一家做五金冲压的厂子，老板被客户问「你们的 AI 用到哪一步了」，愣了几秒没答上来。厂里确实装过一套带视觉识别的检测相机，架在冲压线尾，可三个月过去，没人说得清它拦下了多少不良品，也说不清误报让产线停了多少次。设备在转，账算不出来，这是传统行业上 AI 最常见的样子。这篇讲的是反过来的做法：先从最费钱、最磨人的环节倒推，再用三个月把「有没有用」算成数字，顺带说清哪些环节现在还不该碰。
先算清哪个环节在漏钱
传统行业的老板不缺上 AI 的念头，缺的是一张能排优先级的清单。可行的办法是拿最近三个月的经营数据做一次粗算：哪个环节占的人工工时最多，哪个环节的返工和报废金额最高，哪个环节的客户投诉最集中。三个问题问下来，通常只有一个环节同时出现在两三个答案里，那就是起点。反过来，从「同行都在用」「供应商推荐」出发选环节，很容易选到演示好看、日常没人打开的东西，因为它没有对应到任何一笔具体的损失。
这一步不需要算法知识，需要的是把账摊开。工时、报废、投诉、返修，这几项在多数厂里都有记录，只是分散在不同人的表格里。把它们放到一张纸上，哪个环节在漏钱就一目了然，比听三场方案汇报有用。
三个行业的切入点差得很远
零售、制造、服务三类业务，痛点位置不同，能交给算法的部分也不同。把常见的四类用法摆在一起，边界比功能清单更值得看：
| 环节 | 能做 | 不能做 |
|---|---|---|
| 零售的内容与客服 | 按商品参数生成详情文案与短视频脚本；把高频问题做成自动应答，复杂咨询转人工 | 不能替商家承诺发货时效与售后结果；促销口径写错要担责，机器不会替你兜 |
| 零售的补货判断 | 把历史销量、天气、节假日放在一起，给出补货区间供采购参考 | 预测不了一次突发的爆款或断货；新品没有历史数据，给出的数没有意义 |
| 制造的外观质检 | 按已标注的缺陷样本做比对，把可疑件挑出来，减少人眼长时间盯看的漏检 | 不能定义什么叫缺陷；判定标准由工艺和客户验收条件决定，样本标错它照着错 |
| 制造的经验沉淀 | 把老师傅的处理记录整理成可检索的问答，新人遇到同类问题先查一遍 | 不能替代现场判断；设备异响、气味、手感这类信息，在文字记录里基本丢失 |
四行里最容易被低估的是最后一行。经验沉淀看起来不产生直接收入，却决定了前几行能不能持续——质检标准、补货规则、客服话术，最后都要落成文字，才有办法交给系统去执行。
三个条件缺一个，先别立项
高频、规则清晰、结果可衡量，这三条听着像老生常谈，真按它筛能筛掉大半项目。高频决定用得上：一个月才发生几次的事，做出来也没人记得怎么用。规则清晰决定学得会：如果两个老师傅对同一件产品该不该判废都有分歧，样本本身就是矛盾的，模型学出来只会更乱。结果可衡量决定能不能验收：拦下多少、少花多少工时、返工率降了几个点，这些口径必须在立项前定死，事后再补，数据一定对不上。
有一种误判值得单独说：把「规则清晰」理解成「流程简单」。有些环节流程只有三步，每一步都靠经验判断，比如配色、口感、手感，这类反而不适合先上。另一些环节流程很长，但每一步都有明确的判定条件，比如单据核对、参数录入，虽然琐碎，却是容易做出效果的地方。
三个月怎么排，每个月交什么
把验证期压到三个月，是为了在投入变大之前拿到一个能拿去做决定的结论。节奏可以这样排：
| 阶段 | 要交出的东西 | 判定线 |
|---|---|---|
| 第一个月：定标准 | 一批人工判过的样本，附判定依据；现行流程的工时与不良数据 | 两个人独立判同一批样本，一致率能到九成以上 |
| 第二个月：小范围跑 | 一条线或一个班组的试用记录，含漏检、误报、人工复核耗时 | 漏检不比人工差，误报在可接受范围，班组愿意继续用 |
| 第三个月：算账 | 按第一个月定下的口径出的对比表，含投入、节省工时、减少的返工 | 账能算平或略有余量；算不平就停，别靠「再调调」拖下去 |
第三个月的判定线要写死。现实里最常见的失败很少是效果差，更多是效果说不清，于是项目一直挂在观察期，预算年年续，真正在用的人越来越少。
数据和流程没理顺，钱会花在返工上
传统行业的 AI 项目，一半以上的时间花在和算法无关的事上：同一家供应商在三个系统里有三种写法，车间报表的字段含义只有做表的人知道，历史不良记录只存了照片没存结论。这些不理顺，换哪个模型都没用。更麻烦的是环境会变——换了原料批次、调了工艺参数、季节变了，原来那套判断会慢慢失准，数据漂移 说的就是这种输入变了、模型没跟着变的情况。可行的做法是每月抽一批新样本复核，把判错的挑出来补回去；具体怎么标、标多少，可以参照 数据标注的常见做法 来安排。
边界：它挑得出异常，改不了流程
这段话要提前和车间讲清楚，否则期望值一定跑偏。视觉检测能把看起来不对的件挑出来，改不了产生不良的工序；知识库能把老师傅的话存下来，改不了新人不敢做决定的心态；补货建议能给区间，改不了采购怕压货的习惯。它能压缩的是看、找、比对、记录这几类动作的耗时，压缩不了「谁负责、按什么标准、出了问题怎么办」这些组织问题。看供应商演示时，模型评估指标 里的漏检率和误报率比准确率更值得盯——产线真正被拖住的是误报，真正会出事的是漏检。至于经验怎么变成能查的资料，可以参考 检索增强生成 的思路：先把资料整理成能查的形式，再谈让模型来答。
给决策者的一句话：这类项目的成败，多半在第一周就定了，因为那周决定了你选的是最痛的一环，还是最容易演示的一环。
速查：立项前的五个动作
- 用最近三个月的工时、返工、投诉数据，找出同时出现在两项里的环节
- 拿二十个样本让两个人独立判，一致率不到九成先别做
- 立项前把验收口径写成数字，谁签字谁认
- 第一个月只做标准，不做系统；第二个月只跑一条线
- 第三个月算不平就停，把预算留给下一个环节
