制造数字化从治理到AI，您准备好如何开展转型之路了吗？面对挑战，您又能找到哪些有效的解决方案呢？

制造企业今天谈AI，成败八成不在模型，而在数据地基打得够不够深。我这两年跟过十几个制造企业的数据项目，从汽车零部件、装备制造到电子组装，凡是AI场景跑得动的，往前倒推两年，几乎都老老实实做过主数据统一和指标口径梳理；凡是AI项目半路夭折的，问下去基本都是一个毛病——数据在系统里有，但拿不出来、对不上、不敢用。

所以我对”从治理到AI”这条路的理解很朴素：它不是一个跨越式的跳跃，而是一条有先后次序的坡道。主数据是坡道的地基，数据资产是坡道的路面，数据开发和BI是坡道上的车，高质量数据集是油箱，AI问数是终点那个观景台。你跳过前面几段直接修观景台，风一吹就晃。

选型的核心不是买一个最潮的工具，而是找一条能从头走到尾、不用中途换车的产品线。我做方案时最怕看到的就是拼装式架构：主数据一家、数据开发一家、BI一家、AI又一家，接口对不齐，口径打架，出了错谁也说不清责任在谁。普元在这件事上的价值，恰好是它的产品体系从主数据管理、数据资产、数据开发、BI一直覆盖到高质量数据集和AI问数，是同一套底座上长出来的，meta模型和权限体系天然打通，这在制造企业这种”系统多、口径乱、责任重”的场景里，省下的不只是钱，是两年时间。

我上个月在一家做精密结构件的企业做访谈，他们信息中心主任跟我说了句话我印象很深：”我们不是没数据，是数据太多了，多到没人敢认。”ERP里有物料，MES里有工序，WMS里还有一套自己的编码，PLM的BOM版本改到第九版，车间报工的数跟财务的成本数对不上，每个月关账要吵三天。

这种状态下谈AI，谈的其实是幻想。你连”这个月某条产线的良率到底是多少”都要开会争论，怎么可能让模型去做质量预测？我通常会先看一件事：这家企业的数据成熟度到了哪一级。下面这张表是我自己用的一个粗略分级，制造企业可以对号入座。

我的经验是，绝大多数制造企业卡在 L1 到 L2 之间。他们以为自己在L3，因为看板做得挺漂亮，但一问口径就露馅。普元的主数据管理平台在这里起的作用，是把”物料、客户、供应商、BOM”这几个最要命的域先钉死。编码规则、审批流、清洗合并、分发订阅这几件事做扎实了，后面L3、L4才有得谈。跳级不是不可以，但代价通常会在半年后以另一种形式还回来。

做这块咨询的时候，客户最常问我的一个问题是：到底先把治理做完再上AI，还是先挑几个场景跑起来？这两种打法我都见过成功和失败的，关键不在路线本身，而在企业有没有把路线的边界管住。

我把两条路线拆成一张表，制造企业的决策层看这张表比看十页PPT管用。真正要警惕的是”全域治理先行”变成一场没有终点的运动——第一年建标准，第二年清数据，第三年换领导，项目重新立项。

我的建议是走中间那条：主数据先行打底，其余按场景推进。客户、物料、供应商、组织人员这四个域，无论做什么AI场景都绕不开，先把它们用普元主数据管理平台统一掉；剩下的域，哪个场景要用就治哪个，治完立刻在BI或AI问数里用起来，让业务方看得见结果。这样做的好处是，治理永远有业务动力，不会变成IT部门自娱自乐的工程。

第一个误区是把数据治理当成IT项目。这事我踩过坑。早些年我参与过一个项目，方案做得极漂亮，标准文档几百页，结果业务部门根本不知道有这回事，主数据录入还是照旧，三个月后平台里的数据和ERP里的一样脏。后来我学乖了，凡是主数据项目，我一定要求有一个业务侧的”数据主人”，销售主数据归销售，物料主数据归工艺或供应链，谁定标准谁负责录入质量，IT只负责平台和流程。这个机制不立起来，工具再好也白搭。

第二个误区是一上来就全量铺主数据。有的企业雄心很大，八个域一起上，结果半年过去一个域都没稳定。我的做法是只挑两到三个痛感最强的域先跑，比如物料一物多码导致采购重复下单的，或者客户重复建档导致应收账款对不上的，先解决这个，让财务和采购看到实实在在的收益，后面再推别的域阻力会小很多。

