第一场景不是选最先进，而是选最容易形成闭环
一个合适的试点要同时满足四个条件：任务每周反复发生，当前时间或损失可以估算，所需资料能够合法获得，错误可以被人工发现并接管。满足这些条件，团队才能在短周期内看到真实差异，也能用数据决定是否继续投入。
反过来，涉及设备控制、生产安全、自动报价和客户承诺的场景，即使价值很高，也不一定适合第一步。它们通常依赖 OT 接口、长期历史数据、硬约束建模和严格审批。企业可以先做离线建议或验证台，证明逻辑和数据质量，再逐步进入生产。
五类常见场景，实施门槛并不相同
技术知识问答和销售资料助手通常起步较快，因为资料已经存在，结果也能由工程师复核。但前提是处理产品版本、适用条件和引用来源。排产优化价值直接，却必须掌握订单、工艺、设备、人员、换线、物料和交期等硬约束，不能只让大模型生成一个计划。视觉质检需要稳定图像、缺陷标注、现场光照和与质量流程的连接。
设备预测维护依赖传感数据、故障标签和足够长的历史周期，早期更适合异常提示而不是自动判断故障。经营分析看似只需报表，实际上必须先统一指标口径、数据时间和责任部门。不同场景需要的核心技术不同，不能用一个聊天模型解决所有问题。
- 知识助手：资料治理、版本与引用是重点
- 排产优化：硬约束、求解器和计划员复核是重点
- 视觉质检：图像质量、标注和现场稳定性是重点
- 设备维护：时间序列、故障标签和安全边界是重点
- 经营分析：指标口径、数据真相源和责任闭环是重点
用一张场景评分表做出第一步决定
可以从业务价值、发生频率、数据可得、结果可验、集成难度、安全风险和负责人意愿七项打分。不要只让技术部门评分，业务负责人、数据负责人和最终验收人必须共同参与。总分高但安全风险不可控的场景仍应暂缓；价值中等但能快速闭环的场景，更适合建立企业第一批经验。
试点开始前固定基线：当前每单耗时、返工次数、等待时间、错误类型和人工成本。上线后用相同口径比较，并记录 AI 建议被接受、修改和拒绝的原因。这样企业得到的不只是一套系统，还得到一套判断后续场景的项目方法。
执行检查表
- 01列出候选场景和当前业务代价
- 02确认数据来源、负责人和可用周期
- 03标记安全、质量与客户承诺风险
- 04定义人工接管和失败回退
- 05先做离线验证或最小闭环
- 06用基线数据决定是否扩展到生产
常见问题
制造业第一个 AI 场景一定是知识库吗？
不一定，但知识类场景通常资料已有、风险较低、便于复核。最终仍要按企业数据和业务代价评分。
大模型可以直接做智能排产吗？
大模型适合解释需求和生成交互，但硬约束排产通常需要确定性规则或求解器，并由计划员复核。
没有完整历史数据还能做 AI 吗？
可以先做资料治理、流程助手或离线验证；预测类项目则需要先补采集、口径和标签。