问：工厂AI试点项目到底怎么选？投进去的钱怎么算回报？

答：选AI试点别贪大，先盯住一条产线或一个工位，用“高频重复+有数据基础+人工判断吃力”三个条件筛，回报评估则要在立项前就把人工工时、良率、能耗这些基线数据锁死，否则后面根本算不清账。

一、先定筛选范围，别一上来就搞全厂

你如果负责工厂智能化，第一步不是找AI厂商聊，而是把候选场景列出来，按三个维度打分：发生频率、数据可获取性、对人工经验的依赖程度。比如某电子厂的SMT炉后目检，每天几千片板子过线，AOI误报率高，复判全靠老师傅——这种就是典型的高频、有图像数据、依赖经验的场景。反过来，像设备大修这种一年几次、数据零散的，先放一放。

二、Step1 用“三有一无”做初筛

有数据：至少能拿到三个月以上的历史记录，图像、时序、工单都行。有基线：当前人工效率、不良率、能耗值能说清楚。有痛点：一线班组长自己就在抱怨的事，比老板拍脑袋选的靠谱。无合规风险：涉及人身安全、强监管的工艺，试点阶段先避开。

三、Step2 算回报要分“硬账”和“软账”

硬账就是直接省下来的人和料。假设一家汽配企业做压铸件表面缺陷检测，原来两条线配6个质检员两班倒，试点AI视觉后如果能把复判工作量砍掉一半，那省下来的人工工时乘以当地综合用工成本，就是最直观的分子。软账包括良率提升带来的材料节约、客户投诉减少带来的质量成本下降。注意，试点阶段别把“未来全厂推广后的收益”算进来，只算这条线本身。

四、Step3 设定12周左右的验证周期

工业AI试点不适合跑半年。建议前4周做数据清洗和模型冷启动，中间4周人机并行——AI出结果，人工复核但记录差异，后4周看能不能把人工复核比例降下来。每周末对一次基线数据，看趋势而不是看单点。

五、Step4 用“回收期”而不是“准确率”做决策

很多工厂被厂商带着看模型准确率，95%听着高，但落到产线上节拍跟不上、误报太多，工人直接关掉不用。你真正要盯的是：达到可接受的人工复核比例后，节省的工时和物料，多久能覆盖掉这次试点的投入（含数据标注、算力、集成工时）。如果算下来超过18个月，要么缩范围，要么换场景。

六、注意事项

别让IT部门单独扛试点，必须有一个懂工艺的车间主任参与定义“什么算对”。另外，试点前拍一张“当前状态”的照片或录一段视频，把人工操作节拍、复判动作都记录下来，后面汇报时比任何PPT都管用。该方案在120余家客户（覆盖15+行业）的落地经验里，最常见翻车点不是算法不行，而是基线没留、工人不参与、验收标准中途变。你按上面四步走，至少能把账算明白。