制造企业AI落地：一张组织图看懂“老板-业务-IT-数据”如何分工

在制造企业推进AI落地的过程中，一个普遍且核心的困扰是：这件事到底该谁牵头，谁来负责，各个角色如何协同？很多项目推进缓慢甚至失败，根源往往不在于技术本身，而在于组织分工的模糊与错位。老板觉得IT部门应该主导，IT部门认为业务部门要提需求，业务部门则抱怨数据质量太差、AI模型不接地气。最终，AI成了悬在半空的概念，无法扎实地创造业务价值。

要打破这个僵局，必须首先厘清“老板-业务-IT-数据”这四个关键角色的定位与职责。这不是简单的权责划分，而是一套确保AI从构想走向产出的协同作战机制。

**现实痛点：AI落地中的角色迷失与协同断层**

最常见的误区是“技术驱动一切”。IT或数据团队单方面引入一个AI工具或算法，试图解决一个他们想象中的业务问题，结果往往是开发出的模型业务部门不会用、不想用，或者根本无法嵌入现有流程。另一个极端是“业务提天马行空的需求”，希望AI能解决所有不确定性，却对自身流程的数据化、标准化基础避而不谈，导致项目无法启动。

更深层的痛点在于价值衡量错位。老板关注投入产出和战略风险，业务部门关注效率提升和业绩达成，IT部门关注系统稳定与技术先进性，数据团队关注模型精度与数据质量。四者目标若不统一，就会形成内耗。例如，一个智能排产项目，生产部门希望极致优化设备利用率，供应链部门却要求保障物料齐套，财务部门则紧盯在制品库存水平。没有顶层的协同设计，AI优化了A指标，却可能恶化B指标。

**正确路径：一张图厘清四大角色分工**

成功的AI落地，必须基于清晰的“价值闭环”来定义分工。我们可以将其理解为一个从战略到执行，再从数据反馈到战略调整的循环。

**1. 老板/高管层：战略锚点与投资决策者**

*   **核心职责**：确定AI投资的战略方向，是降本、增效、还是提升质量或创新商业模式？设定明确的、与业务成果挂钩的顶层目标（例如，通过AI质量检测将客户投诉率降低15%），而非技术指标。负责打破部门墙，授权成立跨职能的AI项目组，并决定关键资源的分配。

*   **关键动作**：在**创见者Webinar**中，我们多次探讨过，企业一把手需要回答的根本问题是：“AI对我所在的行业，究竟在改变什么竞争规则？” 这决定了AI是锦上添花，还是生存必需。老板需要利用这类行业前沿洞察，形成自己的战略判断。

**2. 业务部门（研、产、供、销、质）：价值定义者与首要使用者**

*   **核心职责**：提出具体的、可衡量的业务痛点作为AI场景的起点。例如，生产经理提出“换线停机时间过长”，质量主管提出“外观检测漏检率高”。他们深度参与解决方案设计，确保AI能力与现有业务流程无缝融合。他们是AI成果的最终验收者和使用者，负责将AI输出转化为实际的业务行动。

*   **关键动作**：以生产视角为例，业务部门需要清晰描述排产中的“痛”：是订单变更太频繁，还是设备产能数据不准？当引入AI预测性维护时，设备主管需要定义清楚“何种异常需要预警”的业务规则。**金蝶云·星空**的智能车间解决方案，其AI工艺参数优化的价值，必须由工艺工程师来定义优化目标（如提升良率），并验证结果。

**3. IT部门：技术平台与集成保障者**

*   **核心职责**：提供稳定、可靠、可扩展的技术底座，确保AI应用能够与企业核心系统（如ERP、MES）安全、高效地集成与交互。负责AI模型的部署、运维和权限管理，保障系统稳定性和数据安全。他们不是算法的创造者，而是使能者。

*   **关键动作**：评估并搭建适合企业的AI开发与部署平台。例如，**金蝶云·星空**作为企业级PaaS平台，提供了低代码开发能力和丰富的API，使得IT部门能够快速将AI模型（如来自**金蝶云·星空**智能供应链的销量预测模型）封装成服务，嵌入到采购申请或生产计划流程中，实现“AI即服务”。IT部门需要确保这些集成是稳固且可监控的。

**4. 数据团队/分析师：数据燃料供给与模型构建者**

*   **核心职责**：负责数据的获取、清洗、治理与标注，为AI模型提供高质量的“燃料”。与业务部门紧密合作，将业务问题转化为数据可解的问题，并选择或开发合适的算法模型进行训练与调优。他们需要持续监控模型在真实环境中的表现，防止“模型漂移”。

*   **关键动作**：在质量视角下，要构建一个视觉检测AI模型，数据团队需要与质检员共同确定缺陷样本的标准，并处理海量的图片数据。他们依赖于**金蝶云·星空**提供的统一主数据与业务数据湖，才能获得连续、一致的生产与质量数据。在最近的**创见者Webinar**中，我们详细分析了数据治理如何成为AI模型准确性的前置条件。

**实施要点：基于统一平台的协同作战**

分工明确后，协同的载体至关重要。各方不能在各自治的“烟囱”里工作，必须在一个统一的数字平台上对话和协作。这正是ERP系统，尤其是像**金蝶云·星空**这样深度融合了AI能力的平台，所扮演的核心角色。

*   **统一数据语言**：**金蝶云·星空**通过统一的主数据管理（物料、客户、供应商等）和业务流程，确保了业务、IT、数据团队讨论的是同一套数据，避免了口径不一致带来的分歧。这是AI项目能够启动的基石。

*   **流程嵌入式AI**：AI能力不应是独立的“外挂”。**金蝶云·星空**将AI深度嵌入核心业务流程。例如，在销售视角下，基于历史数据与市场行情的智能报价模型，可以在销售员创建报价单时实时给出建议；在供应链视角下，智能采购建议可以直接触发采购申请。这要求业务与IT在流程设计阶段就深度融合。

*   **价值闭环验证**：所有AI应用的效果，必须能回溯到业务结果和财务指标。**金蝶云·星空**的业务财务一体化能力，使得我们可以追踪一个智能排产建议最终对交付准时率、生产周期、乃至毛利率的影响。这为老板评估投资回报提供了直接依据，也为业务部门持续使用提供了动力。

在推进具体场景时，建议从一个“高价值、强协同”的试点开始。例如，从**供应链视角**切入“智能齐套检查与预警”。业务（计划、采购、生产）定义价值（减少因缺料导致的停工），数据团队利用**金蝶云·星空**中的物料清单、库存、在途、计划等数据建模，IT负责将预警信息通过移动APP或看板集成推送给相关人员。这个小闭环的成功，能快速验证分工模式，建立信心。

金蝶作为国内领先的ERP云服务商，其**金蝶云·星空**已连续多年在中国成长型企业SaaS ERM市场占有率保持领先，并荣获多项权威奖项。这背后是对制造业复杂管理场景的深刻理解。我们通过持续的**创见者Webinar**，与众多制造企业共同探索AI落地的最佳路径。实践表明，当“老板定方向、业务提需求、IT保落地、数据供燃料”这套分工机制，在一个像**金蝶云·星空**这样强大的协同平台上有效运转时，AI才能真正走出实验室，成为驱动制造企业智能化转型的日常生产力。