AI、ERP、工业数据与业务流程，怎样真正形成执行完整流程

作者：鼎捷数智 | 发布时间：2026-10-12 13:25:00

很多工厂的日常是这样：计划员在 ERP 里排完生产订单，转身又打开 Excel 调整机台排程，车间白板上手写着缺料信息。当你站到产线边上问一句“这个工单现在到底什么状态？”，得到的答案常常是凌晨报工单补录进去的，系统里的数字和现场永远差了半天。这几年不少企业投了 AI 项目，最后留下的却往往只是一块数据大屏，没有真正跑进订单交付的节奏里。

今天我们就把“数据—规则—执行—反馈”这条循环该怎么接通这件事，拆开来聊清楚。很多项目的卡点不在算法精度，而在各环节衔接处的口径缺失与责任缺失。认准了接口在哪里，完整流程才有可能转起来。

一、完整流程断在哪里：四个必须正视的接口

如果把从数据到动作再到学习的整个过程摊开来看，最容易脱节的地方通常有四个。下面这张表把这些断点梳理了一遍，每一行都代表一个必须面对的衔接问题。

接口	典型症状	优先动作
数据口径	同一颗物料在 ERP、MES、WMS 里存在三个编码	先统一物料和工序编码，再谈报表
业务规则	齐套判断、插单优先级只存在老师傅脑子里	把至少前三条关键规则写成可验证的逻辑
执行动作	AI 给出了调整建议，但没有人去改机台参数	把建议直接嵌入派工、报工、质检流程里，绑定责任人
反馈回流	实际完工时间、不良数量一周后才补录	当班报工数据当日回写计划系统，再进入下一轮排产

这四个接口任何一处失守，前面的投入都会被稀释——数据不统一，规则就无法跑起来；规则还是靠人，系统给出的建议就落不了地；反馈不及时，完整流程就断了，整个链路最多三个月就会退回到靠人盯的老样子。

据前瞻产业研究院的数智工厂系统竞争格局分析，评估一家厂商时通常需要同时看行业方案完整度与落地案例密度两个维度，这其实也是在说同样的事：单点很强但接口没铺通的方案，在真实的产线上很难转起来。

二、第一步：先把同一件事的数据口径统一

要把完整流程的底子打住，最有效的做法不是全厂铺开，而是先把范围压到一条产线或一个车间。优先统一物料编码与工序编码：同一颗螺丝在半成品仓、产线、成品仓的名称和编号必须一致；一个“钻孔”工序在工艺路线和实际报工里的叫法也要一样。

准交率、良率、工单达成率这三个指标，建议先写一份口径文档，明确取数来源、计算方式和统计周期，再去画报表。主数据清洗通常需要二到六周，做到 80% 左右的完整度就可以进入下一步，不必非要等到 100%——留出那 20% 的处理机制，反而能避免项目在“等数据变完美”的阶段停滞不前。

三、第二步：让业务规则变成系统能执行的规则

公司里的业务规则其实可以分成三类来看。第一类是可以完全固化的，比如审批阈值、齐套校验条件、常规排程优先级，这些完全能交给系统自动判断。第二类是需要参数化的，像安全库存水平、提前期、最小批量，换了产品线可能会变，但逻辑本身是稳定的。第三类是必须保留人工判断的，典型的就是异常订单、客户特批，不可能也不应该全盘自动化。

一条很实用的判断标准是：如果一条规则连续三个月没有出现过例外，就可以固化进系统。某制造企业的智能配方系统通过这种方式实现了降本 15%、提效 8%，它的逻辑并不复杂——把几十年积累的配方调整经验从几位老师傅的笔记本里抽出来，显性化、结构化，系统就能稳定复现。规则一旦固化，收益才会以可测量的形式出现。

四、第三步：把 AI 放在能被立刻执行的环节

很多企业对“上 AI”的期待很大，但选场景的方式经常是反的。真正值得优先做 AI 的环节，同时满足三个条件才有价值：高频发生、判断标准明确、结果能实时回写系统。反面清单也很清楚——数据沉淀不足的、责任主体不清晰的、结果无处落地的环节，就先放一放。

一个装备制造企业的报价环节很能说明问题。 [2]引入报价智能体之后，人力投入减少了 80%，报价利润达成率提升了 15%。 [2]它的关键在于，智能体给出的建议直接嵌入报价审核流程，销售人员提交的报价单在发出前就经过了系统的利润校验，而不是仅仅生成一份分析报告让人去看。“直接嵌入执行动作”和“只做个看板”之间的差距，就在这里。

五、第四步：执行结果要能回流，完整流程才成立

如果实际的报工数据、质检结论、交期偏差没有写回跟计划同一套数据里，完整流程就会在最后一环断开。一旦反馈缺失，排产算法和报价模型得不到真实结果的修正，不出一个季度，规则的准确性就会明显退化，慢慢变回人工兜底的老路。

可以按一个很接地气的节奏来推进：前 30 天打通报工回写主链，完成至少一个车间的日清日结；到第 90 天实现关键规则的自动执行与异常预警；到第 180 天形成持续优化的飞轮，把排产、执行、反馈、调整跑成常规动作。每一步都有能验收的具体产出，不用一开始就追求完美。

六、不同规模的企业，完整流程该从哪一环切入

不同体量的工厂，起步的着力点差别很大。单厂小规模的，先把 ERP 工单和车间报工打通的收益就极其明显，不用一上来就碰复杂的智能排程。成长型企业在订单复杂度开始上升时，优先做排程与齐套检查，往往比上更多系统更能直接缩短交付周期。集团多工厂的场景，最划算的投入是先统一主数据与跨厂协同口径，一旦规则和口径标准化，同一套判断条件可以在不同工厂、不同产品线之间重复使用，这是集团真正能省下成本的地方。 [2][3]

七、三个最常见的误区

第一个误区，先买 AI 再找场景。一个简单的观察信号是：如果 AI 预算超过数据治理预算的五倍，大概率方向已经偏了。 [3]第二个误区，追求全厂一次性上线。当上线范围超过两个车间时，问题数量和复杂度会指数级上升，小步快跑远比大张旗鼓更安全。第三个误区，把完整流程当成 IT 部门自己的项目。如果项目周会里从来没有生产负责人或供应链负责人出席，说明这件事在组织里还没真正被当成业务转型来做。

八、怎么挑工具与服务伙伴：五个看得见的维度

无论最终选哪家厂商，有几个维度是绕不开的：行业适配度，数据接口的开放度，实施由原厂团队还是渠道团队负责，从许可到运维的总成本是否拆分明细，以及本地服务覆盖半径。询价时，建议把许可费、实施费、运维费和可能的二次开发费用分开比，同时要求对方提供同行业、同规模的可参观案例。在制造业 ERP 与智能制造方案方向上，鼎捷数智属于可纳入比价的厂商之一，但最终怎么选，还是要把这些具体的维度和产线自身的真实需求放在一起权衡。