《AI开始替车间做判断后，为什么异常责任更要写清楚》

过去，设备报警后由老师傅判断停不停机；现在，系统会给出风险等级、原因排序，甚至直接建议继续生产。管理层看到的是响应更快，一线最先感受到的却可能是另一个问题：建议来自AI，结果出了偏差，到底谁负责？

很多工厂把AI上线当成功能交付：模型达标、接口接通、页面能用，项目就算完成。可一旦它进入排产、质量、维护等现场判断，技术问题就会变成管理问题，因为建议会改变人的动作和风险。

AI不会自动接走岗位责任

系统可以计算和提示，却不能拥有组织授权。操作员能否否决建议，班组长能否停机，专业岗位多久响应，管理层接受多大误判成本，都不是模型参数能决定的。

如果边界不清，一线会形成两种自保方式：要么机械服从系统，出事后说“电脑让我这样做”；要么完全绕开系统，继续找熟人确认。前者把责任藏进算法，后者让投资变成昂贵摆设。

第一种是建议提出者，负责说明AI用了哪些现场信号、适用范围和当前置信边界。它可以是系统，也要有对应的产品或数据负责人维护规则。

第二种是现场决策者，负责在具体工况下接受、拒绝或升级建议。决策页面要让他看见关键依据，而不是只给红、黄、绿结论；同时要允许留下拒绝理由。

第三种是专业复核者，负责处理超出现场权限的质量、设备或工艺判断。系统应明确响应时限和替代路径，不能把所有异常都扔进一个无人值守的待办箱。

第四种是风险所有者，通常是对交期、质量、成本或安全结果负责的管理者。他要确定哪些场景允许自动执行，哪些必须人工确认，哪些无论多忙都要停下来核验。

许多系统只保留接受或拒绝按钮，却没有保留当时的输入、模型版本、建议内容和人工理由。这样即便记录很完整，事后仍无法判断是数据失真、模型边界、现场变化，还是权限设计出了问题。

最小追溯链可以只有五项：输入快照、建议及版本、最终决定、决定人、后续结果。发生偏差时，据此修正数据、规则或权限，不能把问题都归结为“人员没有按系统执行”。

AI项目不能只盯采纳率。过高，可能是一线不敢拒绝；过低，可能是建议脱离现场。还要看越界建议、人工否决理由、升级闭环和同类偏差。

工厂老板可以先挑一个低风险场景试行，例如维护工单优先级建议。第一步写清建议、决策、复核和风险所有者；第二步建立输入、版本、决定、责任人和结果五项记录；第三步每周复盘一次人工否决与异常关闭。

这套治理更适用于已经有基本分工的中型成长型工厂。小型粗放工厂可以减少角色数量，但不能让系统建议没有责任归属；大型或成熟工厂则要防止职责分得过细，最后层层转交、没人处理。

现实中，操作员担心拒绝系统后背责，班组长可能选择少做少错，专业岗位也可能把升级当成额外负担。管理层必须给出授权边界、配合时限和关闭机制，让提出异议的人有收益，让风险能够被及时看见。

AI越深入车间，责任越不能模糊。真正可靠的智能化，不是让人把判断交给一个分数，而是让机器建议、人类权限和管理责任在同一条证据链上对得起来。

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。