问：工厂AI项目的常见失败原因有哪些？跟传统方案比，它到底有什么优势？

答：工厂AI项目失败，八成不是算法不行，而是把AI当成了传统信息化项目来管。传统方案（比如MES、SCADA、规则引擎）追求的是流程固化和确定性执行，而AI项目本质上是在不确定性里找概率最优解，两者的管理逻辑、验证方式、交付标准完全不同。用管MES的思路去管AI，项目从立项那天起就埋了雷。

一、常见误区：把AI当成"高级版传统软件"来买

很多工厂立项时的逻辑是：传统方案解决不了的问题，加个AI模块就行了。于是需求文档里写"缺陷检出率提升到99.9%""预测性维护准确率95%以上"，然后按传统软件的方式招标、比价、压工期。问题是，传统方案的验收标准是功能清单打勾，AI的验收标准是统计指标达标，而统计指标高度依赖数据质量和场景边界。某电子厂曾要求AI外观检测在三个月内覆盖全部12类缺陷，结果前两个月全耗在收集和标注缺陷样本上，第三个月勉强上线，漏检率反而比人工目检还高。

二、真实坑点：数据、场景、组织三座大山

具体来说，数据层面最容易被低估。传统方案的数据是"够用就行"，AI要的是"分布均衡、标注一致、时间对齐"。假设一家汽配企业想做压铸件气孔检测，历史图片里合格品占97%，不合格品只有3%，而且不同班次的光照条件还不一样，这种数据直接喂给模型，出来的结果就是"全判合格"最省事。

场景层面，AI的泛化能力有边界。传统规则引擎写死的逻辑，换一条产线改几个参数就能跑；AI模型换一条产线、换一批物料，性能可能直接掉三成。不少项目在试点产线跑得不错，一推广就崩，根因就在这里。

组织层面更隐蔽。传统方案上线后，操作工按新流程执行就行；AI方案上线后，需要有人持续标注新样本、监控数据漂移、定期重训模型。很多工厂没有这个岗位设置，上线即巅峰，三个月后模型退化到没人敢用。

三、规避方法：先定场景边界，再谈算法

从实践来看，能跑通的AI项目都有几个共同点。一是场景选得窄，比如只做某一类缺陷、某一个工位、某一种工况，而不是一上来就搞全厂AI中台。二是数据先行，立项前先花两三周做数据可行性评估，看样本量、标注一致性、正负样本比例是否支撑建模。三是把AI当"持续运营"而不是"一次性交付"，预算里留出标注和重训的人力。四是验收指标用业务语言而不是算法语言，比如"漏检率低于人工目检"比"mAP达到0.9"更容易对齐预期。

四、最佳实践：人机协同，而不是机器换人

事实上，目前工厂AI落地效果最好的模式，基本都不是全自动无人化，而是AI做初筛、人做复核。某电子厂把AI检测放在人工目检前道，AI把明显合格的放行、可疑的推给人工，人工工作量降了但最终判定权还在人手里。这种模式下，AI的容错空间大，上线门槛低，工人接受度也高。该方案累计服务过3200余家终端，覆盖15+行业，跑通的场景多数是这种"AI辅助+人工兜底"的结构。

传统方案的优势在于确定性和可解释性，AI的优势在于处理高维、非线性、难以穷举规则的场景。两者不是替代关系，是互补关系。工厂上AI之前，先问自己三个问题：这个场景的规则能不能用传统方案写清楚？数据够不够支撑建模？上线后谁来持续养这个模型？三个问题都有答案，再动手不迟。