《AI质检上线后，管理层该盯的不是检出率》

一条产线装上视觉质检后，报表里的缺陷检出率迅速上升，质量部门却更忙了：复判队列变长、返工区继续堆料，同一种划伤下周还会再次出现。

管理层如果只追问模型检出了多少，就会把“看见问题”误当成“解决问题”。AI视觉的价值不在多画几个红框，而在它能否推动隔离、处置、追因和预防形成闭环。

这篇判断主要给工厂老板。老板要看质量成本和交付风险，并把检查方法转发给厂长、车间主任和班组长，要求各岗位用同一条缺陷记录复盘。

检出率只回答了第一问

NIST 对制造业 AI 的介绍指出，机器学习和计算机视觉可以识别细微缺陷或异常，也同时列出数据质量、技能、成本和旧系统集成等障碍。

这意味着高检出率只能证明识别环节可能更敏感。它没有回答误报是否挤占复判人员，也没有回答漏报风险、停线规则、返工能力以及原因改善是否同步变化。

一张缺陷图至少要连接五个动作：实物隔离、缺陷复判、影响范围判断、责任岗位接单、处置结果回写。任何一步断开，AI都只是更快地产生待办。

中型成长型工厂最常见的问题，是算法归技术部门、复判归质量部门、原因归生产部门，三边指标各自好看，却没人对缺陷从出现到关闭的总时长负责。

当误报增多时，操作工会寻找绕过规则的办法；当质量部门无法及时复判时，待检品会占满现场；当生产只看到扣分时，缺陷标签就会逐渐变得含糊。

班组长要接单，质量部门负责处理和升级，技术岗位负责关闭。若主动暴露问题的人总是背责，现场就会形成多做多错、少做少错的自保选择。

所以管理层先要明确：谁有权停线，谁能改判，谁负责补充样本，谁批准模型或阈值变更，谁在争议无法解决时决定放行边界。

第一步看风险：关键缺陷漏报率、误报率、复判一致性，以及模型无法判断时是否可靠转人工。不同严重度的缺陷不能被一个平均准确率掩盖。

第二步看流动：从检出到隔离用了多久，从隔离到复判用了多久，待检和返工在制品是否下降。识别更快却让队列更长，系统价值就是负的。

第三步看改善：重复缺陷是否减少，原因措施是否按期关闭，模型发现的问题有没有反向推动工艺、设备、材料和培训改进。

NIST 关于工业 AI 投资评价的思路，是先判断监测能否覆盖真正风险、风险能否被缓解，再比较基线风险、运行成本、工具自身风险和业务价值。

它更适合数据量已上来、责任边界仍模糊的中型成长型工厂。小型工厂可先做人工闭环，大型或成熟工厂要管模型变更。并不是所有缺陷都适合交给 AI。

随机抽十条 AI 缺陷记录，从图片一路追到实物、复判、处置、原因和预防措施。只要有一条在中间失去对象身份或责任人，就记录为闭环断点。

再抽取人工发现而 AI 未发现的缺陷，判断是样本缺口、成像条件变化、工艺新异常，还是分类规则不清。把这些反馈纳入受控更新，不让模型在现场静默漂移。

最后看质量成本：报废、返工、复检、停线和客诉有没有变化。检出率可以作为技术指标，但只有系统层面的风险与损失下降，才是管理层应该认可的收益。

我是三色灯MES系统发明人黄朝兴，关注我，持续分析制造业现场管理和数字化趋势。