制造业的 AI 项目有个很常见的结局：POC 阶段演示得很漂亮，领导点头，预算批了，一年之后打开后台发现日活是零。
问题通常不在技术。真正让项目死掉的，是三件在 POC 阶段就已经埋下的事。
一、指标选错：演示指标不等于生产指标
POC 阶段最容易被选的指标是「准确率」。它在演示里最好看，也最没用。
原因很简单：POC 的测试样本是精挑过的。挑出来的样本里，光照正常、角度标准、单据清晰；而生产环境里，二成样本是手机拍的、反光的、折角的、手写潦草的。
一个在干净样本上做到 95% 的模型，到了真实产线上可能只有 78%。而现场的操作工不接受 78%——因为剩下 22% 要他来兜底，等于多了一份活。
二、数据边界没划清
POC 时用的数据，往往是「人工整理过的一小份」。真正上线要的是全量、增量、实时。
这三件事在 POC 阶段几乎不会暴露，因为量小。等上线了才发现：历史数据有 30% 的字段是空的，ERP 那边一天只同步一次，MES 的接口还限流。
所以做 POC 时，一定要用「没有清洗过的原始数据」跑一遍。难看，但是这个难看越早出现越好。
三、没有人接手
这是最常见也最隐蔽的一条。系统上线了，但改一个提示词要发邮件给供应商，加一份知识文档要等排期，看效果要供应商出报表。
这种情况下，业务部门用两周就会放弃——因为任何调整都太慢，慢到不如用回原来的 Excel。
能力没有留在客户这边，系统就只是一个更贵的摆设。
验收标准该怎么定：三层指标
一份能落地的验收标准，至少要有三层，缺一层就会留后患。
| 层级 | 回答什么问题 | 举例 | 谁来认 |
|---|---|---|---|
| 业务指标 | 这个岗位的工作发生了什么变化 | 单据录入岗日均处理量、平均响应时长、返工率 | 业务部门负责人 |
| 过程指标 | 系统在真实流量下的表现是否稳定 | 日均调用量、人工干预率、异常工单数 | 一线班组长 |
| 技术指标 | 技术底线是否守住 | 接口响应时间、可用性、数据不出域 | IT / 信息中心 |
三层里最重要的是第一层。它必须是一个「基线值 → 目标值」的形式，比如「单据录入岗平均每天处理 180 单，上线后不低于 260 单」。没有基线值的指标，验收时一定会吵。
写进合同的四句话
- 验收以一个已经测过的基线值为起点，基线值由甲乙双方在项目启动会上共同确认并签字。
- 验收数据从生产系统取，不采用演示环境或人工构造的样本。
- 验收由使用该系统的业务岗位参与，不是只由 IT 部门签字。
- 交付包含能力移交：文档、源码或配置、培训，以及移交后客户方可独立完成的三项操作清单。
这四句话不涉及任何技术细节，但它们决定了这个项目最后是「上线」还是「上线然后死掉」。
一个简单的检验办法
如果你不确定验收标准定得对不对，把它念给一线的班组长听。
他能听懂、并且同意这就是他关心的东西——那这份标准是对的。他听不懂，或者听完说「这跟我没关系」——那这份标准是写给领导看的，不是给项目用的。
小结
制造业 AI 项目的失败，很少是算法不够好，多数是 POC 阶段就把「什么算成功」定义错了。
把指标定在业务上、把数据用真实的跑、把能力交到客户手里，这三件事做到了，剩下的才是技术问题。
关于具体怎么在两周内完成一次可信的验证，可以看2 周 POC 执行清单。