AI进车间走到哪一步了？生产管理智能化的真实进度

这两年“AI 进车间”的说法听得耳朵起茧：发布会上什么都智能，落到车间里什么都要人工。制造企业的老板们分成了两拨，一拨生怕错过时代被甩下，一拨被各种概念伤过不再信。抛开两头情绪，AI 在生产管理环节的真实进度到底如何？哪些场景已经真金白银地跑起来了，哪些还停留在 PPT 里？这篇行业观察基于近两年可看到的落地案例和行业动向，给一个尽量客观的进度条。

一、先说结论：AI在生产管理里分三层

把“AI 进车间”这个词拆开，实际是三层完全不同成熟度的事情。混在一起谈，是当前舆论混乱的根源。

还有一个背景值得交代：这几年各地推“人工智能+制造”的试点名单越来越长，入选试点的好处除了政策背书，更多是拿真产线验证了场景成色——跑通的场景被批量复制，跑不通的悄悄退场。市场正在用这种笨办法，把真能用的 AI 一层一层筛出来。对多数制造企业，眼下真正值得投入的是第一层和第二层的头部场景。第三层不是不能碰，而是别为它付大钱——它目前更像是前两层攒够数据后的免费赠品。

二、排产：最被低估的落地场景

AI 在生产管理里跑得最扎实的场景，出乎很多人意料——是排产。逻辑不玄：排产本质是约束求解问题，机器天然比人擅长。订单交期、设备产能、模具切换、物料齐套，几十个约束条件里找最优解，计划员靠经验排一版要小半天，还不保证可行。

1. 落地形态：辅助而不是取代

目前跑得好的项目都是“辅助排产”：系统给出一版可行计划，计划员看着调。某汽配工厂的应用数据是：一版车间级周计划从人工约4小时压到半小时以内（该厂上线后内部统计），插单后的连锁交期影响当场算出。计划员没有失业，但从“画表格的人”变成了“审计划的人”。

2. 前提条件别忽略

排产 AI 吃的是数据：工序标准工时准不准、设备状态真不真、在制数量实不实。数据底座不稳的厂，排出来的是精确的错误。所以行业里常见路径是先上工单系统把数据跑实，再上排产辅助——顺序反了就是白花钱。

三、质检：视觉AI规模化的主战场

视觉质检是 AI 在车间里商业化最成功的场景，没有之一。手机盖板、锂电极片、纺织布面、紧固件外观，凡是缺陷模式相对固定、图像可标准化的检项，视觉方案的检出能力和稳定性都已超过人工目检——人盯八小时会疲劳，相机不会。

• 检出能力：标准场景下漏检率普遍降到人工的几成（多家应用案例反馈区间）
• 人力结构：一个目检班组从十余人缩到两三人做复核，招聘难的问题顺带解决
• 数据沉淀：每件产品的缺陷图像自动归档，质量分析第一次有了全量样本

落地方式也在变轻。以前视觉质检是整线定制项目，现在标准场景出现了按工位订阅的服务——相机加算法包月付费，不用一次性砸几十万。这对中小工厂是实质性的门槛下降，外观检人手一直招不满的厂子，算笔账往往就能立项。

边界也要说清楚：换型频繁、缺陷形态千变万化的多品种小批量场景，视觉方案调校成本仍然高，不如人灵活。买视觉质检，先看自己的产品形态稳不稳定，别被演示视频带节奏。

四、预测性维护：叫好多年，正在补课

设备预测性维护讲了很多年“从坏了修到预知修”，真实进度是：头部的流程工业（化工、钢铁、电力）已有成熟应用，离散制造的多数工厂还停在“振动温度上了阈值报警”的初级阶段。差的原因不复杂——预测模型要吃历史故障数据，多数工厂连设备台账和维修记录都还没数字化，巧妇难为无米之炊。

顺带说一个正在发生的信号：一些设备厂商开始在新机上预装传感和采集模块，数据出厂就绪。再过几年，新设备自带监测可能成为标配，届时预测性维护的门槛会再降一截——但存量老设备居多的厂，眼下还是先补台账和工单的课。

当下务实的选择是先把点检、维修工单的数字化做了（这一步性价比极高），数据攒一两年，预测性维护的门票就到手了。跳过底座直接买预测平台的，大多沦为摆设——这类案例行业内不少，钱花了，模型没东西可学。

五、大模型进车间：目前最值钱的是“问数”

大模型在生产场景的落地，目前真正跑起来的是一个朴素场景：自然语言问数据。老板打开手机问“这周三号线的产量和上周边多少”，系统直接答数并出图——不用等人做报表。这背后是文本转查询技术把“提数”这件事的门槛打到了地板上。

更进一步的应用（自动写工艺参数、自主决策调度）还早：车间对错误的容忍度极低，大模型的幻觉问题在生产决策场景是硬伤。行业共识是让大模型做“副驾”——出建议、做汇总、写报告，方向盘仍在人和传统系统手里。对这个词保持关注可以，重金押注建议再等等。

六、冷却剂：三个正在退潮的噱头

说完了进场的，也点点退场的，帮大家省点学费。其一，“无人车间”叙事退温——真做到少人化的产线凤毛麟角，多数宣传图里的黑灯工厂是定制化程度极高的样板，复制成本远超普通企业承受力。其二，“AI 一键排产全托管”缩水成辅助排产，全托管版在动态扰动多的车间表现不稳定，供应商自己也改了口。其三，各类“智能制造等级认证”衍生咨询，兜售的概念大于交付的实效，签单前先要求对方出示同规模同行业的落地案例。退潮不是坏事，泡沫散了，留下来的场景才是真金。

七、给制造企业的三步走建议

看完进度条，落到自己厂里怎么办？给一个不追赶时髦但不会掉队的路线。

1. 第一步（当下）：工单、报工、点检数字化，把数据底座打实，这一步与AI无关但决定后面所有事
2. 第二步（半年内）：在痛点最尖的场景单点上AI——排产辅助或视觉质检二选一，用可量化的效果说话
3. 第三步（一年后）：数据攒够了再评估预测性维护和问数场景，此时议价能力和判断力都远好于现在

再看一眼成本结构的变化：轻量生产管理工具按年订阅的价位，对百人规模的工厂已经压到一名普工年人力成本以下；视觉工位订阅费与目检岗位月薪大体同量级（市场多方询价的大致区间）。AI 从“战略投资”变成“运营开支”，这个性质变化，比任何技术突破都更能预示普及速度。

有个判断标准可以一直用：凡是不能在三个月内给出可核对效果数字的 AI 项目，一律先放一放。车间的钱是一分一分挣的，投入也要一分一分看得见。想先把第一步数据底座打牢的，可以看看生产管理系统方案；从工单报工起步的，这套工序工单应用就是为底座数据设计的最小起点。AI 的班车很多，错过一班还有下一班；底座没打好，哪班车都上不去。