君本咨询JUNBEN CONSULTING
TOPIC / AI LANDING
AI 落地不是先选择工具，而是先找到值得解决、数据可支撑、流程能承接、人员愿意使用的业务场景。对制造企业来说，真正的难点通常不是模型能力，而是场景选择、数据口径、现场流程和组织接受度。
制造企业推进 AI 时，常见误区是从软件、平台和模型开始，而不是从现场问题开始。管理层希望看到效率提升、质量改善和成本下降，但项目团队往往先讨论算力、接口、预算和供应商。两者之间缺少一张清晰的业务场景地图。
一个可以落地的 AI 场景，应当回答六个问题：要解决什么损失？谁每天会使用？输入数据从哪里来？输出会改变哪个管理动作？如何验证收益？如果 AI 误判，谁负责复核？这些问题没有澄清之前，项目很容易停在演示阶段。
君本建议先做 AI 落地诊断。诊断不是泛泛评估数字化成熟度，而是围绕客户当前最痛的经营问题，把潜在场景按业务价值、数据条件、流程承接、人员能力和风险边界排序，选择一个小而重要的场景做试点。
制造业 AI 的第一阶段目标不应是“建设一个智能工厂大脑”，而应是让一个岗位、一个例会或一个改善流程先真正用起来。
第一类是生产日报和 OEE 损失解读。很多工厂已经有报表，但班组、工程师和管理层对数据的解释不一致。AI 可以辅助识别异常、生成复盘问题清单，并提醒需要跟踪的行动项。
第二类是质量异常分析助手。AI 可以检索历史 8D、客户投诉、缺陷图片、过程参数和处置记录，辅助工程师形成假设清单，但根因确认和措施批准仍然必须由专业人员完成。
第三类是改善项目管理助手。它可以把项目章程、里程碑、收益计算、复盘记录和标准更新连接起来，降低项目管理的文书负担，让改善团队把更多时间放在现场验证上。
第四类是 WCM 支柱运行助手。支柱负责人可以用 AI 汇总损失、整理会议纪要、跟踪行动、准备月度评审材料，并把成熟做法纳入知识库。
第五类是培训与知识复用助手。它可以根据企业内部案例生成练习题、复盘提纲和岗位学习材料，帮助员工把一次培训转化为持续练习。
这个问题是否影响质量、效率、成本、交付或安全？
优先选择损失明确、发生频率高、管理层关心的场景。
数据是否稳定、可追溯、口径一致？
不追求一次性完美数据，先确认最小可用数据集。
AI 输出会进入哪个例会、审批或行动流程？
没有管理动作承接的输出，通常不会产生业务价值。
使用者是否理解业务逻辑，并愿意复核 AI 输出？
优先从熟悉企业流程的内部员工中培养 FDE 型关键用户，再扩大到更多岗位。
哪些判断必须人工确认？哪些数据不能进入模型？
明确权限、复核机制和禁用边界。
第一阶段是问题澄清。君本会与客户管理层和现场团队一起确定试点问题、指标基线、关键数据、使用者和决策节奏。这个阶段最重要的输出不是技术方案，而是一份被业务团队认可的场景定义。
第二阶段是工作流设计。项目团队会把现有流程拆成输入、分析、判断、行动、复盘五个环节，明确哪些环节由 AI 辅助，哪些环节由人工确认，哪些环节需要调整会议、表单或责任分工。
第三阶段是原型验证。先用小范围数据和真实案例测试 AI 输出质量，再让核心用户参与试用。验证指标包括分析时间减少、复盘质量提升、行动关闭率提升、知识检索效率提升等。
第四阶段是能力落地。只有当试点被现场接受，才进入推广。推广内容包括标准作业、使用指南、异常处理机制、培训材料、知识库维护规则和智能体迭代责任。