去年冬天在一家汽车零部件厂的车间里，产线主管指着刚上线三个月的视觉检测工位问我：这套东西到底值不值？当时屏幕上正跳出一张误判图片，一个明显合格的铸件被标成了缺陷。这个问题其实比“AI能不能用”更难回答，因为它牵扯到节拍、数据、人员、维护成本，还有一条很多人不愿意摆到台面上说的账：改造投入到底几年能回来。制造业智能化升级走到今天，AI工具已经不再是展厅里的演示品，而是实实在在进入质检、维护、排产、工艺、知识管理等环节的生产力工具。但工具多不等于好用，别人能跑通的方案搬到你的产线上，很可能连第一周都撑不过去。

这篇内容我打算把自己在离散制造、流程制造、电子装配等场景里见过的AI工具做一次系统盘点，重点不是罗列产品清单，而是讲清楚每类工具背后的适用条件、数据门槛、集成方式和适配性判断方法。你会看到机器视觉质检为什么落地最成熟却坑最集中，预测性维护为什么听起来很美但数据质量决定生死，排产优化为什么不能指望一键黑灯工厂。无论你是工艺工程师、设备主管、信息化负责人，还是刚接触工业AI的入门者，都能从下面这些实操细节和踩坑记录里找到能直接拿去用的判断依据。

1. 先把问题想清楚：制造业AI升级的真实边界与选型逻辑

1.1 制造业为什么突然开始认真谈AI工具

前几年工厂谈智能化，更多是上一套MES、加几台AGV、把看板搬到屏幕上，属于“信息化补课”。现在风向变了，核心原因是三个压力同时挤到了一起：一是人力结构变化，熟练质检员和设备维修师傅越来越难招，尤其是三班倒岗位，培训周期长、流失率高；二是订单结构从大批量少品种转向小批量多品种，换线频率从一周一次变成一天几次，靠人工经验调参数越来越吃力；三是质量追溯要求变严，客户审核时要能拿出每一批次的过程数据和判定依据，纸质记录根本应付不了。

这三个压力对应的正是AI工具最擅长的三件事：用视觉替代重复性目检、用数据模型辅助设备状态判断、用算法在多变约束下快速给出排产和工艺建议。但要注意，压力存在不等于AI就是最优解。有些问题用一套好的工装夹具、一次光源改造、一个防错装置就能解决，成本只有AI方案的十分之一。我在某注塑厂见过一个案例，产品飞边误检率居高不下，最后发现是模具排气槽堵塞导致批次性差异，清理模具后误检率直接降了一半，视觉模型根本不需要重训。所以选型的第一步不是看工具多先进，而是先把问题定义清楚：这是偶发问题还是系统问题，是感知问题还是执行问题，是数据问题还是流程问题。

1.2 三类落地场景的优先级排序

把制造业AI场景按落地难度和收益确定性排个序，大致可以分成三档。第一档是感知类场景，典型代表是视觉质检、OCR读码、尺寸测量、表面缺陷检测。这类场景输入输出明确，数据采集相对容易，效果可以用漏检率、误检率、节拍几个硬指标衡量，适合作为工厂的第一个AI项目。第二档是分析类场景，包括设备预测性维护、能耗分析、工艺参数寻优、质量根因分析。这类场景依赖历史数据积累和多源数据打通，收益周期长，适合已经有一定数据基础的工厂。第三档是决策类场景，比如高级排产、供应链协同优化、全厂级调度。这类场景约束条件复杂，组织协调难度大，往往需要前两档跑通之后再考虑。

我通常建议工厂按“先感知、后分析、再决策”的节奏走，不是因为后面的技术更难，而是因为前面的项目能帮组织建立三样东西：数据采集的习惯、跨部门协作的流程、对AI能力边界的正确认知。跳过前两步直接上排产优化，最后很容易变成IT部门和计划部门互相甩锅。某电子代工厂就吃过这个亏，直接上了一套智能排产系统，结果基础工时报不准、设备状态数据缺失、物料齐套率靠人工填，系统算出来的计划跟车间实际执行完全是两张皮，用了半年又退回Excel。

