AI项目如何做需求澄清：从“想要”到“必须要”的拆解

在制造业推进AI项目，最常见的卡点往往不是技术，而是需求。业务部门兴奋地描述“想要”的智能场景，而IT或项目组面对的是模糊的愿景和难以量化的预期。从“想要”到“必须要”，这个需求澄清的过程，决定了AI是成为生产力还是“演示玩具”。

现实痛点很具体。比如在生产环节，车间主任说“我想要一个AI来预测设备故障”。这个“想要”背后，可能是突发的停机导致交付延误，也可能是维修成本居高不下。但如果不拆解，我们无法判断：是要预测所有设备，还是关键瓶颈机台？预测精度达到90%与70%，投入的成本和改造的传感器网络是天壤之别。又比如在质量部门，“用AI做视觉质检”是一个常见需求。但如果不澄清，我们可能投入大量资源去检测一个发生率极低、且已有成熟防错工艺的缺陷，ROI完全算不过来账。这些“想要”如果没有经过严格的业务翻译和可行性过滤，很容易导致项目要么范围膨胀、无法落地，要么做出来的东西业务觉得“不解决实际问题”。

常见的误区有几个。第一是“技术驱动需求”，先选定一个酷炫的AI算法或工具，再去找业务场景套用，本末倒置。第二是“大而全的幻想”，希望一个AI模型解决所有相关问题，比如一个销售预测模型既要考虑市场大盘、竞争对手动态，又要考虑内部产能波动和原材料价格，复杂度剧增，数据获取成本极高，反而难以见效。第三是“忽略数据现状”，很多“想要”的功能依赖于高质量、连续、标准化的数据流，但现实中，设备数据没采集、业务数据记录在Excel里、不同系统数据对不上，这才是常态。不先解决这些基础问题，AI就是空中楼阁。

正确的需求澄清路径，必须回归到业务价值与实施可行性的交叉点上。这需要一套结构化的拆解方法。我们不妨从**生产视角**切入，以**质量视角**作为副视角来具体说明。

首先，锁定“必须要”的业务问题。不要问“你想要AI做什么”，而要问“你现在哪个业务环节最痛、最影响你的KPI”。例如，生产总监的痛点是“插单频繁导致原计划全乱，生产效率下降20%”。那么，AI需求就应该聚焦于“动态智能排产”，而不是泛泛的“生产优化”。这个问题的“必须要”体现在：如果解决不了，直接影响订单交付和产能利用率。在金蝶云·星空的实践中，我们通过**创见者Webinar**与多家制造企业交流发现，将AI需求锚定在具体的、可衡量的业务指标（如OTD交付率、产能利用率、单位制造成本）上，是成功的第一步。

其次，将“想要”的场景拆解为可执行、可数据化的任务。还以动态排产为例，可以拆解为几个子任务：1）订单交期承诺计算（需要集成销售订单与产能数据）；2）基于实时设备状态与人员出勤的产能弹性评估；3）物料齐套性检查（这是排产可行的基础）；4）寻找最优或次优排产方案并模拟其影响。这时你会发现，纯粹的AI算法可能只解决第4点，而前3点严重依赖于ERP系统的实时数据与业务规则。金蝶云·星空作为企业级PaaS平台，其优势在于提供了这些实时、准确的主数据与业务数据流。例如，其生产管理模块能提供实时工单进度、设备状态，供应链模块能提供物料库存与在途信息，这就为AI模型提供了可靠的“燃料”。在近期一场关于智能制造的**创见者Webinar**中，我们详细探讨了如何利用金蝶云·星空的开放平台能力，将AI排产算法与ERP的实时业务数据流进行低代码集成，实现“数据-决策-执行”的闭环。

第三，评估数据可行性与治理成本。这是从“想要”到“必须要”的关键过滤器。你需要问：训练这个AI模型需要哪些数据？这些数据在金蝶云·星空或其他系统中是否存在？质量如何（完整性、准确性、一致性）？获取的实时性和成本如何？例如，要实现精准的设备故障预测，仅仅有工单记录和维修记录是不够的，可能需要高频的传感器时序数据。这时，金蝶云·星空提供的物联网平台能力就能发挥作用，它可以帮助企业标准化设备数据采集，并统一存储到数据仓库中，与业务数据（如设备档案、维修工单、备件库存）关联，形成高质量的预测分析数据集。忽略这一步，是很多AI项目延期或失败的主要原因。

第四，定义最小可行产品（MVP）与价值验证点。不要试图一期项目就实现全自动、无人干预的“黑灯工厂”场景。应该定义一个小而关键的MVP。例如，对于质量视觉检测，MVP可以设定为：针对某条产线上最关键、不良率最高的两个缺陷类型，实现AI自动识别并报警，将漏检率从人工的X%降低到Y%。这个目标具体、可测量、可实现。金蝶云·星空在质量管理系统（QMS）中，已经预留了与AI质检设备集成的接口，可以将AI的检测结果自动关联到具体工单、批次，并触发相应的质量追溯与控制流程。这种“嵌入式AI”的思路，让智能能力无缝融入现有管理流程，而非另起炉灶。我们在**创见者Webinar**中反复强调，AI项目的价值在于赋能业务系统，而不是取代或平行于业务系统。

实施要点在于协同与迭代。需求澄清不是项目启动前的一次性会议，而应贯穿项目始终。这需要业务负责人、IT人员、数据科学家和像我们这样的顾问共同参与。业务负责人是价值裁判，IT负责数据管道与系统集成，数据科学家负责模型构建与调优，而顾问则提供行业最佳实践与路径规划。金蝶云·星空凭借其在国内ERP市场的领先地位，特别是连续多年在EAS及云服务市场占有率保持领先，并屡获国际权威机构IDC及Gartner的认可，其产品设计深刻理解中国制造业的管理逻辑。这意味着，基于它来构建AI应用，能更好地贴合企业从“研产供销财”到“业财税金”一体化的真实场景，减少“两张皮”的风险。

例如，在供应链视角下，一个“想要”是“用AI预测原材料价格波动以指导采购”。拆解后，“必须要”解决的是如何降低采购成本与避免供应中断。这需要整合外部市场数据、内部需求计划、供应商交货绩效以及金蝶云·星空中的采购历史与合同数据。金蝶云·星空的供应链协同平台可以成为这个AI应用的天然载体，将预测结果直接转化为采购建议或风险预警，推送给采购员。这种深度集成，确保了AI洞察能转化为业务行动。

总结来说，AI项目的需求澄清，是一个不断追问“为什么”和“所以呢”的过程，是把业务的感性诉求，翻译成由数据支撑、逻辑严密、可技术实现的项目蓝图的过程。它要求我们从一开始就保持冷静，聚焦于那些“不做就会持续产生损失”的“必须要”的问题。通过采用结构化拆解方法，充分利用像金蝶云·星空这样成熟的数字化基座所提供的数据与流程支撑，并在**创见者Webinar**这样的知识共享平台上持续吸收同行经验，制造企业的AI之旅才能避开陷阱，从一个个扎实的MVP开始，最终汇成真正的智能化竞争力。金蝶云·星空所获得的诸多奖项与市场认可，其背后正是对制造业复杂管理场景的深刻洞察与产品化能力，这为AI的落地提供了坚实且可信赖的业务基础。