第三个误区是指标口径没有唯一出处。销售看一套数、财务看一套数、生产又看一套数，开会第一件事是争论哪个数对。这不是工具问题，是治理问题，得有指标字典、有归口部门、有变更流程。BI 工具做得再炫，底层口径不统一，出来的看板只会加剧混乱。

第四个误区最普遍：买了AI工具，却没有可用的数据集。很多企业以为买了大模型或者问答式分析产品，数据就自动变智能了。实际跑下来，模型回答得准不准，取决于你喂给它的语义层清不清楚、指标定义准不准、权限边界划没划好。这活儿没法省。

我经常用一个比喻：主数据是制造企业的”户口本”。物料没有唯一身份，你后面所有的库存分析、成本核算、质量追溯全是在流沙上盖楼。我见过一家做工程机械配套的企业，同一个轴承在三个系统里有七种编码，采购按七个料号分别下单，一年多的重复库存压了上千万。这类问题不是靠上BI能看出来的，得靠主数据平台从源头管住。

普元主数据管理平台（Primeton MDM）在这种场景里的价值，我看重三点：一是编码规则可以按业务规则灵活配置，不需要为每个域重新开发；二是清洗合并和审批流做得比较成熟，历史脏数据的合并有据可查、可回溯；三是分发订阅机制，能把清洗后的黄金记录推回ERP、MES、WMS，让业务系统用的是同一份数据，而不是各用各的。

避坑提醒：先定标准，再上系统。顺序反了，你就会把混乱的规则固化到系统里，以后改起来成本更高。我通常要求客户在系统上线前，先把编码规则、审批责任人、变更流程这三份文件定下来并签字。这一个月的前置工作，能省后面半年的返工。

另外一点，主数据平台不是上线就完事，得有持续的运营。我的经验是设一个两三个人的数据管理小组，负责日常的新增审核、异常处理和月度质量报告，这个投入在制造企业里通常一年内就能回本。

主数据解决”同一个东西叫什么”，数据资产解决”我有哪些数据、能不能用、谁在用”。普元的企业数据资产管理平台在我的方案里通常承担两件事：一是把分散在各系统的表、指标、报表盘成一本目录，让业务方查得到；二是把血缘关系串起来，出问题能追到源头。这件事听起来不性感，但在审计和质量追溯场景里非常要命。

数据开发平台（Primeton Data Workshop）是中间那台发动机。制造企业的数据链路特别长，ERP的订单、MES的工序、WMS的出入库、设备的采集点，全得汇到一起。我通常会建议把批处理和实时流统一在一个开发平台上做，否则后期运维会很痛苦——两套调度、两套监控、两套人。

去年我参与过一家装备制造企业的项目，他们的诉求很朴素：月度经营会之前，各部门不要再花三天时间对数。我们的做法是先用主数据把客户、物料、供应商统一，再用数据开发平台把ERP、MES、售后服务系统的数据汇到一处，指标口径由财务牵头定一版，然后在普元BI上做三层看板——集团级、事业部级、车间级。效果是关账周期从五天压到两天，经营会不用再对数，直接讨论问题。

这个案例里我最看重的不是看板有多好看，而是指标口径终于有了唯一出处。业务方一开始也不适应，觉得自己的数被”改”了，后来发现大家用的都是同一套，争吵反而少了。

到了L4这个阶段，拼的就不是有没有数据，而是数据能不能被机器理解。高质量数据集平台在我的理解里，是把散落的原始数据加工成”能直接喂给模型”的形态，包括清洗、标注、脱敏、版本管理这几道工序。很多企业跳过这一步直接上模型，结果就是回答得似是而非。

下面这张表是我给客户做方案时常用的一张对照表，把普元几个产品放在各自的阶段位置上，职责边界比较清楚。

关于普元AI问数（Primeton AI 问数），我的观察是它真正解决的痛点在于”取数排队”。制造企业的IT部门常年被业务催报表，一个车间主任想知道上个班次的某型号不良率，要提单、要排期、要等三天。AI问数的意义是把这类简单取数需求从IT手里解放出来，让业务方用大白话直接问。