1.3 适配性评估的五个硬指标

判断一个AI工具能不能在你厂里落地，我一般看五个硬指标，缺一个都要打问号。第一个是数据可得性：需要的数据有没有、能不能采、采样频率够不够、历史数据能不能回溯。视觉质检至少要能拿到稳定光照下的清晰图像，预测性维护至少要有一段完整工况下的振动或电流波形，没有数据一切免谈。第二个是节拍匹配度：模型的推理速度必须跟产线节拍对齐，节拍三十秒一件的工位，推理加通信加执行反馈控制在两秒以内才比较从容；如果是高速冲压线，节拍几百毫秒，那就得考虑边缘部署和模型轻量化。

第三个是精度容忍度：不同场景对漏检和误检的容忍度完全不同。安全件漏检率要求可能是零容忍，误检率高一点还能靠人工复判兜底；外观件则更怕误检，因为复判成本会把收益吃掉。第四个是投入产出比：不能只看软件授权费，要把相机光源、工控机、网络改造、标注人力、上线后的维护人力全部算进去。第五个是运维可持续性：模型上线只是开始，后面还有数据漂移、产线换型、新缺陷类型出现，厂里有没有人能接住这些日常维护工作，决定了项目能活多久。很多项目死在第三个月，不是模型不行，是没人管了。

2. AI工具盘点：从质检到排产，哪些环节真正跑得通

2.1 机器视觉质检类工具：落地最成熟，坑也最集中

机器视觉质检是目前制造业AI工具里落地最广的一类，常见形态包括缺陷检测、尺寸测量、字符识别、装配完整性检查。工具链大致分三层：底层是成像系统，包括相机、镜头、光源、支架；中间层是算法平台，有传统图像处理库，也有基于深度学习的检测分割模型；上层是业务系统，负责跟MES、PLC对接，把判定结果变成分拣动作或追溯记录。很多工厂一上来就盯着算法层，觉得模型越新越好，实际上成像系统才是决定上限的关键。我见过太多项目，算法换了两轮，最后发现是光源角度不对导致缺陷对比度不够，换成背光或同轴光之后，同一个模型的效果直接上一个台阶。

相机选型有个简单算法：先确定视野范围和最小缺陷尺寸，再倒推分辨率。比如视野是200毫米乘150毫米，要求检出0.1毫米的缺陷，考虑缺陷在图像里至少占3到5个像素，那么横向至少需要200除以0.1再乘以3，等于6000像素，实际选型还要留余量，基本要上2000万像素级别的相机。如果视野更大或者缺陷更小，就得考虑分视野拍摄或者加显微镜头。这里有个常见误区：以为像素越高越好，结果选了高分辨率相机，帧率掉下来，节拍跟不上，或者镜头解析力不足，像素上去了画面还是糊的。镜头、相机、光源三者要匹配，不是单看参数。

算法平台的选择要看团队能力。如果厂里有算法工程师，开源框架加自研是性价比最高的路线，数据格式、模型结构、部署方式都可控；如果没有算法团队，选成熟的工业视觉平台更稳妥，虽然授权费高，但标注、训练、部署、版本管理都有现成工具，出问题有人兜底。不管走哪条路，都要在POC阶段把误检率和漏检率分开统计，不能只看一个综合准确率。安全件优先保召回，外观件优先保准确率，这两个指标的调优方向是相反的，提前跟质量部门对齐验收标准，比事后扯皮重要得多。

2.2 设备预测性维护类工具：数据质量决定成败

预测性维护的逻辑听起来很顺：采集设备振动、温度、电流数据，训练模型识别异常，提前预警避免非计划停机。但实际做下来，最大的拦路虎不是模型，是数据。很多工厂的设备要么没有传感器，要么传感器装了但数据没存，要么存了但采样率低得可怜，只看得到趋势看不到冲击特征。振动分析对采样率要求比较高，要捕捉轴承早期故障的冲击脉冲，采样率通常要到10千赫兹以上，有的场景甚至要20千赫兹。如果只在PLC里读一个振动有效值，那只能做阈值报警，做不了故障分类。

