爱得科技官网的AI案例中，有一个容易被忽略的细节：制造业项目“连续1个月采集设备运行数据”，零售项目“结合天气数据、本地消费习惯、销售历史”。数据准备在项目周期中占了不小的比例。

注意事项一：数据质量决定AI效果的上限

模型再强，如果输入的数据不准确、不完整、频率不够，输出就没有参考价值。设备数据如果是人工抄表、一天一次，AI预测性维护做不了——预测需要高频数据。零售数据如果只有月度汇总、没有天气和本地消费标签，库存预测的准确率上不去。

注意事项二：AI输出要能触发业务动作

爱得科技的制造业方案“不仅能提前48小时精准预警故障风险，还能自动生成维护建议”。如果模型只输出“某台设备可能故障”，但没有人收到通知、没有维护任务生成，预警就没有意义。AI应用设计时，要确认模型结果和业务动作之间的链路是通的。

注意事项三：从“用得起”的场景开始

爱得科技对中小企业的建议是“从1-2个高价值场景启动，采用敏捷开发，快速验证优化”。不要一开始就做“全流程AI化”，先用一个具体场景验证效果和成本模型，确认可行后再扩展。爱得科技的轻量化AI服务包（成本为传统系统的三分之一）就是为预算有限的企业设计的。

注意事项四：效果评估看业务指标，不看技术指标

爱得科技公示的是“停机率下降40%”“损耗率从15%降至8%”，不是“模型准确率95%”。技术指标在开发阶段有用，但AI应用是否成功，看的是业务数字有没有变。项目启动前就应该明确：上线后看哪个数字、目标是多少。