工厂里的 AI 项目，最危险的状态不是"没上线"，而是系统上线了、项目验收了，现场却没人用。
某中型注塑厂曾投入约 200万元 建设 AI 排程系统。算法能够运行，排出的计划却无法执行：同一个零件在 ERP 中有多个编码，设备产能还是几年前的数据，系统显示有库存，车间却找不到货。
从技术角度看，模型完成了计算；从业务角度看，项目没有产生结果。
这样的失败，很容易被归因于"AI 不成熟"。但真正值得复盘的，往往不是算法，而是企业在项目开始时就踩中了以下五个坑。
01 坑一：先决定"做 AI"，再去寻找问题
"建设企业级 AI 平台""实现全流程智能化"，听起来方向正确，却很难直接验收。
AI 项目应该从一笔正在发生的损失开始：排产每天需要多少小时？换线造成多少停机？漏检带来多少返工？采购每天花多少时间催料？
正确做法
先找到损失，再判断 AI 是否适合。没有明确损失，就不要急着立项。
02 坑二：相信系统里的数据，却没有核对现场
制造业数据最常见的问题，不是"完全没有"，而是系统中有一套、现场执行又是另一套。
编码是否统一？设备能力是否更新？人工记录是否滞后？异常情况有没有被写进系统？这些问题不解决，模型越聪明，错误可能越稳定。
正确做法
项目启动前跟完一个完整班次，画出数据从产生、录入、修改到使用的真实路径。
03 坑三：让 IT 部门负责，却没有业务责任人
IT 部门可以连接系统、部署模型，却无法替生产、质量或采购部门定义什么叫"有效"。
如果业务部门只在需求访谈和最终验收时出现，AI 很容易变成一个技术团队自我循环的项目。
正确做法
每个场景必须有一名业务责任人，并共同确认基准值、目标值、数据来源和验收人。
04 坑四：一开始就追求"大而全"
同时改造研发、生产、供应链和财务，看似效率更高，实际会把数据、流程、供应商和组织问题一次叠加。
范围越大，越难判断究竟哪里有效、哪里失效，也越难及时止损。
正确做法
只选一个场景、一组用户和一个主指标，用 2—4周 跑通小范围试点；有效再扩，无效就停。
05 坑五：把上线当成终点
工业现场不会保持不变。原料批次、设备状态、产品结构、订单节奏和环境条件变化后，模型效果也会发生漂移。
没有人持续监测和调整，再好的模型也可能在上线几个月后逐渐失效。
正确做法
验收时同时写清四件事——谁监测、何时触发调整、谁负责更新、每次调整如何验证。
01这个问题每月正在造成多少损失？
02系统数据与现场实际是否一致？
03谁是对结果负责的业务负责人？
04能否先用 2—4周 验证一个主指标？
05上线后由谁持续监测和迭代？
如果其中两个问题答不上来，就不适合马上进入大规模投入。
制造业 AI 项目失败，很多时候并不是技术失败，而是交付逻辑失败：问题没有选准、数据没有核实、业务没有参与、范围没有控制、上线以后无人负责。
企业真正需要的，不是一套看起来更先进的系统，而是一条能够把现场问题、真实数据、业务责任和持续迭代连起来的结果链路。
先把这条链路建立起来，再谈模型和平台。
这可能比追逐下一次技术升级，更接近制造业 AI 的真实答案。
本文案例来自《中国制造业 AI 场景落地之 FDE 路径研究白皮书（2026）》中的脱敏调研材料，仅用于呈现项目失败机制。
白皮书下载方式：扫码添加小学妹微信获取
▍ 关于 慧工智能 ▍
慧工智能（原慧工云）成立于2016年，总部位于苏州市工业园区，并在武汉（华中）、广州（华南）、天津（华北）设立全资子公司，同时在南京与温州分别设立软、硬件研发与创新中心。自2026年6月9日起，原"苏州慧工云信息科技有限公司"正式更名为"江苏慧工智能科技有限公司"。
慧工智能本着"智能体（Agent）驱动高效中国制造"的使命，聚焦服务民族工业企业的智能化改造与数字化转型，以IPS生产体系为根基、以慧工智能学院人才培育为内核，构建三大核心服务：数字智能体（INA）、精益数智咨询（iNSITE）、智能硬件与产线（INDX），为企业提供三位一体的综合解决方案，目前累计已成功服务电力电气、装备、新能源、电子等重点工业行业超过3000家客户。
自创建十年来，慧工智能凭借卓越的行业知识与创新理念、专注产品技术和创新服务，获得了政府、协会和客户群体的认可，并荣获国家级专精特新"小巨人"企业、工信部工业互联网平台试点示范平台、财政部首批中小企业数字化转型试点平台、江苏省专精特新企业、江苏省双创人才领军企业、江苏省首批智能制造与工业互联网解决方案服务商、江苏省工业互联网重点平台、江苏省企业技术中心、苏州市独角兽培育企业等荣誉。