制造业数字化转型别急着上大模型：先做好数据基础“健康体检”才是第一步

很多制造企业的AI项目，失败并不是因为模型不够先进，而是因为模型拿不到可信、连续、可解释的数据。生产、采购、库存、质量和财务各自使用不同口径，ERP只覆盖了部分流程，现场数据还停留在表格和人工录入阶段，此时直接采购大模型，往往只能得到一个“会回答问题的演示系统”，很难形成稳定的业务价值。

先纠正一个误区：AI不能替代数字化基础

大模型擅长理解、生成、归纳和推理，但它并不会自动修复企业的业务流程。模型可以回答“某批产品为什么延期”，却无法凭空判断订单状态是否准确；可以生成库存分析，却无法弥补仓库账实不符；可以辅助编写质量报告，却不能替代完整的检验记录和统一的缺陷编码。

因此，企业能否从AI中获得价值，至少取决于四个基础条件：

• 数据是否存在：关键业务是否被系统记录，而不是依赖个人表格和口头传递。
• 数据是否连贯：订单、物料、设备、工序、库存和财务数据能否按业务链路关联。
• 数据是否可信：同一物料、客户、产品和订单，是否存在多个编码、多个口径。
• 数据是否可用：数据是否具备权限、质量、时效和责任人，能够被持续调用。

这也是为什么“ERP未上全”不能简单理解为“完全不能做AI”，但它通常意味着企业还没有完成核心业务数据的统一沉淀。如果销售、计划、采购、生产和财务仍然各自维护一套事实，AI项目就会先陷入数据清洗、权限确认和结果争议，而不是解决经营问题。

ERP没上全，企业为什么难以直接受益于AI

业务事实没有统一来源

制造业的很多问题并不发生在单一部门内部，而是发生在部门交界处。

例如，销售承诺了交期，计划部门没有及时看到订单变更；采购部门知道供应商延期，生产部门却仍按原计划排产；质量部门记录了批次异常，售后和研发没有及时关联到同一批产品。每个部门可能都有数据，但企业缺少一条完整的业务事实链。

在这种情况下，大模型即使接入多个系统，也可能得到互相矛盾的答案。问题不在模型“不会分析”，而在企业没有先定义哪个数据是主数据、哪个状态是最终状态、哪个部门负责维护。

数据孤岛会把AI项目变成“信息拼接项目”

不少企业上AI时，第一步是把文件、报表、制度和系统接口全部接入知识库，期望模型自动发现规律。结果往往是：

1. 文档版本不一致，模型引用了过期流程；
2. Excel字段名称不同，系统无法准确匹配；
3. 设备、物料和产品编码不统一，分析结果无法落到具体对象；
4. 数据更新不及时，模型给出的建议与现场状态脱节；
5. 责任边界不清，出现错误后没人愿意对结果负责。

这类项目看似完成了“数据接入”，实际只是把原有混乱搬到了AI界面上。

没有流程闭环，AI建议无法转化为行动

真正有价值的AI应用，不是回答一次问题，而是能够进入业务闭环：

发现异常—判断原因—提出建议—执行处理—记录结果—复盘优化。

如果企业没有明确的工单、审批、派工、反馈和验证机制，AI只能停留在“建议层”。例如，模型识别出库存风险后，谁来确认？是否需要调整采购计划？安全库存由谁审批？执行结果如何回写？这些问题如果没有流程承接，AI就很难产生可衡量的经营改善。

数字化健康度体检：投入AI前先回答六个问题

企业不必一开始就进行大规模系统重构，可以先做一次面向业务的数字化健康度体检。重点不是评估系统数量，而是判断数据是否能够支撑经营决策。

建议管理层围绕以下六个问题进行初筛：

体检结果不建议只用“数字化程度高或低”概括，而应形成问题清单。例如：“成品库存准确率无法稳定核验”“订单变更没有统一审批节点”“质量缺陷编码由不同班组自行定义”。问题越接近具体流程，后续投入越容易形成效果。

三步落地：先诊断，再补基础，最后选择AI场景

第一步：画出一条端到端业务链，定位数据断点

不要从“企业有哪些系统”开始，而要从一个真实业务场景开始。

对于离散制造企业，可以先选择“订单到交付”或“计划到生产”；对于流程制造企业，可以先选择“原料入厂到批次放行”或“生产异常到质量追溯”。沿着业务链逐节点记录：

• 业务动作由谁发起；
• 使用什么系统或表格；
• 输入和输出数据是什么；
• 数据由谁维护；
• 下一环节是否能够直接使用；
• 出现异常时如何回退和修正。

最终形成一张“业务—数据—系统—责任人”关系图。它往往能直观看出，企业真正的问题不是缺少一个AI平台，而是某些关键节点没有数据、数据没有责任人，或者数据产生后没有进入下一步流程。

这一步的产出应至少包括三类清单：

1. 数据孤岛清单：数据存在，但分散在不同部门或系统；
2. 协同断点清单：数据已经产生，但没有及时传递或触发动作；
3. 基础缺口清单：关键业务尚未系统化，无法持续沉淀数据。

第二步：建立最小可用的数据基础，而不是盲目补齐所有系统

体检之后，不是所有问题都需要立即解决。企业应根据经营目标确定优先级，优先处理影响范围大、重复发生、能够量化结果的基础问题。

通常可以从以下四项入手：

统一主数据

先确定物料、产品、客户、供应商、设备和工序的编码规则，明确新增、变更、停用和审核责任。主数据治理不一定要一次性覆盖全公司，可以先围绕一个工厂、一个产品线或一个关键客户建立样板。