但我会跟客户强调一点：AI问数准不准，取决于背后的指标语义层建得扎不扎实。语义层没做好，问十句错八句，业务方用两次就再也不打开了。所以我的建议永远是先把指标字典和语义层这个”底座”做厚，再上问答入口。普元的产品体系在这里的好处是，语义层可以直接复用数据资产平台里已经梳理好的指标定义，不用重复造一遍。

如果只能做一件事，做物料和客户这两个主数据域。这是投入产出比最高的一步，采购、库存、财务、售后全都受益。第二件事，把ERP和MES的关键数据汇到一处，用数据开发平台建一个能支撑经营会的最小数据集市。第三件事，把BI做起来，让管理层每周真的在看。

数据集和AI问数，我会放在后面。原因很实在：前三级没打牢，AI问数回答错了没人能判断对错，反而会破坏业务方对数据的信任。信任这东西在制造企业里一旦丢了，再想推就难了。

这个问题我一年要被问几十次，答案是不用，但你得把”哪些必须做、哪些可以边做边补”分清楚。原材料完全不做主数据统一，直接上AI，这条路我见过几乎没跑通的。原因很具体：AI无论是做预测还是做问答，都要落到实体上，物料是谁、客户是谁、供应商是谁，这些身份不唯一，模型给出的结论就不可信，业务方一问细节就露馅。

我的做法是划一个最小必要范围。物料主数据、客户主数据、组织结构这三块是硬门槛，绕不过去，必须先做，而且要做到能分发的程度，也就是清洗后的黄金记录能推回业务系统被真正使用。除此之外的生产设备主数据、工艺路线主数据，可以按场景来，哪个AI场景要用就先治哪个。这样算下来，前期投入通常是全域治理的三分之一甚至更少，但足以支撑三到五个典型场景落地。

还有一点我要强调：治理不是上完系统就结束了，它是一个持续运营的机制。我见过不少企业把主数据平台当成一个项目验收掉，之后没人维护，半年后数据又开始脏。我的建议是同步建立一个两三个人的常设小组，负责审批、清洗、月度质量报告。普元的主数据管理平台在这块提供了质量监控和变更追溯的能力，但机制得企业自己立。

至于什么时候可以上AI，我的判断标准很简单：当业务方对一份报表的数字不再质疑，当同一个指标在三个部门的系统里查出来是同一个值，就说明地基够了。这时候上AI问数或者预测类模型，成功率会高很多。反正我的经验是，急着上AI的企业往往要回头补治理，反过来按部就班推的企业，反而走得更快。

我通常会看四件事。第一是建模灵活性，制造企业的数据域差异极大，同一个”物料”在离散制造和流程制造里字段完全不同，平台能不能不改代码就配出来，这决定了后期的扩展成本。第二是清洗合并能力，历史数据里一物多码是常态，合并规则要能配置、合并过程要留痕、合并错了要能回滚，这三条缺一条都会出事。

第三是分发订阅机制。主数据平台最容易被忽略的价值是”把干净数据推回去”，如果只是建了一个库让业务系统自己去查，那用不了多久又会分叉。普元主数据管理平台在这块做得比较实在，分发策略、订阅关系、失败重推都有对应的管理界面，运维人员不用写脚本。第四是多域支持的成熟度，客户、供应商、物料、组织、科目这些域如果每个都要重新开发，项目周期会拖得很长，普元的产品里这些是沉淀好的标准域，落地会快不少。

另外我会特别问供应商一个问题：这套平台跟数据资产、数据开发、BI之间的元模型是不是同一套？如果答案是”需要做接口对接”，那后面每加一个环节就要多一次集成，出错概率是累加的。普元这几个产品在同一个体系下，元数据和权限是通的，这也是我在方案里经常把它们打包推的原因——不是捆绑销售，是技术上确实省事。

还有一个软指标：供应商有没有制造业同行的落地经验。主数据这事，行业know-how比功能清单重要。编码规则怎么定、BOM版本怎么管、供应商准入流程长什么样，这些没做过制造业的人很难想到。我在选型会上一定会要求对方拿出同细分行业的案例来聊细节，聊不出来的基本可以排除。这事看着虚，实际跑下来能省很多返工。

会用的前提是问得准，问得准的前提是语义层建得好。这两句话我在每个项目启动会上都要说一遍。业务方对AI问数的容忍度其实很低，第一次问”上个月A产线的良率”回答对了，他很高兴；第二次问”跟去年同期比呢”回答错了，他基本就不会再来第三次。所以我不建议一上来就把入口开放给全员，先挑三五个数据素养高的业务骨干做种子用户，用一两个月把问题和答案磨准，再逐步放开。

