先说结论 选 AI 场景不要从「哪个技术最热」开始，从六个维度各打 1–5 分开始：数据就绪、时效要求、效果可验证、业务价值、集成难度、组织接得住。 任何一维打到 2 分或以下，一票否决——不是扣分，是这个场景现在就不该做。 这么定的原因很简单：AI 场景的失败通常不是六项都差，而是五项都好、一项致命。加权平均会把那一项稀释掉，一票否决不会。 这和我们讲了九年的「先标准化，再数字化」是同一句话的另一种说法：AI 不能架在没有地基的流程上。
一、为什么“先做哪个场景”比“用什么模型”更要紧？
2025 年 8 月，国务院印发《关于深入实施“人工智能+”行动的意见》；2026 年 1 月，工业和信息化部、国家发展改革委等 8 部门印发《“人工智能+制造”专项行动实施意见》，提出到 2027 年推动 3—5 个通用大模型在制造业深度应用、推出 1000 个高水平工业智能体。方向是明确的。
但方向明确不等于每家工厂现在都该动手，更不等于随便挑个场景都能做成。中国信息通信研究院在 2025 年 12 月的年度报告会上给出的判断很直接：人工智能正在向价值创造的核心环节渗透，但渗透速度受限于工业数据的获取难度、工艺知识的封装水平，以及对可靠性的极致要求。同一场报告还指出，数据集质量已经成为制约行业垂类模型落地的核心瓶颈。
翻译成工厂里的大白话：限制你的不是模型，是数据和场景。
所以这两年我们被问得最多的问题是“AI 能帮我们做什么”，而我们的回答通常是先反问一句：你的数据，取得到单据级吗？取不到数，再好的模型也算不准。
为了让这个反问不停留在感觉层面，我们把它做成了一把尺子。
二、六个维度分别看什么？
每个维度按 1–5 分打，分数越高越有利。判据如下：
| 维度 | 在问什么 | 什么情况会打到 2 分及以下 |
|---|---|---|
| 数据就绪 | 做这件事需要的数据，系统里有吗？取得到单据级、批次级吗？ | 关键数据靠人工填报、靠老师傅经验，或者根本没进系统 |
| 时效要求 | 结果要多快出来？秒级、分钟级还是隔天？ | 要求秒级响应，但数据链路本身就有小时级延迟 |
| 效果可验证 | 做完之后，怎么证明它做得好？有客观标准吗？ | 好坏全凭人主观判断，事后无法复盘、无法比较 |
| 业务价值 | 做成了，一年能省多少工时、少赔多少钱、多接多少单？ | 算不出账，或者省下来的还不够维护成本 |
| 集成难度 | 要打通几个系统？现有系统给不给接口？ | 依赖的老系统没有接口，或改造要动核心业务库 |
| 组织接得住 | 谁来用？他愿意用吗？出了错谁负责？ | 没有明确的业务归口人，或一线抵触、增加了操作负担 |
六项满分 30 分。但总分不是决策依据，下一节讲为什么。
三、为什么是“一票否决”，不是加权平均？
这是这把尺子上最反常识、也最要紧的一条规则。
常见的做法是给六个维度设权重、算加权总分，超过某条线就上。问题在于：AI 场景的失败模式不是“六项都平庸”，而是“五项都好、一项致命”。
举个最常见的组合：业务价值 5 分、时效要求 4 分、集成难度 4 分、组织接得住 4 分、效果可验证 4 分，数据就绪 2 分。加权算下来分数很漂亮，看起来该做。但数据就绪 2 分的含义是——这件事所依赖的数据，现在系统里根本没有。剩下五项再好也没用，因为模型没有输入。
一票否决把这种情况直接拦下来。它牺牲了一部分“看起来还行”的机会，换来的是不会在地基上摔跤。
为什么值得这么换？因为AI 项目失败的代价不对称。一次失败花掉的不只是那笔钱，还有整个组织对这件事的信心。把 AI 用在还没准备好的场景上，一次失败会挡住企业三年——三年之后再提 AI，会议室里所有人都会想起上次那个没做成的项目。
四、一个真实的例子：我们为什么建议先别做 AI 排产
某汽车零部件企业最想做的是 AI 智能排产。这几乎是所有离散制造企业提 AI 时的第一反应——排产复杂、依赖人、一旦排得好收益立竿见影。
我们把六个维度走了一遍，总分 19/30。其中两项踩了红线：
- 数据就绪 2 分：工序标准工时靠老师傅经验，系统里没有。排产算法的核心输入就是各工序要花多久——这个数不准，排出来的计划就是精确的错误。