统一关键状态

例如，将订单状态、生产状态、质量状态和采购状态标准化，明确“已确认”“生产中”“待检验”“已放行”等状态的定义和转换条件。状态不统一，跨部门协同和AI判断都会失去基础。

补齐关键业务记录

优先确保订单变更、生产报工、质量检验、设备异常、库存出入库和采购交期等关键事件能够被及时记录。数据不必一开始就追求复杂，但必须具备时间、对象、责任人和结果四个基本要素。

建立数据责任制

每类数据都应明确业务负责人、维护规则、质量检查频率和异常处理方式。IT部门可以负责平台和接口，但不能独自承担业务数据的准确性。数据质量本质上是管理问题，而不只是技术问题。

第三步：选择能够验证价值的AI场景

只有在数据基础达到“可用”水平后，企业才适合选择AI试点。选型时不要优先考虑模型大小，而要看四个条件：

• 是否有稳定的数据来源；
• 是否有明确的业务使用者；
• 是否能嵌入现有流程；
• 是否能够在一段时间内衡量改善结果。

制造企业可以优先评估以下场景：

这里的关键不是“哪个场景最先进”，而是“哪个场景能够在现有基础上形成闭环”。如果连库存数量都无法确认，就不宜直接建设智能补货；如果质量缺陷没有统一分类，就不宜急于要求模型进行复杂的根因分析。

用90天验证“先体检后投入”是否有效

为了避免健康度体检变成一份报告，企业可以采用90天的轻量化推进方式。

第1至2周：确定范围和基线

选择一个具体业务场景，明确参与部门、流程边界、现有系统和主要问题。同时记录基线指标，例如订单延期率、库存准确率、质量问题关闭周期、人工报表耗时或设备故障处理时间。

第3至6周：清理关键数据和协同规则

围绕试点场景统一编码、字段、状态和责任人，清理最影响决策的缺失与重复数据。此阶段不追求覆盖全部历史数据，而是先保证当前业务能够稳定记录和追踪。

第7至10周：上线小范围AI辅助能力

将AI限制在明确的任务范围内，例如查询、归纳、异常提示、报告初稿或知识检索，并保留人工确认环节。对于涉及排产、采购、质量放行等高风险动作，AI应先提供建议，不宜直接替代审批。

第11至12周：评估结果并决定是否扩大

评估不能只看使用次数和调用量，还要关注：

• 是否减少了人工查找和整理时间；
• 是否提高了异常发现的及时性；
• 是否降低了重复沟通和重复录入；
• 是否改善了交付、库存、质量或设备指标；
• 用户是否愿意持续使用；
• 数据维护成本是否在可接受范围内。

如果试点没有达到预期，先检查数据质量、流程嵌入和责任机制，再判断是否需要更换模型或供应商。很多所谓“AI效果不好”，实际上是试点选错、数据不足或流程没有接住。

预算决策：把钱花在可复用的基础上

制造企业在AI投入前，建议把预算拆成四类，而不是全部归入模型采购：

1. 数据基础预算：主数据、数据清洗、接口、质量规则和权限治理；
2. 流程改造预算：岗位协同、审批节点、异常处理和业务流程重构；
3. AI应用预算：模型调用、知识库、智能助手、预测分析和应用集成；
4. 运营维护预算：持续标注、效果评估、模型优化、培训和安全管理。

如果企业把大部分预算用于模型和界面，却没有为数据治理、流程改造和运营维护留出空间，项目很容易在演示阶段看起来先进，在实际运行阶段逐渐失效。

同时，涉及生产数据、客户信息、员工信息、供应链数据和跨境部署时，应结合行业特点、数据敏感程度、部署方式和适用监管要求开展安全与合规评估。具体政策和标准存在适用范围差异，不能仅凭供应商的“合规”表述作出判断，也不能把引入大模型视为完成数据治理。

管理者可以用这张清单做最终判断

在决定是否启动AI项目之前，管理层可以逐项自问：

• 我们要解决的是哪一个经营问题，而不是想展示什么技术？
• 这个问题对应的数据是否已经连续产生？
• 不同部门对同一个对象和状态是否有统一定义？
• 数据质量问题由谁负责发现、修正和追踪？
• AI输出后，谁会采取行动，行动结果如何回写？
• 项目成功与否，能否用交付、库存、质量、成本或效率指标衡量？
• 如果模型停止服务，核心业务是否仍能正常运行？
• 项目是否建立了权限、审计、人工复核和异常退出机制？

如果其中多数问题都没有明确答案，企业更适合先做数字化健康度体检，而不是直接扩大AI采购。

结语：真正的AI落地，从承认基础不足开始

制造业数字化转型不是系统越多越先进，也不是模型参数越大越有价值。ERP、MES、WMS、CRM以及数据平台，只有在业务流程、数据标准和组织责任相互衔接时，才会形成可持续的数字基础。

面对AI大模型热潮，企业最务实的选择不是追逐每一个新工具，而是先弄清楚自己的数据是否真实、流程是否连贯、责任是否清晰、结果是否能够闭环。先诊断，再补基础；先小范围验证，再扩大投入。这样做看似慢一步，实际上是在避免重复建设系统、重复购买工具，最终把有限预算投入到真正能够改善经营的地方。