工具层面，预测性维护通常包含数据采集硬件、边缘计算网关、特征提取与诊断模型、预警管理平台。特征工程在这类场景里比端到端深度学习更实用，常用的时域特征包括均方根值、峰值、峭度、偏度，频域特征包括包络谱、边频带分析。某机械加工车间做过一个主轴轴承监测项目，前期用振动烈度做阈值报警，误报率很高，因为不同工件材质和切削参数下振动水平差异很大；后来改成按工况分组建模，结合电流信号做负载归一化，误报率降到了可接受范围。这个案例说明，预测性维护不能脱离工况谈阈值，同一台设备在空载、轻载、重载下的特征分布完全不同。

适配性判断上，我建议先问三个问题：这台设备停机一小时损失多少钱，故障是否有渐进发展过程，现有传感器能不能捕捉到早期征兆。如果是突发性故障，比如电气短路、皮带断裂，预测性维护意义不大，更适合做备件管理和快速响应；如果是轴承磨损、刀具钝化、过滤器堵塞这类渐进故障，才值得投入。另外，别一上来就铺全厂，选一台关键设备、一个典型故障模式先跑通闭环，把预警准确率和提前量验证清楚，再复制到同类设备。

2.3 排产调度与工艺优化类工具：别指望一键黑灯工厂

排产调度类AI工具的核心是在多约束条件下求解最优或次优计划，约束包括设备产能、模具寿命、物料齐套、交期优先级、换型时间、人员技能等。工具形态有规则引擎加启发式算法，也有基于约束规划或强化学习的求解器。这类工具的效果高度依赖基础数据的准确性，工时报不准、换型时间靠估计、设备故障率拍脑袋，输入垃圾输出的计划自然也是垃圾。某电子代工厂上线排产系统前，先花了两个月做基础数据治理，把每道工序的标准工时重新测了一遍，把换型时间按产品族细分，把设备故障记录补全，系统上线后计划达成率才从六成多提到八成以上。

工艺参数优化是另一个方向，典型场景包括注塑参数寻优、焊接参数推荐、热处理曲线优化、涂布厚度控制。这类工具通常结合实验设计、贝叶斯优化或代理模型，在少量试验次数内逼近最优参数组合。它的价值在于把老师傅脑子里的隐性经验变成可复用的参数库，减少对个人的依赖。但要注意，工艺优化不能完全交给算法，材料批次差异、环境温湿度、设备磨损都会影响结果，比较稳妥的做法是算法给推荐区间，工程师做最终确认，同时把每次调整的结果反馈回系统，形成闭环。

排产和工艺优化类工具的适配前提是流程已经标准化。如果车间连工单流转都靠口头传达，先上AI排产只会放大混乱。我的经验是，这类项目最好由计划部门主导、IT部门配合，而不是反过来。计划部门最清楚痛点在哪，也最有动力推动数据治理，IT部门负责工具落地和接口打通，两边职责分清，项目才不容易烂尾。

2.4 知识库与文档类工具：被低估的效率杠杆

制造业里有一类AI工具经常被忽略，就是面向设备手册、工艺文件、质量记录、维修案例的知识库问答和文档处理工具。工厂里的知识散落在PDF手册、Excel台账、老师傅的笔记本、微信群聊天记录里，新员工查一个故障代码要翻半天，老师傅退休带走一堆经验。基于检索增强生成的知识库工具可以把这些非结构化文档整合起来，用自然语言提问直接拿到答案，还能附带出处页码，方便核对。

