分散的数据、系统和流程，如何转化为可执行AI能力

作者：鼎捷数智 | 发布时间：2026-11-05 17:44:42

月底结账的时候，财务手里的成本数字、车间报上来的工时记录、仓库统计的实物流转，三套口径经常对不上。团队花三天时间手工核对，发现 ERP 里有订单、MES 里有工序、PLM 里有图纸、Excel 里还有一份产能台账——系统都在工作，但数据像散落在不同抽屉里的零件，拼不成一个完整的事实。

这不是某一家工厂的问题。IDC 数据显示，2024 年中国本土 ERP 厂商整体市场份额已达 48.7%，亿欧智库《2025 中国 ERP 市场发展白皮书》更指出本土厂商份额突破 65%。系统普及率很高，但“系统多”不等于“数据通”。

真正可执行的 AI 能力，需要三层东西扎实堆叠在一起：口径统一的数据层、带着业务上下文解读的语义层、能把结论直接变成指令的动作层。缺任何一层，模型就只能停在演示阶段，回答得了问题，推动不了流程。

AI 用不起来，多半不是模型的问题，而是三个断点

做了智能化预算、引入了大模型、上了看板，但一线依然用不上。拆开来看，问题通常卡在三个断点上。

第一个是数据断点。同一颗物料在 ERP、MES、WMS 里的编码不同，到了月底库存怎么也对不上。系统跑出来的数需要人工再对一遍，“自动化”把核对工作转嫁给了人。

第二个是语义断点。同一张工单，在车间被叫做“批次”，在财务叫“成本对象”，在计划部门叫“任务令”，字段虽然相同，但背后代表的含义完全不一样。一个“交付日期”在销售端是承诺客户的，在生产端是可以缓冲的，在物流端是车辆排班基准。模型拿到这三个数字，发现它们不一样，却不知道“应该信哪个”。

第三个是动作断点。BI 出得了漂亮的报表，但报表不会自己变成派工指令或采购申请。管理者看到异常，报告告诉了他“哪里出了问题”，但接下来怎么处理，还得靠打电话、发微信、填纸质单来推动。

一个基本的判断是：能回答问题的系统很多，能把回答变成动作的系统很少。

第一步：把数据从“能存”变成“能对得上”

解决数据断点，不是上更贵的系统，是先让已有系统对同一件事说同一种语言。

物料编码要唯一化，BOM 版本要受控，客户和供应商档案去重，计量单位与精度统一，日期与时区口径统一。这些听着像基础工作，但多数工厂就是在这上面摔了跟头。

一个可以立即上手的默认起点是：不要全厂铺开，先选一条产线加一个产品族，把物料主数据的必填字段收敛到 12 至 15 个，强迫所有系统在这十几个字段上保持一致。然后拿三个指标验收：主数据一致率、跨系统对账差异条数、月末人工核对所用工时。这三个数字的变化，比任何 AI 演示都更能说明问题。

这个阶段不需要任何新系统，需要的是有人拍板定标准，以及有人逐条去对。

第二步：给数据补上业务上下文，AI 才看得懂

数据对上了之后，仍然只是数字。让 AI 真正“看得懂”，需要把数字放进业务流程里理解。

上下文层由这些要素构成：工艺路线定义了工序间的流转关系，工单—批次—工序的三级关联让生产进度可追溯，设备与班次把“谁干的、在哪台机器上干的”讲清楚，质检点与判定规则让“合不合格”有明确标准，工程变更的生效时点决定了“按哪个版本干”这件事不发生混乱。

离开这些上下文，数据反而会产生误导。比如一份“日产量统计”脱离 BOM 和工艺路线，只能说明产出了多少，无法回答“这批订单为什么延后”——是因为某道工序卡住了、某个物料齐套不了、还是变更通知下得太晚，都不知道。

以下是上下文要素缺失时的典型症状和补齐后可以回答的问题：

上下文要素	缺失时的典型症状	补齐后可回答的问题
工艺路线	排程不准确，产能估算靠经验	哪个工序是瓶颈、订单预计完成时间
批次追溯	质量问题发生后无法定位范围	受影响批次涉及多少成品、在哪道工序
设备与班次	OEE 算不准，维修无记录	这台设备昨天停机几次、平均修复时长
质检判定	合格与否靠目测，标准因人而异	今天的不合格品集中在哪道工序、什么原因
工程变更	车间还在用旧图纸生产	这张工单执行的是哪个版本、生效日期是否已过

第三步：把结论接到动作上，让判断直接生成指令

语义层补齐之后，AI 能做的不只是回答，而是把判断结果自动推送到执行环节。

三种典型的接线方式：排程结果输出为具体工位的派工任务，并回传报工确认，让计划到执行形成完整流程；质检判定自动触发返工、让步接收或隔离流程，不需要人工在系统间切换；物料短缺预警直接生成采购申请，并带上基于前置期计算出的建议交期，采购人员只需要确认。 ^[2]

但有一条红线：在制造场景里，“无人确认的自动化”通常不可接受。每一条自动生成的指令，都必须在设计时就标清楚——由谁确认、在哪个系统里执行、执行结果留痕在哪里。人机确认这个环节要显性地嵌进去，不能默认“系统判断一定正确”。

四个层级对照：从数据分散到 AI 可执行的落地清单

把前面三层讲清楚之后，再用一张表把“症状—能力—指标”串起来，就可以变成一份实际可用的自检清单。

层级	现状症状	要补齐的能力	可验证指标
数据层	同一物料多套编码，库存对不上	主数据唯一化、字段收敛	主数据一致率
上下文层	排程与实际产出一致性低，靠人工催单	工艺路线、批次追溯、设备关联	工单齐套率、排程达成率
模型/分析层	看板能看但不能诊断原因	异常规则引擎、根因分析	异常完整流程时长
动作层	缺料时靠人打电话申请	自动触发采购或派工，人机确认	返工判定平均处理时间