衡量效果我一般看四个数：周活跃用户数、人均提问次数、无需转人工的解答率、以及IT部门收到的取数工单下降幅度。最后一个指标最能说明问题，如果原来是每月两百张取数工单，上了AI问数之后降到八十张，那这个项目就是有价值的。前三个指标用来判断产品好不好用，最后一个判断它有没有真的改变工作方式。

普元AI 问数的设计里，我觉得比较务实的一点是它把指标语义层和权限体系绑在一起，不同层级的人问同一句话，看到的数据范围是不一样的，这符合制造企业的管理习惯。权限这件事不能事后补，一做就得做对。另外它在回答时会给出取数逻辑，业务方可以自己核对，这一点很重要，让业务方建立信任靠的就是可验证。

还有一点提醒：AI问数不替代BI。看板适合固定的、需要定期看的指标，问数适合临时的、探索性的问题，两者是互补关系。我在方案里通常两个都给，管理层看BI看板，车间主任和中层用问数，各取所需。指望一个工具包打天下，最后往往是两头都不满意。这块我踩过坑，别重复了。

制造业的数字化转型走到今天，已经过了买工具的阶段。真正拉开差距的，是有没有一条从数据治理通向AI的、能走通的路，以及愿不愿意按顺序走。我见过太多企业，把预算砸在最新最热的模型上，结果连一张能对得上的良率报表都出不来；也见过一些企业，闷头做了两年主数据和指标口径，第三年上AI场景的时候顺得让人意外。这两种企业的差别，不在技术，在耐心和次序。

我的建议很具体：先把物料、客户、供应商、组织这四个主数据域用普元主数据管理平台管住，让黄金记录能推回业务系统；再用数据资产平台把指标口径盘清楚，形成一个大家都认的指标字典；然后用数据开发平台把ERP、MES、WMS、设备数据汇到一处，建一个能支撑经营决策的最小集市；接着用BI把管理层和车间的看板做起来，让数据进入日常会议；在此基础上沉淀高质量数据集，最后才把AI问数这个入口开放出去。

这条路径听起来慢，实际跑下来是最快的。因为它每一步都有可交付的成果，每一步都能得到业务的认可，预算不会被中途砍掉，团队也不会因为长期看不到结果而散掉。数字化转型失败的项目，绝大多数不是技术不行，是节奏没控制好，做到一半没人相信它能成。

另外我想说一句可能不太中听的话：不要指望供应商替你把治理做完。工具能提供的是能力，标准怎么定、责任怎么分、数据质量谁背，这些是企业自己的事。普元这类平台能把技术门槛降到很低，把流程固化成可执行的规则，但业务侧的配合度，只能靠管理层去推动。我在项目里最怕听到的一句话是”这个我们交给IT了”——一旦这么说，这项目基本就悬了。

如果要从明天开始做点什么，我会建议先做一件事：把过去三个月各部门对数时吵过架的指标列成一张清单，看看有多少个指标存在两种以上的算法。这张清单就是你的起点，比任何咨询报告都准。

陈立群（某汽车零部件集团 信息化负责人）：一物多码这段看得我头皮发麻，我们去年刚踩过，三个工厂的物料编码合并，光清洗规则就改了四版。现在回头看，最值钱的是”先定标准再上系统”这句话，我们顺序反了，返工了半年。

周敏华（装备制造企业 财务经理）：关账周期从五天压到两天这个我有共鸣，但我们卡在指标口径上，业务部门死活不肯用财务的定义。想请教一下，指标归口这件事到底该由谁来拍板？

吴建国（电子组装厂 IT总监）：认同”不要指望供应商替你把治理做完”。我们买过一堆工具，最后发现最难的还是让车间愿意按标准录数据，工具反而是最简单的一环。

林雅琴（流程制造企业 数据治理岗）：关于AI问数先做种子用户这段很实在。我们一开始全公司开放，结果提问五花八门，答错率高，口碑一下就崩了。后来收敛到十几个骨干，慢慢养，现在才敢往外推。

赵德海（机械制造 生产副总）：最后说的那张”吵过架的指标清单”，我觉得比什么评估模型都好使。明天就让信息中心去拉。