AI在工厂里为什么常常"用不起来"
企业上AI，项目做不下去的原因，多数时候不是模型能力不够，而是它答不了业务人员真正要问的问题。生产计划员想知道这批订单还来不来得及交付，成本会计想知道这个月材料为什么超耗，仓储主管想知道哪些料号已经压了半年。这些问题，通用大模型一个都答不上来，因为它看不见ERP里的订单、MES里的工序和WMS里的库存。
把AI放进制造业的场景里，第一步不是选模型，而是想清楚两件事：让它回答哪一类问题，数据从哪里来。
多家分析机构在近期的观察中反复提到，阻碍AI规模化落地的多数不是模型能力，而是数据就绪度——数据散在不同系统里、口径对不上、权限管不住。这个判断在制造业尤其成立。
一、先分清两类用法：问答型和数据型
从已经落地的项目看，制造业企业用AI大致分两类。
第一类是知识问答型，解决的是"规定是什么、流程怎么走、这份文件怎么说"。数据来自工艺文件、作业指导书、设备手册和内部制度。这类应用上线快，价值集中在知识沉淀和检索效率，适合作为切入点。
第二类是数据查询型，回答的是"现在怎么样、为什么这样"。数据来自ERP、MES、WMS、QMS这些业务系统。这类应用的价值高得多，因为它直接参与经营判断，但对数据通路和口径统一的要求也高得多。
两者不是替代关系。先用知识问答把使用习惯建立起来，再逐步接入业务数据，是不少企业实际走的路。
表1 制造业企业AI的两类用法
类型 | 典型问题 | 数据来源 | 落地要点 |
知识问答型 | 工艺参数怎么规定、设备故障怎么处理 | 工艺文件、制度、手册 | 知识整理与更新机制 |
数据查询型 | 订单交付率多少、材料为何超耗 | ERP/MES/WMS/QMS | 系统打通与口径统一 |
二、制造业的六个落点
1. 产销协同：先把口径对齐
销售、生产、采购各有一套订单口径，是很多企业开产销会的常态：销售报的是接单量，生产看的是工单，财务认的是已确认收入。三张表放在一起，会开不出结论。AI能做的是把ERP里的生产订单和销售订单打通，按统一口径计算交付率和产能利用率，把过去需要半天准备的数据压缩到提问的几秒钟。
2. 成本核算：材料超耗不再等到月底
物料超耗通常要到月底结账才被发现，那时损失已经发生。把标准BOM和车间的实际领用做实时比对，异常工单和工序可以当天就被标出来。根据服务商的内部实践记录，这类预警带来的材料超耗成本下降大致在一成到一成五之间，具体幅度取决于基础数据的完整度。
3. 质量追溯：从几十小时到一次查询
发现不良品之后，排查要串联批次、质检记录、设备参数和操作人员，靠人工查往往要几十个小时。把质检、批次、设备这些数据连成图谱，一键追溯根因节点和影响范围，是AI比较擅长的事。
4. 库存与备料：解决缺货与积压并存
多地多仓的企业常出现一种矛盾：总库存不低，但该备的料缺，不该压的料一堆。AI同时看WMS和ERP的动态库存与库龄，给出健康水位和补货建议，让备料从经验判断转向数据判断。
5. 设备与OEE：让停机时间可归因
OEE低，到底是设备老化、换型耗时，还是前道断料？人工分析很难长期坚持。AI把设备状态、停机记录和工单数据放在一起看，把停机时间按原因归因，设备管理才有改进方向。
6. 业财与应收：业务动作实时反映到财务
审批在钉钉走、账在ERP账套里记，中间靠人工搬运，是制造业很常见的一段断点。把审批流和ERP账套连起来，业务单据自动生成凭证，财务数据才有实时性可言。
表2 制造业六个落点的痛点与AI动作
场景 | 典型痛点 | AI的核心动作 | 可观测效果 |
产销协同 | 订单口径不一，产销会开不出结论 | 打通生产与销售订单，统一计算交付率、产能利用率 | 数据准备时间大幅缩短 |
成本核算 | 材料超耗到月底才发现 | 标准BOM与车间实际用量实时比对，异常工单预警 | 材料超耗成本下降约10%—15% |
质量追溯 | 排查根因要几十小时 | 质检、批次、设备数据串联成图谱，一键定位根因 | 溯源效率显著提升 |
