问：我们工厂想搞个AI试点项目，选供应商的时候到底该注意什么？感觉市面上做工业AI的太多了，怕踩坑。

答：选工厂AI试点供应商，最核心的一条是别冲着“算法多牛”去，而是看对方能不能在你这条产线、这个工位上把问题闭环掉。很多工厂第一次做AI试点，容易把供应商当成软件外包来选，比参数、比价格、比PPT，结果上线后才发现数据接不上、现场没人会用、模型漂移了没人管。下面按常见的坑来说。

一、先避开三个常见误区

第一个误区是只看算法团队背景，不看工程落地能力。工业AI跟互联网AI不一样，现场有油污、震动、光照变化、老设备没有数据接口。假设一家汽配企业的冲压车间想用AI做表面缺陷检测，供应商如果只会调YOLO模型，不会处理PLC信号触发、不会做光源选型、不会跟产线节拍对齐，那试点一定卡在“演示环境很好、现场跑不起来”。

第二个误区是追求大而全的平台，忽视单点验证。有些厂商一上来就推“工业AI中台”，要接MES、ERP、SCADA，周期长、投入大。试点项目的目的是用最小代价验证AI在这个场景到底有没有用，不是搞数字化基建。

第三个误区是只谈准确率，不谈误报率和漏报率。产线上误报多了，工人直接关掉系统；漏报多了，质量事故照样出。这两个指标必须跟供应商在合同里写清楚，而且要在你的真实数据上测。

二、真实的坑点往往在数据和人

数据方面，很多工厂的历史数据要么没存，要么存了但没标注，要么标注标准不统一。供应商如果拍胸脯说“你们不用管数据，我们都能搞定”，反而要警惕。靠谱的做法是试点前先做一次小范围的数据可用性评估，哪怕只抽几百张图、几百条时序数据，也能看出问题。

人的方面，试点项目最容易忽略的是现场操作工的参与。假设某电子厂做SMT贴片后的AOI复判AI，如果供应商只跟IT部门对接，没让产线班长和质检员参与标注规则制定，上线后工人会觉得“这AI还没我眼睛准”，用两周就闲置了。所以选供应商时，要看他们有没有把“现场人员培训”和“反馈闭环”写进方案。

三、规避方法：用四个问题筛供应商

1. 你们在我这个行业有没有跑通过类似场景？不用看客户logo墙，直接问“这个场景下最常出现的三个失败原因是什么”，答不上来的基本没真做过。

2. 试点周期多长？超过8周的慎选。工业AI试点最好4到6周出阶段性结论，哪怕结论是“这个场景不适合AI”，也是价值。

3. 模型部署在哪里？边缘盒子、工控机还是服务器？要不要改现有产线？改产线意味着停线成本，这个必须提前算。

4. 试点结束后，如果我们要自己维护，你们交什么？至少要有标注规范、模型更新流程、异常处理手册。只交一个黑盒模型文件的，后面会被绑定。

四、最佳实践：小场景、窄切口、强闭环

选供应商时，优先找那种愿意跟你一起把场景缩到最小的。比如不要做“整条线的AI质检”，先做“某一个工位的一种缺陷”。假设一家注塑企业，先只做“产品表面黑点检测”，把相机、光源、算法、剔除机构全部跑通，再复制到其他缺陷类型。这种供应商通常有120余家客户（覆盖15+行业）的落地经验，知道怎么控制试点范围。

另外，合同里建议写清楚三件事：试点验收标准（用你的数据、你的节拍）、数据归属和保密、试点失败后的退出机制。别觉得谈退出伤感情，工业AI试点失败率不低，提前说好反而双方都轻松。

最后总结一句：选工厂AI试点供应商，本质是选一个能跟你一起蹲现场、愿意把问题拆小、并且交得出维护能力的合作伙伴。算法只是其中一环，工程化能力和行业理解才是决定试点能不能收尾的关键。