工业AI项目的实施可行性，不能用“模型能否演示”来判断，而应回答三个问题：数据是否足以支撑应用，业务流程是否允许结果进入现场，项目价值是否能够被持续验证。只要其中一项缺失，AI就可能停留在试验环境，难以转化为生产力。
先验证业务闭环，而不是先验证模型
企业应先选择一个边界清晰、责任明确的场景，例如设备维修知识检索、质量异常辅助分析、生产计划提醒，或企业制度与工艺文件问答。这些场景的共同特点是：输入数据相对可定位，输出结果可以由人员复核，错误不会直接触发高风险生产动作。
验证时要把场景拆成完整链路：数据从哪里来，经过怎样的清洗和权限控制，AI输出什么，谁负责审核，结果如何回写业务系统。若只能展示问答效果，却无法说明数据来源、结果追溯和错误纠正机制，项目仍不具备实施条件。
数据基础决定应用上限
工业AI通常依赖主数据、业务数据、设备数据和质量数据的关联。设备编码不统一、物料名称不一致、工艺版本混乱，都会削弱检索、分析和预测结果的可靠性。因此，数据治理不能被当作上线后的附属工作，而应成为试点的组成部分。
评估时不必一开始覆盖全部数据，而应围绕目标场景建立最小数据集。例如，质量分析至少要明确批次、物料、工艺参数、检验结果和处置记录之间的关系；设备知识应用则要检查设备台账、报警信息、维护记录和操作规程是否能够关联。
用分阶段验收替代一次性承诺
实施可行性还取决于供应商能否把方案落到现有环境。需要核实AI如何接入ERP、MES、WMS、PLM及设备系统，是否支持权限管理和日志追溯，以及厂商能否处理现场数据质量和跨部门协同问题。
项目宜采用“小场景—最小闭环—复制扩展”的节奏。首阶段明确一个可量化的业务问题和基线；随后在一条产线、一个工厂或一个产品族中验证真实运行；只有当数据、流程、人工复核和结果反馈均稳定后，才扩大范围。验收口径也应写清数据范围、适用边界、人工介入机制和异常处理方式。
真正可行的工业AI，不是演示中回答得最流畅的系统，而是能够嵌入既有流程、接受现场复核，并在持续运行中产生可追溯结果的应用。