设备主体已经装好，发货日期却迟迟定不下来。

       销售在等计划部门给时间，计划部门在等一个关键部件，采购拿到的答复是供应商还需要重新确认参数。再往前追，参数变更来自一次设计调整。设计人员后来才发现，客户补充文件里有一项工况要求，原来的方案没有覆盖。

        事情走到这一步，每个部门都有自己的理由。销售按时转发了文件，技术部门完成了方案，采购也下了订单，车间一直按计划生产。单独看，每一步都做了；连起来看，一项客户要求经过几次传递，最后变成了交期风险。

        这类过程在装备制造行业中并不罕见。上面的情形取自行业常见工作流程，不对应某一家具体企业。它值得拿出来讲，因为企业寻找人工智能场景时，常常从工具有什么功能开始。沿着一次延误往回追，场景会更具体。哪份资料没有及时找到，哪个判断缺少依据，哪次变化没有传到下一个岗位，人工智能能做什么也就有了边界。

客户要求有没有读全

       交期问题的起点，可能还在订单进入企业以前。

       客户发来招标文件、技术附件和补充说明，市场人员要判断项目阶段，找出关键参数，还要尽快确定企业有没有相近业绩。历史报价散在业务系统里，方案文件留在项目文件夹里，客户沟通记录又跟着销售人员走。资料找得慢，回复就慢；要求提取得不完整，后面的技术方案会从一开始就带着缺口。

        人工智能可以先读文件。它提取设备参数、工况条件、交付要求和验收条款，把不同附件里互相矛盾或还没写清楚的地方列出来，再从历史项目中寻找相近设备、报价和客户记录。销售人员需要一份待确认的问题清单，一段语气流畅的自动回复用处很有限。

        市场营销也可以从这里进入，企业能够整理客户行业、过往采购、项目阶段和沟通记录，提醒销售哪些客户需要继续跟进，哪些需求已经长时间没有进展。技术方案和报价承诺仍由人负责，人工智能帮助销售把客户资料看得更快、更完整。

        这个场景好不好，拿旧项目一试就知道，企业可以检查关键参数漏了多少，相近案例是否找对，准备投标文件和方案初稿用了多长时间。结果能算清，第一步就有了。

技术经验有没有找对

       客户要求进入技术部门以后，工程师面对的工作远比"生成一张图纸"复杂。

       他要从历史图纸、技术协议、物料清单和现场记录中找出相近项目，再判断哪些经验可以沿用。设备名称相同，使用环境、负载、材料和验收要求不同，方案也会变化。拿错图纸版本、沿用了一项已经修改过的工艺参数，问题往往要到采购、加工甚至装配时才暴露。

        人工智能在这里适合做检索、比较和校核。工程师可以查询相近工况下用过哪些材料和结构，比较技术协议的版本差异，核对图纸与物料清单中的明显冲突，也可以根据已确认内容整理设计说明。系统给出的每条依据，都应当带着文件编号、版本和来源。

        来源这件事很要紧。工程师需要知道答案来自哪份文件，文件什么时候生效，后来有没有改过。企业已有资料编号混乱，人工智能就很难给出稳定答案。这个时候先把图纸、工艺文件和版本关系理顺，项目才有继续做下去的条件。

一次变化能不能及时传下去

       设计修改完成，交期风险还没有消失。

        计划员要重新查看物料到货、设备负荷和工序安排，采购要确认供应商能否按新参数交货，车间要判断已经加工的零件是否受影响。一处尺寸变化，可能同时改动物料、工时和装配顺序。信息晚到一天，后面的安排就会多一层被动。

       工智能可以把订单、物料状态、工序关系和设备负荷放在一起，为计划员提供调整建议，提示哪些物料和工序可能影响交期。设备出现重复报警时，它还可以分析温度、振动、电流、压力和历史报警，从维修工单里找到相似情况，帮助维修人员安排检查顺序。

       生产场景最容易被一块大屏幕迷惑。屏幕显示了很多数据，现场问题仍然可能原样存在。企业应当从一条产线、一个瓶颈工序或一台关键设备开始，看排产调整是否更快，故障定位花了多少时间，非计划停机和重复故障有没有变化。

       现场人员愿意用，提醒也足够准确，这个项目才算在车间站住了。

问题处理完以后留下了什么

        设备经过检验，也不代表一张订单里的知识已经留下来。

        检验人员发现外观缺陷，质量人员需要继续追到工序、设备、物料批次和操作记录。设备交付后出现故障，售后人员又要查看设备型号、运行状态、报警信息和过去的处理过程。记录如果只写"已整改"或"更换部件后恢复"，下一次遇到相似问题，大家还得重新查一遍。

         对于对象稳定、缺陷特征清楚、样本数量合适的工序，人工智能可以辅助识别划痕、缺料、错装和表面异常。它也可以关联质量记录和生产资料，帮助人员确定复检范围。到了售后环节，人工智能能够搜索相似工单，整理故障现象、检查步骤和处理结果。

        这里要先定责任。漏检和误报能接受到什么程度，谁负责复核，什么结果可以写回质量记录，都要提前说明。识别准确率只是其中一个数字，排查时间有没有缩短，售后人员是否真的找到有用的旧记录，同样需要检查。

管理人员看到的是不是同一张订单

       车间关心能不能按期完工，采购关心物料什么时候到，销售关心客户是否接受新的交付时间，经营层还要看库存、成本和回款。大家谈的是同一张订单，手里的数字可能来自不同系统。

人工智能可以帮助管理人员查询订单、采购、库存、生产进度和财务数据，找出需要进一步核实的交期风险、库存变化和成本异常。它也能减少取数、对表和整理经营报告的时间。

       应用之前，企业要先统一指标口径。订单额、销售额、完工产值和回款额各有含义，同一个字段在两个部门也可能有不同算法。数字没有解释清楚，系统生成报告的速度越快，管理人员越难判断该信哪一个。

       经营场景的验收要回到决定本身。管理人员能不能更早看到交期风险，采购能不能及时发现供应异常，库存和资金变化能不能解释清楚，这些结果比报告写了多少页更重要。

从一次复盘中选出第一个项目

       企业寻找第一批人工智能场景，可以先拿出一张近期订单。选择一次报价延误、设计返工、设备停机、质量异常或交期变化，把过程从结果往前追。

        追问每一步用了什么资料，谁作出判断，资料从哪里来，后来出了什么问题。追到某一个岗位每天都在重复、耗时能够计算、资料基本找得到的工作，候选场景就出现了。再看有没有部门愿意负责，有没有清楚的验收指标，项目范围便可以继续收小。

        从协会服务会员企业的角度看，场景梳理应当围绕这些真实工作展开。企业带来订单和问题，专家帮助拆解过程，技术服务商再说明工具能够做到哪一步。产品演示可以放在后面。这样选出来的项目，才有机会从会议室走到岗位上。

        一项人工智能应用能不能留下来，最后看的仍然是一件朴素的事。下一张订单再经过这里时，企业有没有少花时间，少走弯路，也更早看见风险。

                                                                                                         来源：山东省装备制造网