AI在制造业的适用界限：一张图揭示其优势与局限

近期，我与众多寻求AI落地的制造企业交流，他们普遍面临一个难题：哪些场景适合引入AI？哪些则不适合？最令人担忧的是，投入数百万资金，却做了一件AI根本无法胜任的事。今天，我绘制了一张“AI适用边界图”，助你避免这笔不必要的开支。

先分享一个令我印象深刻的案例。

去年，智能制造部门计划实施“AI驱动的全自动排产”。

项目从立项、招标、供应商入驻到实施，耗时半年。预算为300万，实际花费达400万。最终结果——排产准确率不足65%，比资深排产员手工操作还低10个百分点。

总结阶段，大家非常不满，考虑更换供应商。

我进行了一次“事后分析”，发现一个问题——这家工厂的订单变更极为频繁，平均每天有20%-30%的订单需要调整；交期提前、临时插单、规格修改——客户的“随意性”远超任何AI模型的预测能力。

这种场景，AI根本无法应对。

并非模型不够强大；而是人——或者说外部环境——的不可预测性，超出了AI的处理边界。

“AI不适用于所有场景”这一认知，听起来简单；但在项目落地时，大多数企业都栽在了这一点上。

因此，今天我认真绘制了一张图——AI在制造业的“能”与“不能”；基于我过去两年在十几个项目中积累的经验。

一、AI能做什么？

先说能做的，我将其分为三类

第一类：模式识别

机器视觉质检——AI检测产品外观，判断是否存在瑕疵；设备预测性维护——AI分析振动信号，预测设备何时可能故障；工艺参数优化——AI基于历史生产数据，找出最优参数组合。

这类场景的共同特征：拥有大量历史数据、明确的“正反样本”、判断标准相对稳定。

AI在这些场景中，表现优于人类。准确率高、速度快、不会疲劳，这类场景是AI落地制造业的“基础领域”。

第二类：知识检索与复述

技术文档问答、操作规程查询、历史案例检索——你给AI一个标准知识库，它能提供良好回答。

这类场景的共同特征：答案已存在于文档中、无需创造新知识、判断标准清晰。

AI在这些场景中，表现与人类相当——找到好答案比翻手册更快，但注意，是“复述”，而非“创造”，AI无法帮你编写一份不存在的操作规程。

第三类：标准化流程的自动化

数据录入、报表生成、状态变更、信息通知。

这类场景的共同特征：规则明确、流程固定、无需判断。

AI处理这类任务，比人类快得多，但无需大模型——传统RPA更高效且成本更低。

二、AI不能做什么？

说完能做的，再谈不能做的，这一部分更为重要，因为“不能”的代价远大于“能”。

第一类：高不确定性决策

订单预测、市场趋势判断、投资决策。

这类决策变量众多、变化迅速，AI模型得出的“预测”与随意猜测差异不大。

我见过最糟糕的项目——一家企业花费200万构建“AI销售预测系统”，上线首月准确率仅40%；因为客户需求随时变化，AI根本无法提前知晓。

第二类：需要“常识性判断”的场景

车间里许多资深员工，凭经验就能判断“这个声音异常，设备可能出问题”。这种“难以言明”的经验，AI无法学习。

为什么？因为资深员工自己也说不清“那个声音”的具体特征，缺乏可训练数据。

第三类：规则频繁变化的场景

如前所述的排产案例——如果订单变更频率超过20%，AI无法应对。因为模型尚未学完新规则，规则又已更改。

第四类：缺乏数据积累的场景

新产线、新产品、新工艺。

没有历史数据，AI就像“婴儿”，但许多企业刚启用新产线，就急于让AI进行优化——数据仅运行三个月，样本量不足，如何优化？

三、我绘制的那张“AI适用边界图”

以上内容有些抽象，直接说明这张图的样子。

三个维度判断一个场景是否适合AI

维度一：数据的充分性

如果场景的历史数据积累少于6个月，或样本量少于1000条——不适合；如果数据质量存在问题（缺失率高、错误多、标注不统一）——不适合；如果场景的数据从未被采集过——别考虑AI，先安装传感器。

维度二：规则的稳定性

如果场景的业务规则变动频率超过每季度一次——不适合；如果不确定规则是否变化——不好说；如果场景的规则自建厂以来基本未变——非常适合。

维度三：判断的确定性

如果场景的判断标准可以用“是/否”或“数字”描述——适合；如果判断标准需要“看情况”、“凭感觉”、“依经验”——不适合；如果判断需要“人”来做最终决定——目前只适合AI做辅助，不适合AI做主决策。

这三个维度组合后，会形成一张“九宫格”——左上角是“非常适合AI”，右下角是“绝不适合AI”。

我见过的项目中，80%的失败案例位于右下角。

四、一个实用的决策清单

如果不想深入分析，我直接提供一个决策清单

这个场景是否应引入AI？问自己五个问题：

问题1：是否有足够的历史数据？（至少6个月、1000条以上）

问题2：数据质量是否过关？（缺失率<5%、错误率<3%）

问题3：业务规则是否相对稳定？（半年内不会大改）

问题4：判断标准是否清晰明确？（不是“看情况”）

问题5：如果AI出错，后果是否可控？（不会导致生产线停摆）

五个问题如果都是“是”——放心引入AI

如果有三个以上“是”——可以尝试，但控制范围。

如果有两个以下“是”——别上AI，先解决数据和流程问题。

五、写在最后

AI近年热度极高，制造业老板和技术负责人普遍焦虑——“不做AI不行，做了怕踩坑”。

我的建议很简单：别让焦虑替你做决策。

先搞清楚“这个场景是否适合AI”；弄清楚后，你会发现适合的只有一小部分，但那一小部分，已足够你用好几年。

制造业需要的不是“所有场景都上AI”，而是“在正确的地方用AI，在需要人的地方留住人”。

这里是一个在制造行业做了10年数据的人，下一篇聊聊另一个话题——「大模型幻觉在制造业的代价：一次错误的“答案”差点导致批量报废」，我们接着聊。