这类工具的技术门槛相对低，但数据治理的工作量不小。文档要清洗、切分、打标签，不同版本的设备手册要区分，过时的工艺文件要下架，否则检索出来的答案可能是错的。某化工厂做过一个维修知识库，前期把近五年的维修工单结构化，把故障现象、处理措施、更换备件、停机时长做成字段，再跟设备手册关联，上线后新维修工的首次修复率有明显提升。这个场景的ROI不一定体现在直接人力节省上，更多体现在缩短故障排查时间、降低对个别老师傅的依赖、加快新员工上手速度。

适配性上，知识库工具适合文档量大、人员流动快、故障重复率高的工厂。如果厂里设备种类少、老师傅稳定、问题靠电话就能解决，投入产出比可能不划算。另外要提醒一句，涉及安全操作规程、危险作业指导的内容，不能让问答工具直接给结论，必须保留人工审核环节，工具只做检索和辅助，不做最终决策。

2.5 机器人编程与离线仿真类工具：小批量多品种的救命稻草

在焊接、喷涂、打磨、装配等机器人应用场景，AI辅助编程和离线仿真工具正在变得实用。传统示教编程需要停机、逐点示教，换一个品种就要重新来一遍，小批量多品种模式下停机损失很大。离线仿真工具可以在虚拟环境里完成轨迹规划、碰撞检测、节拍估算，再把程序下发到真实机器人，减少现场调试时间。更进一步的工具可以结合视觉识别工件位置和姿态，自动生成补偿轨迹，适应来料偏差。

这类工具的适配前提是机器人品牌和控制系统相对统一，如果厂里几十台机器人来自不同厂商、不同年代，离线仿真和后置处理的适配工作量会非常大。另外，仿真环境和真实环境之间永远有误差，工件装夹偏差、工具磨损、机器人绝对精度不足都会导致仿真轨迹在实际执行时碰撞或偏位，所以首次上线必须保留低速试运行和人工确认环节，不能直接全速跑。我见过的做得比较好的案例，是把离线仿真和视觉纠偏结合起来，仿真负责大轨迹规划，视觉负责小范围补偿，既减少了示教时间，又保证了实际执行的容错能力。

3. 适配性分析怎么做：一套可复用的打分模型

3.1 五维评分表与权重设计

前面说的五个硬指标，落到实操层面可以做成一张打分表，每个维度按一到五分打分，再根据场景特点分配权重。数据可得性权重最高，因为没有数据后面全是空谈；节拍匹配度对高速产线权重要调高；精度容忍度对安全件场景要单独加权；投入产出比和运维可持续性则决定了项目能不能长期活下去。下面这张表是我在多个项目里反复调整后用的一个版本，权重可以根据行业特点微调。

打分之后不要简单加总就做决定，要看有没有单项低于两分的维度。如果数据可得性只有一分，其他维度再高也建议先做数据治理，不要硬上。如果运维可持续性只有一分，那就要么换供应商，要么提前培养内部接盘的人，否则项目上线即巅峰，三个月后开始烂。

3.2 不同规模工厂的适配策略差异

大型工厂和小型工厂的AI工具选型逻辑完全不同。大型工厂有IT团队、有数据平台、有预算，适合走平台化路线，选可扩展的工业AI平台，把视觉、预测性维护、知识库都挂上去，统一数据标准和权限体系。但大厂的问题往往是流程长、决策慢、部门墙厚，POC做完到全面推广可能拖一两年，期间业务需求又变了。所以大厂做AI项目要特别强调“小步快跑”，每个阶段都有明确的验收指标和退出机制，避免变成无限期的内部项目。

中小工厂预算有限、人员有限，适合走单点突破路线，选一个痛点最明显、收益最容易量化的场景，用成熟的标准化产品快速上线，不要追求平台化。比如只有一条产线、一个质检工位，那就直接上视觉检测一体机，相机光源算法打包好，供应商负责部署和初期维护，厂里安排一个人学会日常操作和简单故障处理就行。中小厂选工具时要特别关注供应商的行业案例和本地服务能力，软件功能差一点可以忍，出了问题找不到人响应才是致命的。

