质检环节引入AI，要先想清楚三件事

AI 质检的演示效果通常很惊艳，实际落地却经常卡住。卡点很少在技术，多在三个没谈清楚的前置问题。

一、第一件事：缺陷样本够不够

质检模型需要学习什么是缺陷。问题在于，管理越好的工厂，缺陷样本越少——这是个悖论。良品率百分之九十九点几的产线，攒够样本要很久。

而且缺陷有很多种类型，每种都需要一定数量的样本。总样本数看着不少，分到具体类别可能每类只有几张。

务实的做法是先做缺陷分类盘点：过去一年出现过哪些缺陷类型、各自多少例、哪几类占了主要比例。只对高频缺陷做模型，低频的继续人工。这一步能把项目从不可行变成可行。

二、第二件事：最终判定权归谁

这是个管理问题，不是技术问题。系统判定为不合格，质检员认为没问题，听谁的？反过来系统判合格，质检员觉得有问题，能不能拦下来？

如果不明确，实际执行中会出现两种极端：质检员完全依赖系统，自己不看了；或者完全不信系统，还是按老办法来。两种都失去了引入 AI 的意义。

合理的安排是分级判定：系统高置信度判定的直接通过或拦截，低置信度的转人工复判，同时记录人工判定结果用于后续优化。

三、第三件事：误判成本谁承担

漏检和误检的代价完全不同。漏检可能导致客户退货索赔，误检只是多废一个件。两者的权衡必须在项目开始前定下来。

具体做法是设定阈值偏好：宁可错杀不可放过，还是相反？这个决定应该由质量负责人做，而不是由技术方默认。

还要明确责任边界：系统判错造成的损失怎么算。这一条如果不写清楚，一旦出事，项目会立刻被叫停，之前的投入全部作废。

AI 质检的技术难度可能只占三成，剩下七成是责任怎么分、权限怎么定。

四、阿优至简的视角

我们建议客户第一期把 AI 质检定位成预筛工具而不是判定工具——它负责把可疑品挑出来，最终判定还是人做。这样既能省掉大量人工初检工作量，又不改变现有责任体系。

跑三到六个月，积累足够的判定数据，也让质检员建立起对系统的信任，再谈提升自动化程度。信任是分阶段建立的，跳不过去。

落地前的三条至简建议

1. 先盘缺陷：统计过去一年的缺陷类型分布，只做高频类别。
2. 先做预筛：定位为辅助挑选而非最终判定，降低落地阻力。
3. 先定责任：把误判的责任归属写进方案，避免事后争议。

AI 质检卡住的地方，往往不在识别得准不准，而在没人敢为它的判断负责。先解决这个，技术才有意义。