制造业 AI 落地的真实门槛：不是模型，是数据与流程

制造业上 AI 项目，失败的原因很少是模型能力不够。更多时候，项目在数据与流程上卡住：数据散落在不同系统里、格式不统一、关键信息靠人工记录；流程本身没有明确规则，无法转成系统可执行的判断。模型选型反而是整个链条里最容易被解决的一环。

数据问题有三类，性质不同

第一类是数据分散。同一批物料的信息可能在 ERP、台账、纸质单据里各有一份，字段口径还不一致。AI 应用要处理这些数据，先要解决取哪一份、以谁为准的问题。

第二类是数据不可用。有些信息从未被数字化，比如设备状态、班组交接内容、异常处置过程。这类数据需要先建立记录习惯，才谈得上分析。这个阶段的工作量常常被低估，因为它不属于技术范畴。

第三类是数据不标注。有了数据但没有标注，模型无法判断对错。制造业的标注往往需要老师傅的经验，而老师傅的时间稀缺，标注质量与速度都受制约。

三类的处理路径完全不同：分散靠梳理与打通，不可用靠流程改造，不标注靠经验沉淀。把它们统称为「数据问题」，容易导致用错方法。

流程问题在于规则没有被说清楚

制造现场的很多判断依赖经验，而非成文规则。同一个异常，不同班组的处理方式可能不同，老员工凭感觉就能判断，新员工需要问人。

AI 应用要把这类判断交给系统，前提是规则被明确表达出来。这需要把「凭经验」转成「按什么条件做什么处理」，这个过程往往暴露出原本存在的分歧：同一件事不同人理解不同，或者部分情况从未被考虑过。

因此流程梳理不是技术工作的前置准备，它本身就是项目的一部分，且往往是最耗时的部分。

迈过门槛的几个建议

先选数据基础较好的环节。不要一开始就选数据最乱的场景，那会让项目在准备阶段耗尽耐心。选一个数据相对规整、流程相对清晰的环节先跑通，形成可参考的方法。

把数据准备单独排期。数据梳理与标注是独立的工作包，需要单独的人与时间，不能作为技术任务的附属品。

让业务人员参与规则定义。规则来自业务经验，技术团队无法代劳。让熟悉业务的人参与，写出的规则才贴近实际。

接受阶段性不完善。全部数据都规范、全部规则都成文之后再上系统，周期会长到项目失去支持。更可行的做法是先覆盖主要情况，把例外交给人工，随运行逐步完善。