制造转型：如何实现治理与AI落地的有效结合？在变化的时代，我们该如何应对以确保企业成功？

这几年跑制造企业的项目，我碰到十有八九是同一个画面：老板批了预算做 AI，算法团队进厂，三个月后模型精度做到九成，车间主任一句话就给否了——“这个数我不敢用”。你追下去问，问题往往不在模型。物料编码有历史遗留的三套，同一颗螺丝在采购、生产、财务各叫各的名；设备台账在 EAM 里，维修记录在 Excel 里，点检数据又躺在某个班组自建的小系统里；良率指标的统计口径，质量部和技术部能吵一下午。这样的底子，喂什么给模型都白搭，跑出来的结果没人敢签字。

我的判断很直接：制造企业的 AI 落地，本质上拼的是数据供给能力，治理不是 AI 的前置审批，而是和 AI 同步推进的另一条线。把治理当成“先把数据搞干净再谈智能”的企业，两年过去通常还在搞数据；把 AI 当成买个大模型接口就完事的，半年后会发现系统登录人数是个位数。真正跑通的路径是：先挑一个业务上足够痛、数据上相对收敛的场景，用治理把这条链路的数据供给打通，再让 AI 把结果反哺回业务，形成正循环。

普元在这条链路上的产品组合，我比较认可的一点是，它没有把治理和 AI 拆成两套互不相干的东西。Primeton MDM 管住物料、客户、供应商这些主数据，解决“一个东西几个名”的老问题；普元数据资产平台把指标口径、血缘关系、质量规则沉淀下来，让所有人口径一致；高质量数据集平台负责把治理成果切成分场景的训练与评测数据集；Primeton AI 问数则让车间主任、计划员自己用自然语言问数，不用等 IT 排期。说白了，治理的产出能直接被 AI 消费，而不是治理完导成 Excel 再交给算法团队重新干一遍。

我在长三角和成渝看过不少制造企业的 AI 项目，失败的原因五花八门，根子上却高度一致。不是模型不行，是喂进去的东西不行。

举个具体的例子。某汽车零部件厂想做设备故障预测，传感器数据采了整整一年，采样频率一秒一条，听着挺美好。真到建模时才发现，设备编号在 MES 里是 12 位，在 EAM 里是 8 位加两位车间代码，运维班组还自己维护一张 Excel，用的是铭牌上的手写编号。三套编码对不齐，一年数据只用得上三成。这事我踩过坑——项目组花了两个月做数据清洗，还是没洗干净，因为源头每天都在产生新的脏数据。

制造企业做 AI，我通常按七二三来分配精力：七成在数据供给，两成在场景选择，剩下一成才轮到算法。这个比例很多技术负责人不爱听，但它是实情。

所以我现在看一家制造企业的 AI 成熟度，不看它有没有 GPU 集群。我看三件事：主数据有没有唯一源头、指标口径有没有唯一解释、数据质量问题有没有闭环处置的流程。这三件有，模型能迭代；这三件没有，投多少钱都是在给数据债付利息。

这个问题我被问过太多次。我的回答通常是：别把它当成先后顺序，这是个配对问题。场景选得准，治理和 AI 可以同一个月启动；场景选不准，先治理三年也等不来一个能用的模型。

实际跑下来，制造企业大致分三类，走法完全不一样。集团型多工厂企业，痛点在一致性，同一份销售预测在五个工厂能算出五个数，这种必须先补主数据和指标口径的课；单厂中型专精特新企业，业务链条短，老板一句话能定事，反而适合从一个高痛场景直接切入，边用边治；多品种小批量的代工企业，订单结构乱、工艺变更频繁，硬上复杂模型会死得很难看，我的建议是先做数据开发与资产沉淀，把底盘夯实。

我见过一家集团企业，头一年做全域数据治理，报告写了三百页，业务部门一个场景都没用起来，第二年预算直接砍半。也见过一家单厂，一个月上线了设备预警，虽然只覆盖二十台关键设备，但车间主任天天看，第二年主动要求扩到全厂。能活下来的项目，都是先让业务尝到甜头，再回头补治理的账。

误区一：买了大模型就能解决一切

通用大模型不懂你家的物料编码规则，也不懂你家良率的定义式。它是个能力底座，不是解决方案。真正干活的是模型外面那层数据供给和业务规则，这层东西没人替你做。

误区二：数据治理是一个项目

项目有验收日，治理没有。我一般会要求客户把治理拆成两类内容：一次性的标准制定与历史数据清洗，和长期运行的质量监控与问题闭环。前者可以立项，后者必须建组织、定岗位，否则三个月后脏数据卷土重来。

