AI × 工业：MES 里真正值得先做什么
原文就一句话：设备异常解释、点检、工单知识问答——先辅助人，再谈自动控制。 下面把这句话说清楚：工业里 AI 该从哪切，以及为什么不要急着替代生产系统。
这不是工业 AI 场景大全，也不是「我已经做过 AI MES」的项目报告。
为什么工业里的 AI 要更克制
MES / 工控相关系统和普通互联网后台不一样：对着真实生产，数据、权限、状态、规则都更硬。一条错建议可能影响排产、质量和安全。现场很多事规则已经写死——能用规则算准的，不必硬上模型。
AI 更适合：信息量大、来源杂、人要读要判、规则写不完、而且可以复核。生产执行本身，先留给原来的系统。
MES 里我更愿意先看的切口
不堆十几个场景。结合常见 MES / 车间系统，我先看这几类。
1. 生产异常辅助分析
设备、工单、质量出异常之后，让 AI 帮着整理：发生了什么、牵涉哪些工单/设备/产品、近期相关记录、可能原因、建议再查什么。
它给出的是分析和建议，不替代现场的最终判断。人确认后，该停线停线、该开维修工单开维修工单，仍走原流程。
2. 生产 / 业务数据问答
例如：今天哪些工单延期、哪台设备最近告警多、某产品这周生产情况如何。价值不在「聊天」，而在少翻几个页面、少拼几张报表。
真正难的是权限、口径、查询安全、上下文、结果能不能对账。接一个对话 API 不算做完。答出来的数，最好能回到原报表或原查询去核对。
3. 工艺 / 设备 / 维修知识辅助
现场通常不缺文档：SOP、工艺、说明书、维修记录、故障经验、培训材料。缺的是用的时候找得到、对得上当前设备与工序。
这里会用到企业知识库一类做法，但重点不是 RAG 教程，而是：让已有知识更好用，而不是再造一套知识。 答不上来就说不确定，并指出该翻哪份资料。
4. 日报 / 周报 / 异常报告草稿
把分散的产量、异常、设备、工单进度、质量记录收成一稿，人改完再发。生成草稿可以快；签字和对外口径仍是人的事。
5. 质检与异常信息整理
缺陷描述归类、异常记录归纳、质检摘要、查历史上类似问题——仍然是减阅读、助检索。不是「视觉自动质检已经落地」。视觉检测是另一条更重的路线，本文不展开。
点检助手也可以落在「对着规程和最近记录，提醒漏项、解释异常」，同样是辅助，不是自动改点检结论。
哪些地方暂时不要让 AI 接管
- 不要急着让 AI 做最终生产决策（开不停、改不改工艺、放不放行）。
- 不要让它绕过原有权限：能看哪些工单、能下哪类指令，仍以 MES 为准。
- 不要让它直接改核心生产数据（计划、报工、库存、工艺参数）。
- 不要用它替代已经明确的业务规则（批次、防错、互锁）。
- 不要因为有了大模型，就重做整套 MES。
AI 是能力层，不该轻易破坏原系统的确定性。
AI 和 MES 是什么关系
更接近现实的形状：
MES / ERP / IoT
↓
业务数据与业务上下文
↓
AI 能力
↓
分析 / 总结 / 检索 / 建议
↓
人工确认
↓
原有业务系统执行MES 更擅长：数据、状态、规则、流程、权限、事务。
AI 更擅长：读文本、整理信息、检索知识、归纳模式、自然语言入口、辅助分析。
两者不是互相替换。更稳的做法是：让 AI 站在传统业务系统旁边，而不是一上来替代它。
我做企业系统时间比较长，所以看 AI + MES，不会先问「能不能做一个车间 Agent」。我更关心三件事：这个环节原来的人到底耗在读和查上多久；AI 能不能真减信息处理成本；出错以后能不能被发现、被拦住。三个问题答不上来，多半只是多了一个聊天窗口。
工业里真正有用的 AI，不一定最「聪明」，往往是最容易嵌进现有流程、结果最好核对的那一个。
一个简单判断
高频信息处理
+ 已有业务数据
+ AI 能明显减轻阅读/查找
+ 允许人工复核
+ 能嵌进原有 MES 流程
→ 值得试
高风险 + 无法复核 + 数据很差 + 规则已经写死
→ 先不上收束
对我来说，AI + 工业不是把一个大模型塞进 MES。更现实的是先钉死一个信息处理环节，让人把事做快一点，再慢慢进更重的流程。
先辅助人，再进入流程；先解决具体问题，再谈智能化。
本文是基于企业软件、MES / 业务系统经验的方向判断，不代表已经完成上述工业 AI 项目的落地。不虚构客户、准确率或收益。以后若在具体模块上做了验证，再单独写结果。