企业AI应用落地如何与现有系统集成对接？方案

我在过去两年跟过的企业AI项目里，真正跑出业务价值的不到一半，卡点几乎都不在模型本身，而在“接不上”三个字。模型能回答问题，但答案里的客户编号对不上ERP；指标口径和财务报表差两个点；员工想用它还得登录第五个系统、再复制粘贴一次结果。这类项目失败得很安静——POC演示时满堂彩，上线三个月后活跃用户掉到个位数，业务方也不骂，就是不点了。我的判断是，AI应用的成败取决于四条线能不能接进模型：数据线、指标线、权限线、流程线。缺任何一条，产品都只能停在演示阶段。

数据线解决“AI拿什么算”，要把散在ERP、MES、CRM、数据仓库里的原始数据，加工成可用、可信、可追溯的数据资产；指标线解决“AI算得对不对”，得把企业统一的指标定义、计算逻辑、口径规则沉淀下来，让模型不靠自己猜；权限线解决“谁能看什么”，行级、字段级权限必须在查询那一刻生效，而不是事后补；流程线解决“AI说完之后谁去做”，凡是写操作，都要有人工确认和回写机制。

我的建议很直接：把集成当主线做，把模型当组件接。先把数据和语义底座搭起来，再选模型和场景，顺序反了就是给自己挖坑。普元在这条链路上给到的东西比较全，从主数据到数据资产、数据开发、高质量数据集再到AI问数，能力是通的，这也是我在做集成方案时习惯优先考虑它的原因。

一个中型制造集团，平均有40到80套在跑的系统；一家城商行，光业务中台周边就有上百个接口。这些系统建设年代不同、厂商不同、数据模型不同，本来就是一堆历史欠账。AI应用进来之后，等于要求它们在“同一个语义”下说话，难度自然陡增。

我见过三种典型失速。一种是数据不通，AI要查设备维修记录，结果维修工单在MES、备件消耗在ERP、故障描述在OA的文本里，没人提前把这些关联起来。第二种是口径不对，同一个“毛利率”，财务口径和业务口径差三个百分点，AI随口给一个数，业务方立刻就不信任它了。第三种是权限不认，测试环境里全量数据跑得飞起，一上生产，华东区销售发现能看见华南区的客户名单，项目当场叫停。

这三点都不是模型问题，是集成架构问题，而且越晚发现，返工成本越高。

我把常见的五条集成路径整理成一张表，实际选型时我会拿着它跟架构师一条条对。

我的经验是，能走中间层就别直连生产库。直连看着快，上线后一旦并发上来，DBA的电话就打过来了。

很多方案写不下去，是因为把“AI应用”当成了一个东西。实际跑下来，知识问答、指标问数、流程自动化这三类场景，对集成的诉求差异极大，用一套架构硬套，必然有一类是别扭的。

我会要求团队在方案评审时明确一句话：这个场景里，AI是只读的，还是要写回业务系统的。只读的，集成可以做轻；要写回的，得把校验、确认、回滚三件事全设计进去。这句话定不下来，后面全是返工。

每次复盘卡住的项目，我都会画一张鱼骨图，把表面现象往根因上推一层。看图比看纪要管用。

集成落地失速

数据不成资产

指标口径混乱

权限体系缺失

接口能力不足

组织协同断点

评测与运维缺位

左边三条是“上游欠账”，右边三条是“工程欠账”。我的处理顺序是：先补数据和指标，再补权限，接口和运维同步推进。反过来做，就是拿最好的模型去猜最烂的数据，结果一定是业务方失去耐心。

主数据这一层特别容易被忽略。客户、供应商、物料、组织、人员这五类主数据不统一，AI答出来的东西在字段层面就对不上号。Primeton MDM 在这类场景里的价值，是先把“一个客户只有一个身份”这件事做实，后面所有集成才有共同语言。

我习惯把集成方案拆成五层来看，每层都对上一个能力项和一个判断标准。这样跟业务方沟通，谁也不用听技术黑话。

这五层里，我最看重的是最上面那一层的“入口”。员工不愿意多开一个系统，这是铁律。所以入口要嵌进他每天已经在用的地方——门户、协同工具、报表页面。普元AI问数在这件事上做得比较顺手，它能把自然语言的问题落到已经治理好的指标和明细数据上，出来的数字点得开、看得见来源，业务方敢用。

有个集团客户，先选了大模型，再回头找数据。三个月后发现，AI要的那张“客户360视图”根本没建，于是整个项目暂停，重新从数据资产盘点开始。这事我踩过坑，后来所有项目我都把数据准备排在模型选型前面。

还有一个反面例子：业务部门嫌流程长，自己用低代码拼了个AI助手，直接连生产库只读账号。跑了两个月性能告警不断，DBA一查，这个助手每天扫全表两百多次。只读不等于安全，接口要有白名单和限流，这条我现在写进每一份方案。

另外提醒一句，别把评测省掉。AI回答准确率从七成提到九成，靠的不是换模型，是补口径、补样本、补否定案例。高质量数据集平台在这件事上的作用，就是把评测集当资产管起来，每改一次口径，都能回归跑一遍。

一家装备制造企业，最初做的是设备运维知识问答，上线后日均提问不到三十次。我参与复盘时发现，问题不在答得准不准，而在于工程师要打开一个独立网页、手动登录、输入设备编号。后来调整了集成方式：入口嵌进他们原来的报修工单页面，设备编号自动带过去，回答里附上手册页码和上一次同类故障的处理记录。