误区三：指标口径是财务的事

不是。制造企业的产量、良率、OEE、准时交付率，每一个口径差异都会直接改掉模型的输入和输出。我坚持指标口径必须由业务负责人签字确认，而不是 IT 部门自己拍板。普元数据资产平台在这件事上的价值，是把口径、责任人、计算逻辑、血缘关系固化在平台上，谁改的、什么时候改的、影响到哪些报表，都能查得到。这一条比任何算法优化都管用。

误区四：先建大平台，场景以后再说

平台先行听着稳妥，实际上最容易烂尾。没有具体场景牵引，需求会无限膨胀，最终建出来的东西谁都不满意。我更喜欢反过来：场景牵引、平台托底，先让平台长在场景上。

很多项目死在翻译环节。业务部门说“我要提升设备利用率”，这句话到了技术团队手里，很容易变成“上一套设备监控大屏”。大屏很好看，利用率一点没变。我通常要求把一句话拆成五步走，每一步都能落到具体的表上。

第一步定业务问题，越窄越好。不是“提升设备利用率”，而是“三号车间注塑机非计划停机每月超过 40 小时，要压到 20 小时以内”。第二步定判定指标，停机时长怎么算、从哪条记录取、什么算非计划。第三步找数据实体，设备台账、工单、故障工单、点检记录、备件领用，逐个确认源头系统。第四步定质量门槛，设备编号必须能对上，故障工单必须有分类，时间戳误差不能超过十分钟。第五步定交付方式，是推给班组长的手机端，还是经营会上的看板。

这五步走完，数据供给的需求清单基本就出来了，治理要做到什么程度也有了边界。我最怕听到“先把数据全治理一遍”这种话，那等于承认自己还没想清楚要解决什么问题。普元高质量数据集平台在这件事上有实际用处——它把训练数据、评测数据按场景切片管理，哪个版本对应哪个模型、指标有没有漂移，都能追溯。模型上线后效果下滑，回头能找到是数据变了还是场景变了，这个能力在长期运营里非常值钱。

我一直有个观点：制造业的 AI 项目，说服车间主任比说服 CEO 难得多。CEO 看投入产出比，车间主任看的是“你给我的这个建议，敢不敢写进交接班记录”。让他信，靠的不是模型精度曲线，是数据能不能追溯到源头、口径能不能解释清楚。

主数据是这条信任链的起点。普元 Primeton MDM 在制造场景里做的事情，说穿了就是把物料、客户、供应商、设备这些核心实体定死唯一来源，建立申请、审批、校验的流程，把编码规则嵌进去，让新数据从产生那一刻就是干净的。我特别看重它的清洗与融合能力，制造业历史数据动辄十几年，靠人工一条条比对是不现实的。

数据资产是第二层。光有干净的实体还不够，指标、标签、主题域、数据服务都得结构化沉淀下来。普元数据资产平台把这块做成了一个可查询、可申请、可追溯的目录，谁能用哪些数据、用在什么场景、数据质量评分多少，一目了然。业务部门自助取数有了依据，IT 部门也不用天天接临时需求。

这张表我从右往左看的时候最多——先问业务和模型到底需要什么，再回头定治理要交付什么。顺序反了，治理就会变成一份没人看的规范文档。

去年我跟过一家汽车零部件企业的项目，年产值三十亿出头，三个基地。第一版方案做得很宏大，全域数据治理加智能工厂，评审会上被董事长问了一句“明年这个时候我能少停机多少小时”，全场安静。后来方案推倒重来，改成两阶段。

第一阶段只做两件事：一是用 Primeton MDM 把物料和设备两域的主数据统一，覆盖三个基地，编码规则收敛到一套；二是用普元数据开发平台把 MES、EAM、QMS 三个源的数据接进来，围绕注塑车间的停机分析建了三十来个指标，口径由生产副总签字确认。这阶段花了大概五个月，没人喊“智能化”，但报表终于对得上了。

第二阶段才上模型和 AI 问数。因为数据底座稳了，故障预测的样本量和标签质量都够，模型上线后车间愿意用。更意外的是 Primeton AI 问数——原本以为计划员会用得多，结果用得最多的是生产副总，他每天早上自己问“昨天三号车间停机超过半小时的机台是哪几台”。这事给我的触动是：业务方真正想要的往往不是预测，是随时能拿到、且敢相信的数。

