面向电子与电器制造企业。这个行业最典型的特征是「老师傅经验没结构化」——人一走，工艺就没了。AI 在这里的价值是把经验固定下来。
电子制造的 AI 有三个硬前提，缺一个都会导致项目卡死。
没有数字化基础的工厂做 AI 是空中楼阁。先把手工流程电子化，再谈AI
排产优化的前提是知道每道工序实际要多久。靠计划员脑子里记的工时，AI 学不会
订单越离散，AI 的价值越大。如果是大批量单一品种，传统方法已经够用
生产、采购、仓储信息不同步造成的延误，是排产与追溯能直接解决的
新品多意味着工艺知识流失风险高，知识沉淀的价值才显现
电子制造的 AI 落地跨度大，因为要按「快→慢」的顺序分批做。
把工艺文件、设备说明、常见故障、历史排产方案整理成结构化资料。很多电子厂的问题不是没经验，是经验躺在师傅脑子里。
验收标准：有明确的资料清单与责任人
把整理好的资料做成知识问答系统，新人上手与异常处理时可以随时查。这是最容易验收、最少阻力的场景。
验收标准：一线技师能在 1 分钟内查到设备异常的处理方法
把订单进度、设备状态、质量数据自动汇总，异常自动提醒。这是最容易让老板看见成果的场景。
验收标准：取代原有手工报表，异常能主动推送而非等人工发现
这一步没有捷径，必须把工时记录做起来。没有这一步，后面的排产优化都是猜测。
验收标准：主要工序的工时数据连续采集满一个周期
先在一个车间或一条线做试点，不要全厂推开。计划员的接受度是最大变量，要让他参与规则制定。
验收标准：试点线排程时间下降可量化，且计划员认可结果
把批次追溯、工序质检记录做成可查询的链路，把验证过的方案复制到其他车间。
验收标准：批次追溯可查，且试点经验已写成可复制的操作文档
电子制造的收益分散在多个环节，要分开算再加总。
| 成本项 | 说明 |
|---|---|
| 工具与平台 | 按厂或按产线计费，先做单车间试点 |
| 工时数据采集投入 | 容易被低估，通常需要数周才能拿到连续数据 |
| 数字化基础补齐 | 若原ERP/MES 不完善，这部分投入必须先算进去 |
| 月度成本 | 按月摊销 |
智能排产的全部逻辑建立在「每道工序实际要多久」之上。很多工厂的工时数据只存在于计划员的经验里，让他写出来并持续维护，是整个项目里最耗时也最关键的工作。
如果这件事做不了，智能排产这个场景建议直接放弃，不要抱侥幸心理。
电子制造的坑集中在推行阶段，不在技术阶段。
最大的落地杀手。计划员觉得 AI 在否定他的经验，抵触会体现在数据收集和结果使用上。解法是让他参与规则制定，把AI 定位成辅助而非替代。
用不准的工时数据排产，产出的计划看起来漂亮但执行不了。一旦计划员失败一次，整个方案就失去信任了。
电子厂往往有多个车间，条件各不相同。不做试点就全面铺开，出问题时无法定位。
工艺参数涉及安全与质量责任，必须工程师确认。这类自动化省下的人力成本远低于一次事故的代价。
产品迭代是电子行业的常态，工艺文件过期的速度也很快。过期的知识库会自信地给出错误答案，比没有 AI 更糟。
如果判断结果是「暂不做」，下面几个回本更快。
本文中的收益区间为行业经验估算，依据公开报道与同类项目实践，不能替代你自己的实测。文中所有量化门槛均为建议起点，需按你的实际数据代入验证。
涉及具体数字回报的部分，我们采取分级标注：可溯源的公开数据会注明来源与日期；行业区间估算会标明「需自行验证」；没有可靠依据的一律不写数字。任何声称「行业普遍能省 XX%」的说法，请一律要求对方给出可验证的基线。