- 效果可验证 2 分：排得好不好没有客观标准。今天这版计划比昨天好在哪，厂里说不出一个能对比的指标。评不出好坏，就没法迭代，也没法向老板证明这笔钱花得值。
（口径说明：以上为该企业 AI 落地诊断阶段的评分结果，六维各按 1–5 分打，19 分为六项合计。）
所以我们的建议是：先别做。先把工序标准工时沉到系统里、把排产效果的评价指标定下来，六到九个月后重新评估。
这个结论对我们自己是不利的——劝退一个项目，意味着这笔合同不签。但换个角度看：如果硬着头皮做下去，六个月后交付一套没人敢用的排产系统，损失的是客户三年的信心和我们的口碑。价值是真的，只是地基还没打好。
五、打完分之后怎么办？
六维打分不是为了给场景判死刑，是为了把“做不做”变成“什么时候做、先补什么”。打完分通常落到三种处理里：
- 六项全部 3 分以上：可以进入试点。选一条线、一个车间先跑，别一上来铺全厂。
- 有一维踩到 2 分及以下，但那一维是可补的（典型是数据就绪）：转成“补地基”任务。把缺的数据采起来、把标准定下来，定一个重新评估的时间点。这类场景往往在六到十二个月后就能翻盘。
- 有一维踩线且短期补不了（典型是效果可验证——业务本身就没有客观评价标准）：这个场景暂时不适合上 AI，换一个。
值得强调的是第二类。一票否决否掉的是“现在做”，不是“永远不做”。很多工厂在这一步的真正收获不是 AI，而是终于把工序工时、良率口径、异常分类这些基础数据规范起来了——而这些东西无论上不上 AI 都该有。
六、这件事和地方政策的关系
如果你所在的地区正在推 AI 与制造融合，这把尺子还有一层用处：它能让你在申报和对接时说清楚自己处在哪个阶段。
以江苏盐城为例，《盐城市加快推进新型工业化 2026 年工作要点》提出鼓励“智改数转网联”服务商、软件与信息技术服务企业等向工业智能服务商转型，培育一批专业化服务商；同时提出分行业、分环节征集发布人工智能场景需求清单和供给能力清单，2026 年打造 50 个“AI+制造”示范应用场景，并打造工业领域高质量数据集 10 个以上。
注意最后那半句——连政策文件都把“高质量数据集”和“示范场景”并列写在一起。这不是巧合，是同一个认识：没有数据，示范场景就是空的。
常见问题
Q：六个维度的权重怎么定？
不设权重。这把尺子刻意不做加权，就是为了防止用总分掩盖单项的致命短板。六项平权、各打 1–5 分、任一项 ≤2 分一票否决——规则越简单，越不容易在评审现场被人情和期待带跑。
Q：数据就绪打了 2 分，是不是这辈子都别想上 AI 了？
恰恰相反，数据就绪是六项里最容易补的一项。它需要的是把该采的数采起来、该定的标准定下来，路径清晰、周期可估，通常六到十二个月见效。真正难补的是“效果可验证”——那意味着业务本身缺少客观评价标准，属于管理问题，不是数据问题。
Q：我们已经上了 MES，是不是数据就绪自然就够了？
不一定。MES（制造执行系统）覆盖的是生产执行过程，采到的数据取决于当初上线时定义了哪些采集点。如果当时没有采工序级的实际工时、没有留过程参数，那么系统跑了三年也拿不出 AI 需要的那部分数据。判断标准不是“有没有系统”，而是具体到你要做的那个场景，需要的字段在不在、准不准、连不连得起来。
Q：那你们到底做不做 AI？
做，但边界很清楚。奥斯坦丁软件（OTD）不做通用大模型，不做算法研究，只做制造业务场景里那些能算清账的事：先上门把从询价到收款的全流程走一遍，列出可做的场景清单，逐个用六维打分；然后驻厂陪跑，交付标准不是上线，是三个月后厂里还有人在用。
参考资料
- 国务院《关于深入实施“人工智能+”行动的意见》，2025 年 8 月印发
- 工业和信息化部、国家发展改革委等 8 部门《“人工智能+制造”专项行动实施意见》，2026 年 1 月印发
- 中国信息通信研究院 2026 年深度观察报告会公开研判，2025 年 12 月
- 《盐城市加快推进新型工业化 2026 年工作要点》，盐城市人民政府办公室，2026 年
政策原文以正式发布文本为准。具体到某个企业的场景评估，还需结合行业特性与现有系统条件逐项核对。
作者
OTD 研究组
专注制造业数字化转型实践，深耕 MES、WMS、数字孪生与 IoT 集成领域，帮助工厂从「看不见」走向「可控可优」。