拓冰网站定制 
第 22 期 | 工业 AI 项目方法论：场景选择与实施路径
麦肯锡的调研显示，70% 以上的工业 AI 项目止步于试点，无法规模推广——“试点炼狱（Pilot Purgatory）”。失败很少因为算法不行，更多是因为场景选错、范围失控、组织缺位。本期给出从场景筛选到规模化交付的结构化方法论。
一、工业 AI 项目的结构化流程 📋
CRISP-DM 是数据挖掘领域的经典流程，工业改造版六阶段：
工业版的三个强化点：
- 业务理解阶段必须输出量化的价值测算（ROI），不接受"提升智能化水平"这类模糊目标；
- 数据理解阶段增加"现场数据审计"——亲自到控制室看 DCS 画面、找仪表工程师核对测点；
- 评估阶段的验收标准在开工前白纸黑字签订，防止后期口径漂移。
二、场景筛选：价值-可行性矩阵 🎯
面对一堆候选场景，用两维矩阵筛选：
首选场景的特征画像（标杆如炉温预测、设备预警）：
- 痛点高频且损失可量化（每月发生、单次损失明确）；
- 数据基础好（连续采集 ≥1 年、完整率 ≥85%）；
- 结果可验证（有客观标签或业务指标对照）；
- 人在回路可接受（不要求一步到位的自动化）；
- 6 个月内可交付可见成果。
三、价值测算：ROI 的三层结构 💰
工业 AI 项目的价值必须算清三层账：
| 价值层 | 内容 | 量化方式 |
|---|---|---|
| 直接价值 | 降本增效：燃料、能耗、备件、人工 | 单位改善×规模×单价 |
| 风险价值 | 避免事故与非停：按概率折算 | 年均事故次数下降×单次损失 |
| 能力价值 | 知识沉淀、人才梯队、数据资产 | 定性评估，不进 ROI |
测算纪律：
- 只把直接价值与风险价值计入 ROI，能力价值作为补充陈述——防止用虚的价值凑数；
- 改善幅度采用保守估计（文献与同行的下限值），高估收益会在验收时反噬项目信誉；
- 回收期 >3 年的项目原则上不立项（技术迭代太快，长期测算不可靠）。
四、团队配置：铁三角与双语人才 🤝
最常见的组织失败：算法团队单方面主导，工艺方只是"配合提供数据"。其必然结局是模型水土不服、现场拒绝使用。工艺负责人的实质投入（而非挂名）是项目成功的最强预测因子。
五、里程碑与风险管理 🚩
推荐里程碑节奏（6 个月单点项目）：
| 里程碑 | 时点 | 交付物 | 决策门 |
|---|---|---|---|
| M1 立项 | 第 0 月 | 价值测算+验收标准签字 | Go/No-Go |
| M2 数据就绪 | 第 1.5 月 | 数据审计报告+特征库 | 数据不达标即暂停 |
| M3 基准模型 | 第 3 月 | 基线模型+初步指标 | 达不到基线即重审方案 |
| M4 影子验证 | 第 5 月 | 影子运行报告 | 现场信任评审 |
| M5 上线运营 | 第 6 月 | 上线系统+运营制度 | 验收 |
前三大风险与对策：
- 数据风险（概率最高）：M2 设硬门禁，数据不达标坚决不开模型工；
- 范围蔓延：需求变更走变更评审，"顺手再做一个小功能"是项目死亡的第一征兆；
- 关键人风险：工艺负责人调岗/离职的预案（双人备份、知识文档化）。
六、从试点到规模化：跨越试点炼狱 🌉
试点成功≠规模成功，跨越需要三个转变：
规模化的复制顺序也有讲究：先同类复制（同工艺另一座炉），再横向扩展（同厂其他场景），最后纵向推广（集团其他基地）——每一步都复用上一步的资产，边际成本递减。
🎯 本期小结
- 工业 CRISP-DM 六阶段，强化价值量化、现场数据审计与前置验收标准；
- 场景筛选用价值-可行性矩阵，首选"高频痛点+数据好+可验证+6 月交付"的场景；
- ROI 只计直接与风险价值，保守估计，回收期 >3 年不立项；
- 铁三角组织中工艺负责人实质投入是成败最强预测因子；
- 跨越试点炼狱靠技术资产化、组织产品化、流程制度化三转变。
下期预告：第 23 期建立工业 AI 的价值评估体系——技术指标与商业价值如何对齐，避免"模型很准、业务无感"的尴尬。📊
作者：高炉炼铁智能化技术研究者，专注钢铁冶金与人工智能 交叉领域。
👍 如果觉得有帮助，请点赞、收藏、转发！
版权归作者所有，未经许可请勿抄袭，套用，商用(或其它具有利益性行为)。
🔔 关注专栏，不错过后续精彩内容