制造企业谈 AI，最容易想到视觉质检。
质检确实有价值，但它也是投入最大、数据要求最高的场景之一。相机、光源、样本、标注、产线改造，每一项都不轻。
如果企业第一次做 AI，设备问答往往更容易起步。
视觉质检难在哪
质检不是拍几张照片训练模型就完了。
不同批次、不同光照、不同角度，都会影响识别。缺陷样本少、标注标准不统一，模型很难稳定。
更麻烦的是误判成本。漏检可能流出不良品，误检会增加返工。系统上线前，要经过大量验证。
这不是说质检不该做，而是它更适合有数据基础、愿意投入的企业。
设备问答为什么容易起步
工厂里有大量设备资料：说明书、维修手册、故障代码、历史工单。
这些资料通常散在工程师手里，新员工遇到问题只能问人。老师傅不在，设备就停着。
把资料整理成可查询的问答，一线员工用手机就能查。先做内部支持，不做直接控制设备。
这类场景输入清楚、风险可控，也容易看出使用率。
先做“查”，再做“控”
制造业 AI 的第一版，最好只做查询和建议。
比如：这个报警代码是什么意思，先查哪几个部位，需要什么工具，安全注意事项是什么。
不要一上来就让系统控制设备、调整参数。工业现场的安全要求高，任何写操作都要经过严格验证。
数据和老师傅的经验
设备问答的难点，不是模型，而是资料。
说明书可能是十年前的，工单记录不完整，老师傅的经验没有写下来。
第一版可以先整理高频故障：最近经常报什么警，怎么处理，哪些情况必须停机。把老师傅的判断记录下来，比买一个更贵的模型有用。
怎么衡量
看使用率、首次解决率、平均停机时间、重复故障率。
如果员工不用，先查入口和答案质量。如果用了但解决不了，先补资料和案例。
不要只看“回答了多少次”。回答得多，不代表问题解决了。
边界
设备问答适合内部支持，不适合替代安全规程。
涉及人身安全、重大设备操作、工艺参数调整，必须由有资质的人确认。
质检也不是所有工厂都适合先做。产品批量小、缺陷样本少、产线变化快，第一版很难稳定。
制造业 AI 的起点，可以是让一线员工更快找到答案，而不是一上来改造产线。
先选一条产线
第一版不要全厂铺开。选一条产品稳定、资料相对完整的产线，先做设备问答或单一故障排查。
跑一段时间，看一线员工是否愿意用、答案是否准确、停机时间有没有变化。再决定要不要扩到第二条产线。
如果你在评估制造场景，可以看我们的企业 AI 与智能体服务，也可以从企业 AI 应用清单开始，先排场景优先级。