3.3 ROI测算的完整算例

ROI测算不能只算软件钱，要把全生命周期成本摊开。以一个视觉质检工位替代两名质检员为例，假设三班倒，每班需要两人，实际涉及六名质检员，人均年综合成本八万元，一年人力成本四十八万元。系统投入包括工业相机和镜头三万元、光源和支架一万元、工控机两万元、算法平台授权八万元、集成实施五万元，合计十九万元；每年维护费按软件授权的一定比例算，约两万元，再加一名内部兼职运维人员百分之二十的工作量，折合一万六千元。第一年总成本约二十二万六千元，之后每年约三万六千元。

收益方面，除了人力节省，还要算质量损失下降和节拍提升。假设原来漏检导致的客户退货和返工损失一年十万元，上线后下降六成，节省六万元；节拍从原来人工目检的二十五秒降到二十秒，产能提升带来的边际收益按订单情况另算。保守估计第一年净收益约三十一万四千元，投入二十二万六千元，回收期约九个月；后续每年净收益约五十万四千元。这个账算出来比较好看，但前提是系统稳定运行、误检率控制在可接受范围、质检员转岗后真正释放了人力。如果误检率过高需要保留大量复判人员，人力节省就要打折，回收期可能拉长到两年以上。所以ROI测算一定要做敏感性分析，把误检率、人工复判比例、维护成本分别上下浮动百分之三十，看回收期怎么变，再决定要不要投。

3.4 部署方式选择：边缘、私有化与云端

部署方式直接影响成本、延迟和数据安全。视觉质检和高速检测场景基本都要走边缘部署，相机采集、模型推理、结果输出都在产线旁边的工控机或边缘盒子里完成，延迟可控，网络断了也不影响生产。预测性维护可以在边缘做特征提取和初步诊断，把特征数据和预警结果上传到私有云做长期趋势分析和模型迭代。知识库问答和排产优化这类对实时性要求不高的应用，可以放在私有化部署的服务器上，数据不出厂区。

云端部署在制造业里要谨慎，尤其是涉及工艺参数、产品图纸、客户订单的数据。不是技术上行不通，而是很多工厂的客户合同里明确要求数据不得离开厂区。如果一定要用云端，至少要做数据脱敏和分域管理，把敏感数据和普通数据分开。我的建议是，核心生产数据优先私有化，非敏感的办公协同和通用知识库可以考虑云端服务，但前提是跟法务和信息安全部门确认过合规边界。

4. 实操过程：从POC到上线的关键环节

4.1 数据采集与标注的现场做法

视觉质检项目的数据采集，最容易被低估的是光照稳定性。同一款产品，上午自然光斜射进来和下午背光，图像差异可能比缺陷本身还大。比较稳妥的做法是搭一个封闭拍摄箱，用稳定光源，相机固定焦距和光圈，曝光时间锁死，避免自动曝光导致图像亮度漂移。采集时要覆盖不同班次、不同批次、不同模具、不同环境温湿度，宁可前期多花一周采数据，也不要上线后天天补数据。缺陷样本的采集尤其要跟质检部门配合，让他们把日常判为不合格的产品留下来，按缺陷类型分类存放，同时记录判定依据，避免标注时靠猜。

标注环节要制定明确的标注规范，什么算划痕、什么算压印、多长的划痕算缺陷、边缘区域怎么处理，这些都要写成文档，让所有标注人员按同一标准执行。标注一致性可以用抽检的方式验证，同一批图像让两个人分别标，计算一致率，低于九成就要重新培训。缺陷样本量方面，常见缺陷每类至少几百张，长尾缺陷至少也要有一两百张，实在凑不够可以用数据增强，但增强不能代替真实样本，尤其是光照变化和遮挡情况，合成数据的效果往往打折扣。

