过去几年我们见过不少"很惊艳的 POC"最终没能走上产线。复盘下来，卡住项目的往往不是算法，而是下面三件事。
制造业的数据天然分散：MES 里有效率、EAM 里有维修、视觉系统里有判定、Excel 里还有老师傅的经验。AI 需要的不是"有很多数据"，而是对齐了时间轴与对象的数据。所以我们的项目通常先做数据盘点与打通，哪怕先只用最朴素的表结构——能跑起来的管道比完美的架构重要。
AI 系统上线后，谁看预警？谁对误报负责？谁决定停不停机？如果这些问题没有答案，系统很快会变成"又一个没人看的看板"。有效的做法是在试点阶段就指定角色：数据责任人、预警响应人、模型迭代人，并把使用情况纳入考核。
"准确率 95%"不是验收标准。可运营的验收标准长这样：连续 4 周、误报每天不超过 N 次、每次预警平均提前 X 小时、替代的人工工时为 Y。指标要能翻译成车间主任听得懂的损失与收益。
AI 项目不是算法竞赛，是一场"数据 + 组织 + 标准"的三线作战。
我们把这些经验沉淀进了交付流程：调研阶段就输出数据就绪度评估、角色清单与可运营的验收指标。如果你想评估自己工厂的"AI 就绪度"，欢迎联系我们聊聊。
