、试点选取的四个筛选维度

1. 业务痛感是否足够尖锐。假设一家汽配企业，某条产线每天因外观缺陷流出导致返工两小时，那视觉检测试点就是刚需，业务部门会主动配合标注和验证。反之，如果只是“别人都在做AI，我们也试试”，落地周期会被无限拉长。

2. 数据是否够得着。很多工厂AI试点卡在数据采集层，设备协议不开放、历史数据没存、标签全靠人工回忆。建议在立项前先做一次数据可用性盘点，重点关注最近3到6个月的数据完整率。数据可用性低于70%的场景，不建议作为首期试点。

3. 验收指标能否用一两个数字说清。比如“缺陷漏检率从X%降到Y%”或“非计划停机次数减少Z次”。指标越单一，试点周期越可控。多指标耦合的试点，比如同时要求提效、降本、减人，往往三个月都收不了口。

4. 是否有明确的业务owner。试点不是IT部门单独能推的，必须有一个车间主任或工艺主管愿意每天花半小时看结果、给反馈。没有业务owner的试点，周期至少翻倍。

三、行业经验里的周期参考

从累计3200余家终端和120余家客户（覆盖15+行业）的落地观察看，工厂AI试点大致分三档：

轻量级试点，比如基于现有摄像头做安全帽识别、区域入侵检测，2到4周可完成部署和调参，适合作为AI认知入门。

标准级试点，比如轴承振动信号做故障预警、电子元器件外观AOI复判，6到10周是常见区间，包含数据清洗、特征工程、模型训练、产线小批量验证。

深度级试点，比如多工序参数联动优化、排产调度AI辅助，涉及系统集成和流程变更，建议按12周做规划，且必须分阶段设里程碑，每4周做一次go/no-go判断。

四、个性化建议

建议从“三个一”入手：一个车间、一条产线、一个明确指标。优先考虑已有数据基础且业务方主动提需求的场景。重点关注试点启动前两周的数据准备和基线确认——基线没定清楚，后面所有效果都说不清。如果企业第一次做AI试点，建议把周期控制在8周以内，先跑通“数据到决策”的小闭环，再考虑复制到更多产线。试点周期不是越短越好，但超过12周还没有阶段性结论的，大概率是场景选错了，及时收手比硬撑更划算。