4.2 模型训练与阈值调优

模型选型要看任务类型和部署条件。缺陷检测常用单阶段检测网络或分割网络，前者速度快、适合节拍紧的场景，后者能给出像素级缺陷区域、适合需要测量缺陷面积的场景。输入分辨率要跟缺陷尺寸匹配，缺陷在图像里太小就适当提高分辨率或分块推理，但分辨率越高推理越慢，要在精度和速度之间找平衡。训练时把数据分成训练集、验证集和测试集，测试集要按批次或时间段划分，不能随机打散，否则同一批次的高度相似图像会同时出现在训练和测试里，指标虚高。

阈值调优是上线前最关键的环节。模型输出的置信度阈值直接决定漏检和误检的平衡，阈值调高漏检增加，阈值调低误检增加。实操中建议先确定业务底线，比如安全件漏检率必须低于万分之一，然后在这个约束下尽量降低误检率。调阈值不能只看测试集，要拿一段真实产线的连续视频流跑一遍，统计实际节拍下的表现，因为单张图片测试和连续视频流推理的分布可能有差异。上线后前两周要每天复盘误判样本，把新出现的缺陷类型和新出现的光照干扰补进训练集，快速迭代一版模型，这个阶段的响应速度比模型本身多先进更重要。

4.3 与MES和PLC的集成

AI工具要真正产生价值，必须跟现有生产系统打通。视觉质检的判定结果要传给PLC触发分拣机构，要传给MES记录追溯信息，不良品要自动生成返修工单。集成方式常见的有两种：一种是通过PLC的IO信号做简单触发，视觉系统给出合格或不合格信号，PLC控制气缸动作；另一种是通过工业协议或消息队列把结构化结果传给上位系统，包含缺陷类型、位置、置信度、图像路径。前者实现简单但信息量少，后者信息完整但需要接口开发。

集成时要注意时序问题。相机拍照、模型推理、结果输出、PLC动作之间有时间差，如果产线节拍很快，这个时间差可能导致分拣机构动作滞后，把合格品打掉或者漏打分拣。解决办法是把拍照触发点提前，或者在输送线上留出足够的缓冲距离，让推理和动作有足够时间完成。另外，网络通信要有超时和重试机制，不能因为一次通信失败就让整条线停住，比较稳妥的做法是通信失败时默认放行到复判工位，同时报警提示，避免误杀合格品。

4.4 试运行与验收指标

试运行阶段要分三步走：先空跑，不接执行机构，只记录判定结果，跟人工判定做对比，看误检漏检分布；再低速联动，接上分拣机构但降低产线速度，验证时序和动作准确性；最后全速运行，连续跑至少一周，统计稳定性和节拍达成情况。验收指标不能只看模型准确率，要包括系统可用率、平均无故障时间、误判复判率、节拍达成率、操作人员上手时间。某工厂验收时只看模型准确率到了九成五就签字，结果上线后发现每天要复判几百张图，质检员工作量没降反升，最后又花了一个月调阈值和补数据。

验收时还要约定模型迭代责任和响应时限。新缺陷出现时谁负责标注、谁负责训练、多久能更新版本，这些要在合同里写清楚。如果供应商离场后厂里没人能接，那这个系统就是一个定时炸弹。我的建议是，上线前就让厂里的工艺或IT人员参与标注和训练流程，哪怕只是跟着做一遍，也要把流程和工具链留下来。

5. 常见问题与排查技巧实录

5.1 误检漏检的排查路径

误检漏检上来不要先怀疑模型，按“成像、数据、模型、阈值、集成”的顺序排查效率最高。先看图像本身，缺陷在图像里是否清晰可辨，光照是否稳定，镜头是否有污渍，相机是否失焦。我遇到过好几次误检率突然上升，最后发现是车间粉尘落在镜头前盖上，擦干净就恢复了。再看数据分布，最近有没有换批次、换模具、换材料，新批次的颜色或纹理跟训练集差异大不大。然后看模型指标，验证集和测试集的表现是否一致，如果测试集好但产线差，大概率是数据分布不匹配。

