南昌制造业能用 AI 做什么？四个高频场景与落地前提 南昌办公室 · 团队日常协作现场 南昌的制造业老板问得很多的一句话是：AI 到底能帮厂里干什么？我们的回答常常让对方有点意外——起步先从文档和记录做，不要急着动产线。原因不复杂：产线控制要毫秒级响应、确定性要求极高，出错就是停机和人身安全；而文档、记录、单据错了顶多返工一次，容错空间大得多，也更容易在两周内看出这东西到底有没有用。 为什么制造业上 AI 的头一站是文档，不是产线 PLC、SCADA 那套体系已经很成熟，AI 插进去带来的增量收益有限，风险却是断崖式的。厂里真正每天在消耗人力的地方都在边角：老师傅退休带走的工艺经验、质检员手写的记录、维修工在群里喊的那句「三号机又响了」、销售一张张对出来的报价表。这些活不难，但重复、量大、依赖某个人的记忆。AI 用在这些地方，投入产出比要好看得多。 下面四个场景，本质上都是「文档与记录」的变形。它们不需要动产线，不需要改 PLC，甚至不需要停一天工。 场景一：工艺文档检索，把老师傅的经验变成能查的东西 数据前提：得有电子化的工艺卡、作业指导书、设备手册、变更单。不少本地厂的真实状态是纸质档案加几个人的脑子。起步动作不是买模型，是扫描入库、切分、标注版本和适用机型。 怎么用：做一个内部问答入口，工人用手机问「6061 铝件阳极氧化前处理温度多少」，返回答案加原文出处和页码，点得开、对得上。 收益边界：它解决的是「找得到」，不解决「判断对不对」。要是文档本身新旧版本并存、工艺卡三年没更新，AI 只会更快地把那条错的递到你手里。我们在知识库项目里花在版本清洗上的时间，经常比调模型还多。企业知识库这类方案能不能成，七成看前期的资料治理。 场景二：质检记录整理，别指望它替你判废 数据前提：检验项要先结构化。质检单如果还是手写拍照，得先把字段定清楚——批次、工序、实测值、判定、检验人。字段没定，模型只能给你一段漂亮但没法统计的文字。 怎么用：每天的巡检和出货检验记录自动汇总成表，挑出超差项和连续不良的趋势，班前会直接看这张表，不用再让质检员下班前赶一份 Excel。 收益边界：这是「整理加预警」，不是「自动判废」。判定标准必须由人定，AI 只做归集和提示。另外要接受一个现实：OCR 对现场手写数字的识别率不稳定，关键数值还是人工复核一遍更稳妥。日均记录只有几十条的厂，Excel 条件格式其实就够用，不必上系统。 场景三：设备报修分流，省的是调度时间不是维修时间 数据前提：得有一条统一入口（企业微信、钉钉或设备二维码表单），而不是继续在群里喊。历史维修工单积累三个月以上，归类和派单才有依据。 怎么用：工人扫码填「哪台机、什么现象、有无报警代码」，系统按故障现象归类、匹配历史相似工单、派给对应维修班组，顺手把可能原因和备件清单推过去。 收益边界：省下来的是调度和来回沟通的时间，不是维修本身的工时，也不会让设备不坏。故障描述太模糊（「不好使了」）时，分流准确率会明显下降，得靠表单字段把人约束住。这类跨系统串接更适合用AI 工作流自动化来做，而不是让人每天手动导表。 场景四：报价单核对，本质是规则校验 数据前提：材料单价、工时定额、外协价格必须有统一数据源。每个销售手里一份自己的价格表，核对出来的结果就没有意义。 怎么用：报价单填完自动比对当前材料价、毛利红线、客户历史折扣，超线标红并附原因，再走审批。 收益边界：这是规则校验为主、模型理解为辅的活，见效快，也容易做错——价格数据本身没治理，等于把混乱自动化了一遍，错得还更整齐。它替代的是核价员逐行比对的重复劳动，不替代销售对客户关系的判断。…