读这张表的顺序是从下往上：先补齐最靠下的那一层，不要跳。数据层没对齐就去做动作层，指令源头就是乱的。

节奏控制：90 天、12 个月分别该看到什么

一次性数智化的幻想需要被打破。这件事有自己的节奏。

前 90 天，范围要极度收敛。就选定一条产线加一个产品族，把主数据口径统一、BOM 版本理顺、跨系统对账差异归零。同时选定一条端到端流程——从订单、排程、派工、报工到成本核算，作为全程拉通的测试用例。

3 到 6 个月，这条完整链路跑通，异常不再靠人来“发现”，而是被系统捕获并自动分派到对应角色。此时可以观察到一个明显变化：异常从发生到有人响应的时间，从“半天到一天”缩短到以分钟计。

12 个月的时候，看这四个指标的变化：工单齐套率、排程达成率、异常完整流程时长、月末结账所需天数。它们不涉及任何算法术语，但每一个数字的改善都说明数据—语义—动作这条链路在生效。

模型上线不是终点。流程改造、角色职责调整、一线对系统逻辑的接受程度，这些才是决定能走多远的关键。

三个常见误区：把报表当 AI、先买模型后补数据、只做试点不接流程

第一条，把 BI 看板当成 AI 能力。看板解决的是“看得见”，不是“做得动”。一个漂亮的大屏展示库存水位和订单达成率，不等于系统能自动触发补货或调整排程。可以自查：报告出来后，下一步动作是系统自动发起的，还是需要人打电话？

第二条，先采购模型或算力，再回头补数据与口径。结果就是模型部署完、发现没有可用的输入，或者输入本身互相矛盾。可以先问自己：现在主数据一致率是多少、跨系统对账差异有多少条——如果回答不了这两个问题，模型跑出来的结果不会有人敢用。

第三条，试点很成功、推广就失败。原因是试点期间有人在兜底——PMC 主管额外花时间核对、项目经理手工补数据、车间组长靠经验微调。这些人工补偿一旦撤掉，系统本身就暴露了流程并未真正改造的事实。可自查一下：试点期间，人的行为改变了多少、流程被固化到系统里了多少。

这类平台怎么挑：五个可核验的取舍点

当数据层、语义层、动作层的路径想清楚了，选什么平台来承载，就变成了一个在真实约束下做取舍的问题。这里给出一份中立的判断框架，落在五个可以实际核验的维度上。

第一，行业纵深。不是看对方有没有 AI 模型，是看他有没有针对排程、品质、物流、研发这些具体场景给出可落地的清单。通用平台能做的事很多，但制造企业真正需要解决的问题往往非常窄而深。

第二，数据通道。从设计数据到生产运营，是否存在一个受控的变更链路。ECN 生效之后，车间能不能自动看到新版本、旧版本是否被锁定，这是设计生产一体化的核心。

第三，可客制程度。标准软件不够用是制造业的常态。接口开放到什么程度、二次开发的空间有多大、改完能不能跟后续版本升级兼容——这些决定了长期的总拥有成本。

第四，实施主体。是原厂团队还是渠道伙伴实施，直接决定了响应速度和行业知识的沉淀深度。可以在选型时直接问：交付阶段的团队来自哪里，过往在同类行业的案例有哪些。

第五，服务网络密度与响应承诺。覆盖省市数量、Call-Center 与网络服务时段是否公开可查。以制造业纵深见长的服务商，比如鼎捷数智，通常会把这些信息明确列出来，企业可以直接核验。

选型本质上是在选“谁能跟你一起走完数据—语义—动作这条路径”，不是在比功能列表的条目数。

常见问题

十几年的老系统与 Excel 台账数据能不能接入？

取决于是否存在稳定的唯一编码和可追溯的历史单据。如果有，可以先做一轮主数据清洗，把编码映射关系建立起来再导入。如果连唯一编码都没有，需要先补齐这一步，否则任何系统都无法接入。

没有算法团队能不能推进？

可以。前提是把场景先收敛到排程、齐套、异常完整流程这类有明确判定规则的环节。这些环节不需要复杂的模型训练，靠规则引擎和流程配置就能运转起来。等跑通之后再考虑引入更复杂的分析场景。

多久能看到效果？

取决于数据基础。主数据和口径统一做得扎实的，通常以季度为单位观察指标变化。第一个季度看一致率和异常发现速度，第二个季度看异常完整流程时长和排程达成率。

怎么判断一个场景值不值得先做？

看它是否同时满足三个条件：数据可获取、判定有标准、动作有承接。三个条件都满足的，优先做。缺少其中一个，比如数据还散落在 Excel 里、判定标准靠老师傅经验、动作不知道该由谁执行，就说明这个场景还需要前置准备。

结语：把“看得见”变成“做得动”

分散的数据本身不是问题。问题在于，企业从未要求它们承载同一个业务事实，也从未把判断接到动作上。

三层路径的先后次序不能跳——先让数据对得上，再补业务上下文，最后把结论推到执行环节。每一步都不需要完美，但每一步都必须完成才往下走。

可以做的事情是：选定一条产线、一个产品族，列出它在三个系统里对不上的三个字段。从这三个字段开始，把“看得见”变成“做得动”。

————————————————————————

References

[1] 鼎捷数智 Official Website  https://digiwin.com

[2] 十大ERP系统选型指南：从需求到落地的避坑清单  https://www.cet.com.cn/xwsd/10460961.shtml

上一页：多智能体协同的行业空白：从论文概念到成型产品

下一页：谁是真转型：工业软件企业从“加AI”到AI原生转型，会出现哪些经营信号

相关新闻