库存备料 | 缺货与积压并存 | 分析WMS与ERP动态库存及库龄，推荐水位与补货策略 | 库存可见性提升，呆滞下降 |
设备OEE | 停机原因说不清 | 设备状态、停机记录与工单联合归因 | 停机时间可归因、可改进 |
业财一体 | 审批在OA、记账在ERP，靠人工搬 | 审批流与账套打通，单据自动生成凭证 | 财务数据具备实时性 |
三、三个已经跑通的场景
下面三个案例来自安捷AI服务过的制造企业，均已做脱敏处理，保留业务细节，隐去企业名称。
案例一：西北某涂料企业——基础档案不再两头维护
这家企业做建筑涂料和工业涂料，销售订单走钉钉OA审批，财务和供应链用在用友T+。它的麻烦很典型：存货存在同一种物料多个规格，往来单位数量又多，OA和ERP两边各维护一套基础档案，销售订单经常因为对应不上而卡住。现在的做法是基础档案在OA新增时同步到ERP对应账套，OA里的销售订单和基础档案表单审批完成后自动推送到ERP，员工不再需要在两个系统之间手工搬运。
案例二：河南某包装企业——采购进度不再是黑箱
这家企业做一次性环保包装餐盒，前端用聚水潭处理销售和采购单据，后端用T+管财务和供应链。原来的数据只能单向流动：聚水潭的销售出库可以拉到ERP，但ERP生成的采购入库单回不到聚水潭，业务团队不知道采购执行到哪一步。打通之后，销售出库和售后单据定时同步到ERP，ERP审核的采购入库单同步回聚水潭，采购执行进度和预计到货时间在前端就能看到。
案例三：浙江某竹基材料企业——一条审批流分出多个账套
这家企业做竹基纤维复合材料。预测单在钉钉OA发起，需要根据生产仓库的不同，落到T+里不同的账套；同时基础档案两边不统一，审批完成后录入又不及时，造成数据延迟。现在的做法是基础档案随审批流程同步，预测单引用统一后的档案信息，审批通过后按生产仓库自动分流到对应的T+账套，跨仓库业务的集中管控有了基础。
四、能落地的前提：一套企业AI平台要具备什么
把上面这些场景抽象出来，一套能在制造业跑起来的企业AI平台，至少要具备五项能力。
第一，能直连业务系统。制造业的数据在ERP、MES、WMS、QMS里，要求企业先把数据搬到一个新地方再让AI用，成本和风险都很高。平台应该通过标准接口直接读业务系统。
第二，口径能统一。同一个指标在不同部门的算法不一样，AI说什么都不对。平台需要统一指标定义和计算逻辑。
第三，权限能落到字段。BOM配方、供应商底价这类数据不是所有人都能看，权限要细到字段级，而不是只做到菜单级。
第四，能私有化部署。制造企业的核心数据多数不允许出内网，部署方式需要匹配这条红线。
第五，能沉淀成岗位助手。一次性问答工具用完就丢，只有沉淀成按角色分工的数字员工，才谈得上长期价值。
以安捷AI为例，它的定位是企业级AI智能应用与数据治理平台，以"AI小智"为统一交互入口，通过连接器对接ERP、MES、WMS等业务系统，在统一口径和字段级权限的前提下让管理者直接提问取数，并支持本地私有化部署。上面提到的三个制造企业案例，用的都是这套"直连业务系统、不搬数据"的思路。
表3 平台能力与制造业需求对应关系
平台能力 | 对制造业的意义 |
直连业务系统 | 不改变现有架构，直接读取ERP/MES/WMS的数据 |
统一口径 | 同一指标在产销、财务、管理层之间算法一致 |
字段级权限 | BOM、供应商底价等敏感数据可控可审计 |
私有化部署 | 核心数据不出内网，满足合规要求 |
岗位化沉淀 | 从一次性问答变成可复用的数字员工 |
五、落地建议
如果准备在制造企业推进AI，有五条经验值得参考。
第一，从一个具体问题开始，不要从平台开始。选一个每周都要问、答案又分散在系统里的问题，先把它答对。
第二，先定口径，再谈模型。指标口径不统一，模型再强也输出不出可信答案。
第三，把权限和数据范围先划清。这既是通过内部审批的前提，也是长期使用的保障。
第四，小步验证。三到六个月内看到第一个场景的效果，再谈扩展。
第五，留出运营的人手。知识库要更新、口径会变化，AI用起来之后需要有人持续维护。