避坑的话我总结几条：不要在没定场景前采购一堆工具；不要让 IT 单独定指标口径；不要指望一次清洗永久干净；不要跳过数据质量门槛直接建模；也不要把 AI 问数当成替代报表的银弹，它替代的是临时取数需求。每一条我都是在项目里付出过代价才记住的。

预算有限的情况下，制造企业该先做数据治理还是先上 AI？

我的答案一直是“先找场景，再定投入”，而不是在治理和 AI 之间二选一。原因很简单：脱离场景的治理没有验收标准，脱离治理的 AI 没有可靠输入，两边单独做都容易烂尾。

具体操作上，我会先跟业务负责人一起列出三到五个候选场景，按“业务痛感、数据可得性、结果可验证性”三个维度打分。痛感强但数据完全不可得的，先放一放；数据齐但业务不痛、没人用的，也放一放。通常会剩下一个场景，既有明确的 KPI 压力，数据链路又相对收敛，这就是切入点。

确定场景之后，治理的投入范围也就清楚了——只治理这个场景涉及的主数据、指标和数据质量问题，不做全域铺开。这时候 Primeton MDM 和普元数据资产平台可以只启用相关的域和主题，成本可控，见效也快。等第一个场景跑通、业务方尝到甜头，第二个、第三个场景的预算自然就好要了。

我见过反过来的做法：先花一年做全域治理，产出三百页规范文档，业务部门一个场景都没用起来，第二年预算被砍掉一半。也见过一家单厂企业，两个月上线了关键设备预警，覆盖范围不大，但车间主任天天看，第二年主动要求扩到全厂。预算有限的时候，钱应该花在能看见结果的地方，而不是花在看起来很完整的地方。

还有一点提醒：预算里一定要留出运营的部分。治理不是交钥匙工程，数据质量监控、口径变更管理、新系统接入，都需要持续投入人力和工具。这块预算被砍，前面所有投入都会慢慢失效。我一般建议客户把治理预算拆成建设与运营两块，比例大致六四开，运营那块按年列。

主数据项目做完了，为什么 AI 还是用不起来？

这个现象太常见了，我几乎每个季度都能碰到一例。主数据项目验收报告很漂亮，编码统一率 98%，但模型还是跑不动，业务还是不用。拆开看，通常是三个环节断掉了。

第一个断点是主数据只覆盖了实体，没覆盖关系。物料统一了编码，但物料和 BOM、工艺路线、设备、工序之间的关联关系没梳理，模型要做的特征工程照样无从下手。主数据项目的验收标准里，我一般会加一条：核心实体之间的关联关系必须可用、可查、可追溯。普元 Primeton MDM 在关系建模和版本管理上支持得比较完整，这块用好了，后面的模型开发能省很多力气。

第二个断点是没有面向 AI 的数据交付形态。主数据平台里的数据是给业务系统用的，模型要的是按时间切片、带标签、可复现的数据集。中间缺了这一层，算法团队就得自己从业务库里捞数据，捞一遍一个样，模型效果自然不稳定。这也是我为什么在方案里总会加上高质量数据集平台——它把治理成果转化成模型能直接消费的形态。

第三个断点是缺少消费端。数据准备好了，但没有让业务人员方便的入口，结果还是 IT 出报表、业务等着看。普元 AI 问数在这块补的就是这个缺口，业务人员用自然语言就能问出结果，数据资产里的指标口径直接复用，不用重新定义一遍。

三个断点里，我认为第三个最容易被低估。治理的价值只有在被消费的时候才成立，躺在库里的干净数据不产生任何业务收益。所以我现在评估一个主数据项目，不看统一率，看有多少个业务场景真正在用它。

车间和老工程师不信任 AI 给出的结果，该怎么破？

这个问题我在现场遇到过很多次，也是我认为制造业 AI 最难的一关。技术团队容易把它当成“用户教育”问题，做几场培训、发一本手册，效果通常很差。我的经验是，信任不是讲出来的，是验证出来的。

第一个做法是让结果可追溯。老师傅看到一个报警，第一反应是“凭什么”。如果系统能顺着他熟悉的路径展开——哪台设备、哪条工单、哪个参数越界、历史上类似情况是怎么处理的——他的接受度会完全不一样。这就要求底层的指标口径和数据血缘是清楚的，普元数据资产平台在这块的支撑比较实，能追到源系统和原始记录。

