工厂里并不缺可供尝试的材料：作业视频记录了操作顺序，设备图纸标明了部件位置，维修记录留下了故障处理经过，现场规则规定了谁能检查、谁能批准。但把这些资料放进通用模型，得到一段流畅的故障分析，并不意味着维修人员会在下一次停机时使用它。演示回答的是“模型能说什么”，生产现场追问的是“依据哪份有效资料、下一步由谁执行、出错时谁来拦住”。
一个可作为起点的场景：维修前的信息准备
以下是便于说明方法的假设场景，并非某家企业的实际案例。一条产线的设备反复出现同类报警。维修人员通常要先核对设备型号和报警代码，再翻找图纸、历史工单和操作规程，最后判断该联系谁、检查哪些部位。项目组希望用制造业AI缩短查找和整理信息的时间。
演示时，输入一条报警描述，模型可能迅速列出几种原因。真正接入日常工作后，问题才显现：同一设备有不同改造版本，旧图纸仍在共享目录中；历史工单写着“已处理”，却没有记下最终原因；视频展示了操作动作，却未说明适用的安全条件。如果模型把这些材料混在一起，答案即使看起来专业，也可能误导下一步检查。
因此，这个样板场景的目标不应是“自动诊断并处置故障”，而应先限定为：根据明确的设备身份和报警信息，检索有效资料，生成带来源的维修前核对清单，供有权限的人员复核。 它高频、边界相对清楚，也能以原有流程为对照验收。
从“有数据”到“能使用”，先做四类盘点
数据治理的第一步不是把文件全部导入模型，而是确认每类材料能回答什么问题、由谁维护，以及在什么条件下有效。
| 材料 | 可支持的任务 | 导入前必须核对 |
|---|---|---|
| 作业视频 | 识别标准操作的步骤与易遗漏环节 | 拍摄时对应的设备版本、工况、拍摄日期；视频动作是否已获安全审核 |
| 设备图纸 | 定位部件、核对连接和结构关系 | 图号、修订版、适用设备编号；旧版是否应停用 |
| 维修记录 | 查找相似报警、已尝试的检查和处理结果 | 故障描述是否完整，“处理完成”与“原因确认”是否区分 |
| 现场规则与规程 | 确定检查前提、人员权限和升级路径 | 发布部门、生效日期、审批状态；与现行安全要求是否一致 |
盘点时可为资料建立一张简明台账：资料名称、设备或产线范围、版本、生效状态、责任人、访问权限、更新触发条件。对无法确认版本的图纸、结论不明的工单，不必为了“数据量”勉强纳入可信知识库；可以先标记为待核实材料。
规模较小、资料分散的企业，可以从一类设备和一批已审核文档做起。已有设备管理或工单系统的企业，则应优先沿用设备编号、工单号和版本字段，让AI检索结果能回到原始记录，而不是另建一套难以维护的文件副本。
专家经验要变成规则，而不只是访谈纪要
老师傅常能凭报警声、近期维修史和现场状态缩小排查范围。但“先看看哪里不对”不是可调用的知识。项目组需要请设备、工艺和安全负责人共同把经验写成带条件的判断：
- 触发条件： 哪类设备、哪种报警、处于何种工况时适用？
- 核对顺序： 先确认什么，再查阅哪份图纸或记录？
- 停止条件： 出现哪些现象时不得继续按清单检查，必须转交指定人员？
- 证据来源： 每条建议依据哪一版规程、图纸或经确认的维修记录？
- 责任归属： 谁审核这条知识，设备改造或规程更新后由谁修订？
这样形成的知识资产，既可以被系统检索，也能供人检查。对存在分歧的经验，不应让模型替专家“投票”；应把分歧和适用条件记录下来，交由业务负责人确认。尤其涉及停机、送电、拆装、参数修改等操作时，AI只能提示核对事项，不能凭一段生成文本取得操作授权。
把输出限制在流程内，人员复核才不会流于形式
样板应用可设计成“输入—检索—草拟—复核—记录”的短流程。维修人员输入或选择设备编号、报警代码及现场现象；系统只检索该设备适用且处于有效状态的资料；AI输出可能相关的历史案例、待核对项目、资料出处和无法确定之处。维修人员核对实际工况，必要时请工程师或安全负责人审批，再按原有权限执行。
权限边界应直接体现在界面和流程中：资料不足或设备版本不明时，系统提示补充信息或转人工；涉及危险操作时，只给出升级路径，不生成可直接执行的操作指令；所有被采纳、修改或驳回的建议，都留下对应工单记录。复核人也需要明确任务——核对设备是否匹配、引用是否有效、建议是否符合现场规则，而不是只点击“同意”。
验收项目，看业务过程而不只看回答好不好
上线前，先选定同类工单，记录没有AI辅助时的处理基线；试用阶段再按相同口径比较。不同班组、设备型号和故障复杂程度应分开观察，避免把简单工单占比变化误当成项目成效。
| 验收维度 | 建议记录的指标 | 需要防止的误判 |
|---|---|---|
| 时间节省 | 从接单到找到可用资料的中位耗时；每单人工查找时间 | 不能只算生成答案的速度，须计入复核与纠错时间 |
| 错误率 | 无效版本引用、设备不匹配、遗漏关键限制条件的工单占比 | “回答流畅”不能替代逐项核验 |
| 流程完成率 | 符合试点条件的工单中，完成检索、复核并留痕的比例 | 登录次数不等于完成了一次维修支持流程 |
| 使用与反馈 | 一线人员采纳、修改、驳回建议的原因 | 低使用率可能是入口不便，也可能是知识不可信 |
项目启动时就应约定样本范围、统计周期、合格标准和停止条件。若节省的查找时间抵不过新增复核负担，或错误集中出现在某类设备版本上，就应先修资料与规则，而不是扩大接入范围。只有在资料更新、权限控制、人员培训和异常回退都有人负责后，试点结果才有机会复制到其他设备。
给项目团队的落地清单
- 选一个环节： 优先选择重复发生、资料可追溯、风险可隔离的生产或维护任务，写清本次不做什么。
- 定资料责任： 为图纸、视频、维修记录和现场规则指定审核人与版本维护方式，清除或隔离失效资料。
- 固化专家判断： 将经验整理为适用条件、核对顺序、停止条件和升级路径，保留出处。
- 先设权限再接模型： 明确AI只能检索和草拟哪些内容，哪些动作必须由人确认，哪些情况直接转人工。
- 用同口径验收： 同时看时间、错误率和流程完成率，记录复核成本与一线拒用原因。
- 建立更新闭环： 将被驳回的建议和新增工单反馈给知识负责人，修订后再发布，不让模型持续引用已失效内容。
【软盟资讯观察】
制造业AI从演示走向日常使用，机会不在于让模型一次回答更多问题，而在于把分散资料变成可追溯、可更新、受权限约束的知识资产。对企业而言，维修前的信息准备是一个值得检验的切口：它有明确的使用者和工作节点，也允许先把AI定位为辅助查找与整理工具。
风险同样具体。资料版本混乱会让错误答案显得更有依据；复核职责不清，会让“人来把关”变成形式上的按钮。项目团队不宜用一次演示的准确率，替代对现场耗时、错误和流程完成情况的持续记录。
更冷静的判断是：有些试点最终发现，先规范工单字段、清理旧图纸、明确审批规则，比增加模型功能更能改善流程。这并非AI项目失败，而是找到了真正制约使用的环节。能把这一环节持续改好，样板才具备复制价值。