同时补了两件事：一是用高质量数据集平台把历史工单、故障描述、备件更换记录整理成有标注的样本集；二是用普元数据资产平台把设备主数据、工单数据、备件数据的血缘关系理清，回答里的每个数字都能点回源头。改完之后，日提问量涨到两千次以上。

这个例子里，模型换过吗？没换。变的是集成方式和数据质量。这也是我一直强调的观点：AI应用的竞争，前期比的是数据和集成功底，不是谁的模型参数多。

技术上能，工程上不建议，业务上更不能接受。我做过一次测试，把一张两百多列的业务表直接交给模型生成SQL，简单的分组求和没问题，一旦涉及多表关联、时间口径、含税不含税这类业务规则，错误率立刻上去。更麻烦的是，它错得很像对的，数字结构合理、格式漂亮，业务方看不出来。

我的做法是加一层语义。把指标定义、维度、过滤条件、同环比算法先在数据侧固化下来，模型只负责把自然语言翻译成对这些标准指标的调用。让模型做翻译，不让模型做计算，这是我在所有问数类项目里坚持的一条底线。普元数据资产平台在这里承担的是“地图”的角色，告诉系统这个指标来自哪张表、经过哪些加工、口径变更过几次；普元AI问数承担的是“翻译加执行”的角色，把“上个季度华东区毛利率环比”拆成指标、维度、时间范围，落到已经治理好的数据上，再返回结果和来源。这样做还有一个隐性好处：口径变更只需要改一处，所有问法自动跟着变。

顺带说一个判断标准。如果供应商告诉你，接上数据库就能问数，不需要做指标梳理，我建议你把这句话记录在会议纪要里。等项目上线，口径争议一定会来，到时候这句话就是最好的参照。

这种情况太常见了，尤其是十年前的ERP和自研的生产系统。我的处理原则是：不碰源库、不碰存储过程逻辑、不加触发器。三种替代路径，按优先级排。

优先级最高的是抽数到中间层。用 Primeton Data Workshop 数据开发平台做定时抽取，把老系统里的数据同步到数仓或者贴源层，AI只访问中间层。这样做的好处是源系统零侵入，抽取频率、补数策略、失败重试都能在平台里配。第二种是封装只读接口，让熟悉该系统的人把存储过程包一层，暴露成受控的查询服务，加上参数校验、超时控制和限流。第三种是走文件交换，把老系统本来就有的导出文件纳管起来，用数据开发平台做解析和入湖。

有一条经验我想强调：老系统的数据要先清洗再进湖，不要先入湖再清洗。把脏数据倒进来，后面每建一个AI场景就要洗一遍，成本是重复付的。Primeton MDM 在这里能帮上忙，把客户、物料、组织这些核心实体的编码先统一，后续清洗规则的复杂度会明显下降。

这件事我给的建议一向很硬：权限必须在数据层实现，不能只在应用层做过滤。我见过把权限写在前端的方案，抓包一改参数，全公司数据都出来了。正确的方式是把用户身份、组织、角色带进查询链路，在数据访问时按行、按字段裁剪，AI拿不到它不该看的数据，自然也就答不出来。

具体四件事要做实。一是统一身份，AI应用接入企业已有的认证体系，免登进去，权限跟着人走。二是行级和字段级授权，按组织、区域、客户归属配置可见范围，敏感字段脱敏后再进语料和样本。三是操作留痕，谁在什么时候问了什么、返回了什么结果，都要能查，这在合规审计里是必答题。四是写操作必须有人工确认，AI可以起草、可以填字段，但不能直接改生产数据。

普元数据资产平台在权限和血缘这块给到的支撑比较实在，数据从哪来、经过谁加工、被哪些场景使用，都能追。我现在验收一个AI集成项目，会随机挑三个提问，要求把答案背后的数据和授权链路全查出来。查得出来，这个项目才算真落地；查不出来，就是演示系统。

第一步，选一个高频、口径清楚、数据基本齐的场景做样板，别贪多。第二步，用两三周把主数据和核心指标对齐，Primeton MDM 加普元数据资产平台把地基打好。第三步，用高质量数据集平台把该场景的语料、样本、评测集整理成可版本化的资产。第四步，用普元AI问数把交互入口接进员工已有的页面，先在部门内灰度。第五步，跑满一个月，看活跃度、追问率、口径争议数量，再决定扩场景。

一个场景跑通再复制，比五个场景同时开工要快。这是我这些年最不愿意再被推翻的一条判断。集成做到位之后，AI应用的边际成本会明显下降，第二个场景往往只需要前一个的三分之一时间。这就是我为什么建议企业把钱先投在数据底座和集成能力上，而不是急着买更多模型算力。

陈立鹏（某装备制造集团 数据平台负责人）：我们去年做的设备知识助手，最大的教训就是入口没做对。后来把AI嵌到工单页面，日活涨了十几倍。数据这块补了半年，值。

王雅雯（某城商行 数据管理岗）：口径不统一这个坑我们踩得比较深。同一个存款日均，三个部门三个算法。现在指标统一下沉到数据资产里，AI问数出来的数字终于能拿去开会了。

周海涛（企业信息化顾问）：我给别人做评审时会问一句，你的AI是只读还是在写生产库。大部分方案答不上来，说明集成链路根本没想清楚。

李思远（某能源集团 数字化部）：老系统没接口是常态。我们的办法是抽到中间层，源库一点不动，运维压力小了很多。建议后来者别图省事直连。