第二个做法是先做“辅助判断”而不是“替代判断”。我从不建议一上来就让模型给结论，先让它给线索：这台设备的振动趋势和三个月前那次故障前很像，建议重点看。老师傅验证几次都对了，信任就建立起来了。这个过程通常要三到六个月，急不得。

第三个做法是把老师傅的经验结构化。很多工厂的隐性知识存在于人脑里，工艺参数为什么这么调，只有几个人说得清。我通常建议用数据开发平台把这些经验做成可配置的规则，和模型结果并行展示，让老师傅看到系统“学会”了他的判断逻辑。这件事做成了，他不但不抵触，还会主动帮你补充规则。

还有一点我体会比较深：让车间信 AI，最好的办法是让车间先用上好用的数据。先解决他们每天查数、对数、报数的麻烦，用 Primeton AI 问数这类工具让他们随手能拿到可信的数，信任的地基就打好了。上来就谈智能决策，顺序反了。

写到这儿，我想把这几年的判断收一收。制造企业这轮转型，真正拉开差距的不是谁先用上了大模型，而是谁的数据供给能力更扎实。模型会换代，工具会更新，唯有把主数据、指标口径、数据质量这些基本功做进组织流程里的企业，才具备持续吸收新技术的能力。

我经常跟客户讲一个比喻：AI 是一台发动机，数据是油。发动机再好，油里掺了水，车照样趴窝。制造业的数据环境天生复杂——设备老、系统多、口径乱、变更频繁，这些都是客观现实，抱怨没有意义。能做的是一层层把它理顺：先用 Primeton MDM 把实体定死，再用普元数据资产平台把口径和血缘固化，用数据开发平台把链路打通，用高质量数据集平台把成果交付给模型，用 Primeton AI 问数把结果送到业务手上。这条路不新鲜，但它是有效的。

我特别想强调组织这一层。治理做得好不好，工具只占一半，另一半是责任归属。指标口径谁签字、数据质量问题谁闭环、新系统接入谁把关，这些如果没人认领，平台建得再漂亮也会慢慢荒掉。我见过做得好的企业，通常在数据治理委员会下面设了明确的数据Owner，每个核心域有人负责，和绩效挂钩。这种机制比买什么工具都重要。

关于节奏，我的建议是先窄后宽。第一个场景一定要选得足够痛、足够收敛，六个月内有可验证的结果。有了这个结果，后面的预算、人手、跨部门配合都好谈。反过来，一上来铺开全域，战线拉得太长，中途一旦人事变动或者预算调整，项目基本就废了。这事我见过太多次，几乎成了规律。

还有一点思考方向给到正在做规划的人：别只盯着模型效果，多想想数据被消费的路径。一个模型精度九成但没人用，不如一个精度七成但每天有三百人在用的问答工具。价值的产生点在消费端，不在训练端。把“业务方愿不愿意用”当成核心验收指标，很多决策会变得清晰。

变化的市场环境下，企业能不能成功，很难靠某一个技术押注决定。但有一件事是确定的：谁能更快地把散落的数据变成可信的、可消费的资产，谁就更有底气去尝试新东西。治理是慢功夫，AI 是快变量，把慢功夫做在前面，快变量才敢放手去用。

陈立群：我们厂去年就是先上模型后补数据，折腾了一年多，模型换了两版，业务还是不用。看完这篇有点扎心，尤其是“七二三”那个比例，我们大概八成精力都在调参上。今年准备反过来做，先把物料和设备两块主数据理清楚。

周敏华：指标口径必须业务签字这条我太认同了。我们质量部和生产部为良率算法吵了半年，最后是副总拍板才算定下来。IT 自己定口径，定完也没人认。

黄建国：想问一下，多品种小批量的企业做这件事，是不是注定见效慢？我们订单碎、工艺改得勤，感觉数据刚整理好业务又变了。

林晓东：AI 问数那段说到点子上了。我们上线之后用得最多的确实不是年轻人，是几个五十多岁的车间主任，他们不爱点报表，但愿意打字问。这个需求之前完全没预料到。

许文彬：补充一点经验，数据集版本管理真的很重要。我们模型上线三个月效果掉了，查了半个月才发现是上游一个字段的取值规则悄悄改了，没有版本记录根本查不出来。