阈值和集成放在最后查。阈值是否被误改，不同缺陷类型是否用了同一个阈值，集成环节的信号时序是否有偏移导致图片错位。排查时建议保留最近一段时间的原始图像和判定记录，按时间轴对齐，看误判是否集中在某个时间段、某个班次、某个工位，用排除法缩小范围。这张速查表可以贴在工位旁边，出问题时按顺序过一遍。

5.2 模型漂移与环境变化

模型上线后性能下降是常态，不是意外。产线换型、材料批次变化、设备磨损、季节温湿度变化都会导致数据分布漂移。比较健康的做法是建立日常监控指标，包括每日误检率、漏检率、置信度分布、图像亮度均值，一旦某个指标连续几天偏离基线，就触发复查。不要等到客户投诉才去查。某工厂的做法是每周抽检两百张产线图片，人工复核后把新发现的缺陷类型补进训练集，每月迭代一次小版本，每季度做一次完整评估，这个节奏坚持下来，模型寿命能延长不少。

环境变化里最容易被忽略的是光源老化。LED光源用久了亮度会衰减，色温也可能偏移，肉眼看不出来，但图像特征已经变了。建议每季度用标准色卡或标准样件校验一次成像系统，记录亮度值和色彩值，偏差超过一定范围就更换光源或调整参数。相机镜头也要定期清洁，尤其是粉尘大的车间，清洁周期可能短到一周一次。

5.3 现场人员抵触与流程落地

AI工具上线最大的阻力往往不是技术，是人。质检员担心被替代，班组长担心多一套系统增加工作量，维修工担心预警不准反而添乱。破解这个问题的办法不是开会讲愿景，而是让一线人员参与早期试点，让他们亲手用、亲手提意见。某工厂做视觉检测试点时，专门让两位质检员参与标注和阈值讨论，上线后这两位成了最积极的使用者，因为他们发现系统把最伤眼睛的细小划痕检测接过去了，自己可以转到复判和异常处理岗位，工作强度降了，技能要求还高了。

流程落地要跟绩效考核对齐。如果系统判了不合格但车间为了赶产量强行放行，那系统就形同虚设。比较稳妥的做法是把系统判定结果纳入质量追溯，放行需要授权并记录原因，事后复盘。同时要给一线留反馈通道，误判可以一键标记，每周汇总分析，让使用的人感觉到自己的反馈被重视，抵触情绪会小很多。

5.4 供应商选型与长期维护的坑

选AI工具供应商，不要只看演示效果，要看三件事：一是行业案例是否跟你场景接近，做3C外观检测的供应商未必懂铸件缺陷；二是数据归属和模型可迁移性，训练数据归谁、换供应商能不能带走模型、能不能自己迭代；三是本地服务响应能力，出了问题多久能到现场。有些供应商演示时用精心挑选的样本，效果惊艳，实际部署后发现通用性很差，每次换型都要重新收费训练，长期成本反而更高。

合同里要明确验收标准、迭代次数、响应时限、数据归属和退出机制。特别是退出机制，很多工厂签合同时没想那么远，用了两年想换供应商，发现数据和模型都带不走，只能继续续费。我的建议是，关键项目要求供应商交付可独立运行的模型和标注工具，至少保证厂里有能力做基本的增量训练，哪怕效果不如原厂，也不至于被完全锁死。

最后分享一个我在多个项目里验证过的做法：每个AI项目上线后第三个月做一次“冷静复盘”，不看上线时的验收报告，只看最近一个月的真实运行数据，算清楚实际节省的人力、实际减少的质量损失、实际发生的维护工时，再跟当初的ROI测算对比。如果偏差超过三成，就要认真分析是场景选错了、工具不合适，还是流程没跟上。这个复盘动作看起来简单，但能帮你避免在同一个坑里反复交学费。制造业智能化升级不是买一套工具就完事，它更像是在产线上养一个需要持续调教的新员工，你得给它数据、给它反馈、给它时间，它才能真正把活干好。