- 精益解决的是管理逻辑：价值、浪费、流动、标准和持续改善。
- AI 提升的是执行效率：信息整理、异常识别、知识检索、复盘生成和经验复用。
- 制造业 AI 试点应从高频、低风险、可验证的精益场景开始，而不是从“智能工厂大脑”开始。
为什么很多 AI 项目没有真正进入现场
制造企业并不缺少改善概念。很多工厂已经开展过 5S、标准作业、VSM、TPM、QCC、Six Sigma 和改善提案活动，也上线了 MES、ERP、质量系统、数据看板和 OEE 指标。但管理层仍然会遇到一个熟悉的困境：数据越来越多，会议越来越多，真正推动现场改变的速度却没有同步提升。
AI 进入制造业后，这个困境并不会自动消失。相反，如果没有清晰的问题定义、稳定的数据口径和明确的管理节奏，AI 只会生成更多分析和报告。看似更智能，实际上可能只是让管理者更快地看到同样没有闭环的问题。
因此，精益不是 AI 落地的旧包袱，而是 AI 落地的管理底盘。没有精益提供的问题结构，AI 很容易变成炫技；没有 AI 提供的信息效率，精益改善也容易被大量手工整理、重复汇报和经验依赖拖慢。
从精益动作看 AI 的真实介入点
现场观察依赖经验，日报和异常记录难以快速归类。
自动整理停机、等待、返工、搬运、换线等损失线索，形成复盘问题。
会议上不同部门各说各话，缺少共同证据。
基于历史记录和现场数据生成假设清单，提醒需要补充验证的数据。
改善措施写进报告，但没有真正进入 SOP、点检和培训。
辅助生成标准作业更新、点检表、培训材料和控制清单。
优秀项目积存在文件夹里，后续团队难以检索和复制。
建立改善知识库和项目助手，按问题类型检索历史案例。
先做三个低风险场景
制造业 AI 试点不应一开始就追求全局优化。更稳妥的做法，是从三个低风险、高频、可验证的场景开始。
第一是生产日报解读。很多工厂每天都有日报，但日报并没有自动变成管理问题。AI 可以根据产量、停机、质量、人员、换线和异常记录，生成班组会或晨会使用的问题清单。
第二是 OEE 损失分析。AI 可以帮助识别重复停机、分类异常、速度损失和质量损失的趋势，但前提是 OEE 口径统一，现场愿意维护损失原因。
第三是改善项目复盘。AI 可以根据项目过程记录生成复盘提纲，提醒团队检查收益验证、标准化、人员训练和复制条件。这类场景风险低，却能直接提高持续改善团队的工作效率。
精益仍然要从现场事实开始
AI 能让信息整理更快，但不能替代到现场看事实。一个停机原因在系统里可能被记录成“设备异常”，实际到现场才发现是换线前物料准备不到位；一个质量不良可能在报表里显示为工艺问题，现场观察后才发现作业方法和培训不到位。精益强调现地现物，这一点在 AI 时代反而更重要。
因此，君本建议把 AI 作为精益改善的辅助层，而不是替代层。AI 先帮助团队把异常线索整理出来，再由现场团队确认事实、验证根因、定义行动。这样的组合既保留精益的现场纪律，也能减少管理人员大量重复整理数据和材料的时间。
管理者应该怎么开始
不要从“我们要做 AI”开始，而要从一个明确指标开始，例如 OEE、返工率、客户投诉、换线时间或改善项目闭环率。
判断 AI 要进入日报、晨会、质量复盘、项目例会、培训辅导还是知识检索。
用 8-12 周验证 AI 是否减少分析时间、提升问题质量、促进闭环行动或提高知识复用率。