厂商演示的AI功能流畅漂亮，到自己所里用就水土不服——这是AI落地最常见的剧本。算法都是现成的，差别在数据：演示用的是干净的标准数据，你的实际数据里全是本所特有的噪声。

为什么标注比想象中难

口腔AI的标注需要专业知识：边缘线的「正确答案」要资深技师来描，咬合干扰的「确认」要懂验学的人来点。专业人员的工时费摆在那，标注成本比算法成本高。更麻烦的是标注一致性：两个技师对同一病例的边缘线判断不一致，模型学到的就是噪声。

划算的标注策略

三个经验：一是只标决策边界样本——AI已经确定的不用标，专标它拿不准的（主动学习），标注量能省八成。二是把标注嵌入工作流——质检员复核AI结果的动作本身就是标注，不额外花时间。三是用规则先筛——阈值能过滤的用规则，规则搞不定的再上人工标注。

回报怎么算

标注投入的回报周期取决于使用频率：高频环节（描边、咬合检测）三个月能回本，低频环节（罕见缺陷检测）可能永远不回本。先给高频环节标注，别一上来就铺全套。