本文基于制造业全业务流程，梳理出6大核心AI应用分类：智能助手、视觉质检、实时感知、决策分析、协同优化、自主控制，明确各分类依据与业务意义，并结合真实落地示例阐述大模型应用价值。
典型场景：①智能助手——某机加工企业工艺查询+报表生成大模型助手，查询从15分钟缩至1分钟内，报表效率提升80%；②视觉质检——某汽车零部件焊缝AI检测，不良品流出率从1.2%降至0.15%，效率提升60%；③实时感知——某化工企业安全+设备双感知，隐患发现效率提升90%、预警准确率92%；④决策分析——某注塑企业设备故障预测+质量根因分析，停机减70%、不良率降35%；⑤协同优化——某电子企业AI排产+AGV调度，排产效率提升85%、交付准时率88%→98%；⑥自主控制——某压铸企业工艺参数自适应，不良率5%→1.2%，换型时间缩短60%。
结论：AI落地无需「大而全」，立足痛点选场景，优先低难度高见效场景（智能助手、视觉质检），再向协同优化、自主控制延伸；核心是大模型与业务场景深度融合。
金兰视角 · 洞察点评
六个场景里，视觉质检与智能助手是金兰客户最容易起步、也最快见效的切口。我们在多个高端制造与军工配套项目中验证过同样逻辑：不追求全自动，先用AI替掉重复事务与人工目检，把老师傅的经验沉淀进知识库。本文的ROI数据（不良率降85%、报表提效80%）与我们的现场结论高度吻合。