问：AI项目立项需要哪些准备工作？有哪些实际案例？

答：AI项目立项最怕的不是技术选型，而是业务目标没锁死、数据底数没摸清就匆忙上马。准备工作做到位的项目，落地周期通常能缩短三成以上。

一、先把业务痛点翻译成AI能解决的问题

很多制造企业立项时写的是"引入AI提升效率"，这种目标没法验收。假设一家汽配企业想解决质检漏检问题，立项书里应该写成"将某条产线的表面缺陷漏检率从当前水平降低到目标值，同时减少质检人力投入"。具体到产线、工序、指标，AI厂商才能判断用视觉检测还是时序分析。业务部门、IT部门、生产部门要坐在一起，把痛点按优先级排序，选出1到2个高频、高损耗、数据可获取的场景作为首期目标。贪多求全的项目，往往在POC阶段就卡住了。

二、数据盘点是立项阶段最容易被低估的工作

AI模型的效果上限由数据质量决定。立项前需要回答几个问题：产线设备有没有数据采集接口，历史数据存了多久，标注数据有没有积累，缺陷样本是否覆盖主要类型。某电子厂曾计划做SMT贴片缺陷检测，立项时才发现只有最近三个月的图片，且缺陷样本不足百张。后来调整方案，先用小样本学习加数据增强跑通流程，再逐步积累。数据盘点要形成清单：数据源、字段、时间跨度、标注情况、更新频率、存储位置。这份清单直接决定项目是三个月还是九个月。

三、技术路线和供应商评估要同步推进

立项阶段不需要敲定最终方案，但要明确技术边界。比如做设备预测性维护，是选振动分析加边缘计算，还是用电流信号加云端模型，取决于现场传感器条件和网络环境。供应商评估看三点：有没有同行业同场景的落地经验，能不能提供数据预处理和标注支持，模型部署后是否支持持续迭代。累计3200余家终端、120余家客户（覆盖15+行业）这类规模数据可以作为参考，但更关键的是让对方讲清楚在类似工况下踩过哪些坑。

四、组织保障和验收标准要在立项书里写死

AI项目不是IT部门的独角戏。立项时要指定业务负责人、数据负责人、技术对接人，明确每周例会机制。验收标准分阶段设定：POC阶段看模型准确率和召回率，试点阶段看产线运行稳定性和人工干预频次，推广阶段看投资回报周期。某化工厂在立项时约定，如果试点线连续运行30天误报率低于约定值，才进入下一阶段。这种分阶段对赌机制，比一次性大预算更稳妥。

五、小步快跑比一次性大规划更适合制造企业

假设一家汽配企业想做全厂AI质检，建议先选一条产线做试点。立项范围控制在一个车间、一条产线、一个明确指标。跑通后再复制到其他产线，边际成本会大幅下降。该方案在多个行业的落地经验显示，首期项目周期控制在8到12周、投入控制在可承受范围内，团队信心和数据积累都会更扎实。

总结建议：立项前把业务目标量化、数据家底摸清、验收标准分阶段写死，再选一个有同场景经验的厂商小范围试点。准备越细，后面扯皮越少。