- AI 诊断的目标不是列出所有可能场景，而是筛出最值得试点的场景。
- 一个好场景必须同时具备业务价值、数据基础、流程承接和使用者。
- 诊断输出应包含场景地图、优先级排序、数据清单和试点章程。
为什么 AI 需要先诊断
制造企业推进 AI 时，常见起点是“我们也要做 AI”。但这个起点太宽泛，容易把讨论带向模型、平台、供应商和预算。真正能够落地的 AI 项目，必须回到具体业务问题：哪类损失最大？哪个岗位每天会使用？数据从哪里来？输出会进入哪个管理动作？
如果没有诊断，企业很容易选择看起来先进、实际难以落地的场景。例如全厂智能决策、自动排产优化、全流程质量预测等。这些方向可能有价值，但对数据、流程和组织要求很高，不一定适合作为第一批试点。
AI 诊断的五个问题
问题是否影响质量、成本、效率、交付或安全？损失规模多大？
业务损失清单、指标基线、优先级排序。
数据是否存在，口径是否一致，历史记录是否可追溯？
最小可用数据集、数据缺口清单。
AI 输出会进入哪个会议、审批、复盘或操作流程？
岗位工作流、管理节奏调整建议。
谁使用，谁复核，谁负责行动关闭？
关键用户清单、培训和辅导计划。
哪些判断必须人工确认，哪些数据不能进入模型？
权限、复核、数据安全和禁用边界。
从场景地图到试点章程
诊断结束后，不应只形成一份建议报告，而应形成可以启动试点的章程。章程至少包括：试点问题、业务指标、使用者、数据来源、AI 辅助范围、人工复核机制、试点周期、收益验证方法和推广条件。
场景地图用于让管理层看到全局机会，试点章程用于让团队开始行动。二者缺一不可。只有地图没有章程，项目容易停在规划；只有章程没有地图，企业可能选择了局部价值不高的场景。
诊断现场应该看到什么
一次有效的 AI 诊断，不应该只在会议室听各部门介绍。顾问需要走到现场，看班组会怎么开，日报怎么填，异常怎么升级，质量工程师如何查历史问题，设备工程师如何判断故障，改善项目如何被追踪。很多 AI 场景不是从高层访谈里直接出现的，而是在这些细节中暴露出来的。
例如，某家工厂希望做“质量 AI 分析”。如果只听需求，很容易把方案写成质量知识库或缺陷识别模型。但到现场后可能发现，真正的痛点是客户投诉、内部不良、工艺异常和 8D 报告分散在不同系统里，质量工程师每次都要花大量时间找资料。此时第一阶段试点就未必是复杂模型，而可能是“相似质量案例检索 + 8D 初稿整理 + 控制计划更新提醒”。
诊断还要识别谁会真正使用。很多 AI 项目失败，不是因为系统不可用，而是因为没有关键用户。一个好的试点章程必须写清楚：每天谁打开它，在哪个节点使用它，输出由谁复核，错误反馈给谁，试点结束时用什么指标判断是否继续投入。
诊断工作坊建议流程
访谈管理层、生产、质量、设备、计划和数字化团队，识别关键痛点。
查看现场流程、报表、系统数据、异常记录和管理会议节奏。
按价值、可行性和风险排序，选择 1-2 个试点场景形成章程。