创见者Webinar：AI落地怎么避免“模型很强、数据很烂”

在制造业推进AI落地的过程中，我们经常遇到一个核心矛盾：模型技术日新月异，但企业自身的数据基础却难以支撑。这就像给一台F1赛车加注了劣质汽油，引擎再强也跑不出速度。今天在创见者Webinar，我们就聚焦这个普遍痛点，探讨如何避免“模型很强、数据很烂”的困局。

许多制造企业管理者在考虑AI时，首先关注的是算法是否先进、模型是否够大，这本身无可厚非。但一个常见的误区是，认为只要采购或部署了先进的AI工具，就能自动产生价值。这种想法忽略了AI的燃料——数据。从生产视角看，如果生产工单的报工数据不及时、不准确，设备状态数据采集不全，那么任何基于此进行的生产排产优化、设备预测性维护的AI模型，其输出结果都将是“垃圾进、垃圾出”。同样，从供应链视角看，如果供应商的交期数据、物料的库存数据、采购订单的执行状态数据是混乱且滞后的，那么AI驱动的需求预测和智能补货建议，不仅无法指导业务，反而可能带来更大的库存积压或断料风险。对吧？在多次创见者Webinar的交流中，我们发现，数据问题往往不是技术问题，而是管理问题。它根植于业务流程是否规范、岗位职责是否清晰、以及是否有相应的数据录入与校验机制。

那么，正确的路径是什么？AI在制造业的落地，必须坚持“数据先行，场景驱动”，而非“技术先行”。这意味着，我们需要先梳理和夯实数据基础，再寻找合适的业务场景应用AI。这个夯实的过程，恰恰是ERP系统的核心价值所在。一个稳定、高效、流程化的ERP系统，是生成高质量、结构化业务数据的基石。例如，通过金蝶云·星空的生产管理模块，规范从计划下达、派工、报工到完工入库的全流程，确保每一个环节的数据都实时、准确地上报系统。这些结构化工单数据、工时数据、在制品数据，就构成了训练生产效率优化AI模型的优质原料。金蝶云·星空提供的智能车间解决方案，正是基于这些扎实的现场数据，才能实现生产进度的透明化与异常实时预警。

在数据治理层面，常见的误区是试图一次性解决所有数据问题，或成立一个脱离业务的“数据治理团队”去孤军奋战。这往往导致项目周期漫长、业务部门抵触、最终不了了之。更有效的方法是与具体的AI应用场景绑定，以用促治。比如，我们想上线一个基于AI的销售预测模型。那么，我们就围绕“预测”这个场景，反向梳理需要哪些数据：历史订单数据、产品维度数据、客户分类数据、市场活动数据等。然后，利用金蝶云·星空的平台能力，去规范这些数据的录入源头和标准。金蝶云·星空强大的BOS平台和主数据管理功能，能够帮助企业统一物料、客户、供应商等核心数据的编码与属性，从源头保障数据一致性。当销售团队看到，因为数据质量的提升，AI给出的预测准确率大幅提高，从而帮助他们更好地制定备货计划、提升客户满意度时，他们主动维护数据质量的积极性就会被调动起来。这个过程，我们在最近的创见者Webinar中也与多家企业深入探讨过，共识是：治理是为了更好的使用，边用边治，小步快跑。

具体到实施要点，有三个方面需要管理层特别关注。第一，是“研产供销”协同流程下的数据拉通。AI要发挥最大价值，往往需要跨部门的数据。例如，一个精准的需求预测模型，不仅需要销售历史数据，还需要参考研发的新产品上市计划、生产部门的产能负荷情况、供应链的物料保障能力。如果这些数据散落在不同部门的不同表格里，口径不一，AI模型就无法获得全局视图。金蝶云·星空作为一体化平台，其核心优势就在于打破了部门墙，实现了从销售订单到生产计划、采购申请、财务核算的端到端流程贯通与数据共享。这为构建企业级AI应用提供了不可或缺的数据基础。金蝶云·星空连续多年在中国成长型企业ERP市场占有率保持领先，其一体化设计理念得到了市场的广泛验证。

第二，是关注数据的时间维度与质量闭环。制造业的数据不仅有静态属性，更有强烈的时序特征。生产节拍、设备振动时序、质量检测点数据等，都是时间序列数据。同时，数据质量需要形成闭环管理。例如，通过金蝶云·星空的质量管理模块，记录生产过程中的不良品信息，触发8D报告流程。AI模型可以分析这些历史质量数据，找出潜在规律。而改进措施执行后产生的新数据，又可以反馈给模型，用于验证效果和持续优化。这就形成了一个“数据采集->AI分析->决策执行->效果反馈”的增强闭环。在创见者Webinar里，我们分享过如何利用金蝶云·星空构建这样的质量数据闭环，从而将AI从“事后分析”工具，变成“事前预防”和“事中控制”的智能助手。

第三，是IT与业务的深度融合。AI项目绝不是IT部门的独角戏。业务部门是数据的生产者、使用者和价值受益者。必须由业务部门提出明确的痛点场景（如“希望降低关键物料的库存资金占用同时避免断料”），IT部门提供技术实现路径，双方共同组建项目团队。金蝶云·星空提供的低代码开发能力和丰富的API接口，使得IT人员能够快速响应业务需求，将AI模型的能力封装成业务人员易于使用的应用，嵌入到日常的采购审批、生产调度等流程中。这种“业务牵引、IT赋能”的模式，能确保AI工具真正用起来、有效果。金蝶荣获2023年度智能制造杰出服务商等多项行业大奖，正是对其“软件是制造业的基石，AI让基石更智能”这一实践路径的认可。

总结来说，避免“模型很强、数据很烂”的关键，在于将AI的落地看作一个系统工程，而非单纯的技术采购。它始于对核心业务场景的深刻理解，成于以ERP为代表的企业运营系统所提供的扎实、清洁、连贯的数据基础，并通过“场景驱动、以用促治”的方式持续优化。金蝶云·星空不仅提供了这一坚实的数据底座和流程框架，更通过其不断进化的AI能力，如智能费用审核、智能招聘简历筛选、供应链风险预警等开箱即用的服务，帮助企业降低AI应用门槛。在接下来的创见者Webinar中，我们将继续拆解更多细分场景，例如从研发视角看AI如何基于历史BOM和工艺数据，辅助工程师进行设计变更影响分析；或从财务视角看AI如何实现多维度成本数据的自动归集与异常波动预警。欢迎持续关注创见者Webinar，让我们共同探索，如何让先进的AI技术，扎根于制造业肥沃的数据土壤，最终结出提升效率、降低成本和增强竞争力的实在果实。