讲AI陪跑的文章大多在讲方法论，真正让企业主看懂的是过程。这里用一个典型的汽车零部件厂做样本，把90天里每一周实际发生了什么、卡在哪、怎么过去的写出来。这家厂年营收两亿出头，六百多人，三条产线，有ERP和MES但数据没打通，质检靠人眼加抽检。案例细节做了脱敏与合并处理，但节奏、卡点和数字都来自真实项目的常见形态，可以直接当成排期参考。

第1到2周：摸清家底，把痛点变成数字

进场前两周不写代码，只做两件事：跟着班组走一遍完整流程，以及把数据翻出来。走线时发现的真实痛点是：外观检测两名质检工每班检八百件，眼睛累了漏检率上升；漏检流到客户端每月产生两三起投诉，单次赔付加返工在数千到上万元。数据侧发现MES里有工单和工艺参数，但缺陷记录仍是纸质单据，没有电子化。诊断报告写清了这两组数字和数据缺口，也是首次让厂长意识到「漏检成本」原来一年能到六位数，这个数字后来成了预算获批的关键。

第3到4周：定试点，补数据，搭专班

场景清单列了十四项，最终圈定「外观缺陷图像初筛」作为首个试点——单工序可闭环、效果一个指标就能衡量、不需要改动ERP。同期做三件事：在两个工位加装工业相机和补光，开始采集图像；把过去半年的纸质缺陷单录入并做标注规则约定（哪些算划痕、哪些算凹陷、边界怎么判）；组建专班，由生产副总挂帅，质检主管和一名IT人员进组，每周投入约六小时。补数据这一步花了两周，比预期慢，原因是标注标准在质检内部本身就不统一，先开了两次会把标准定死。

第5到8周：模型迭代与产线试跑

第五周开始第一版模型训练，样本约四千张。首版召回率不到七成，误报很高，质检工抱怨「还不如自己看」。这是绝大多数图像项目的正常起点，处理办法是三轮迭代：补拍暗光和反光样本、对易混淆缺陷单独增强、把阈值从追求精准改为「宁多报不漏报」，让AI做初筛、人做复核。到第八周，漏检召回率提升到九成以上，误报率控制在可接受范围。这里的关键决策是明确AI的定位——不替代质检工，而是把他们的工作从全检变成复核可疑件，接受度立刻好转。

第9到10周：改流程、定岗、写作业指导书

模型可用之后真正的难点才来：流程改造。要重新定义质检工的作业步骤（先看AI标红件、再抽检放行件）、改考核方式（不再按检验数量而按漏检率和复核准确率）、写新版作业指导书并培训到每一个班组。这一步用了两周，期间有老师傅抵触，理由是「机器判的我不信」。解决办法不是讲道理，而是连续一周做人机对比公示：每天贴出AI标出但人漏掉的件数。数字摆出来第四天，抵触基本消失。流程改造做不到位，模型再准也只会被绕过去。

第11到13周：指标验证与能力交接

最后三周做两件事。一是验证：以试点前两个月为基线，对比漏检率、客户投诉数、单班质检工时。结果是漏检率明显下降，当季客户外观类投诉从月均两三起降到偶发，两名质检工中一人转到更需要经验的尺寸检验岗，人力没有裁减但结构优化了。二是交接：由厂里的IT人员在顾问陪同下独立完成一次模型重训和阈值调整，全过程写成操作手册，包含常见故障处理。交接演练做了两遍，第二遍顾问全程不插手，这才算真正留下能力。

90天里学到的四条经验

第一，数据补采永远比计划慢，排期时给它留双倍时间，标注标准要先开会定死。第二，首版模型效果差是常态，别在第一版就下结论，关键看三轮迭代后的曲线。第三，AI定位必须是「辅助人」而不是「替代人」，否则一线会用各种方式让它失效。第四，流程和考核不改，技术投入基本白费——这一条是90天里最贵的认知。这四条不分行业，制造、零售、服务业的AI陪跑项目里反复出现，提前知道能少走很多弯路。

接下来的第二期该做什么

90天结项不等于结束。这家厂的第二期清单排了三项：把缺陷数据反向接入工艺分析，找出哪些参数组合更容易出问题（从事后检出走向事前预防）；把尺寸检验也纳入视觉方案；把质检数据打通到ERP的客户投诉模块，形成闭环追溯。第二期的推进速度会明显快于第一期，因为数据管道、标注规范、专班能力、员工接受度都已经具备。这也是陪跑真正的复利所在——第一个场景买的是能力，从第二个场景开始才是收获。

一个制造业AI陪跑的90天，节奏大致是：两周摸家底出量化诊断、两周定试点补数据搭专班、四周模型迭代到可用、两周改流程定岗培训、三周验证指标并交接能力。四条硬经验是数据补采留双倍时间、首版差属正常、AI定位为辅助、流程考核必须同步改。照这个节奏走，AI陪跑就不是听概念，而是季度末能拿出对比数字的实事。