INSIGHT · 落地方法

制造业 AI 为什么总落不了地

模型越来越强,企业 AI 项目却大量停在前半年。问题不在模型,在于三个被跳过的前提。

2026-11 · 作者:启华团队 · 阅读约 6 分钟

过去两年,我们见过不少制造企业的 AI 项目:立项时雄心勃勃,选型、POC、内部汇报,样样顺利;半年后再看,系统要么没人用,要么只剩几个演示账号。

有意思的是,这些项目失败的姿势高度相似,而且几乎都不是因为“模型不够聪明”。

前提一:先统一口径,再谈智能

一家企业里,“毛利率”至少有三套算法:财务的、销售的、车间的。各有各的合理性,也各有各的用途。人做分析时,会不自觉地切换口径;但 AI 不会——它只会取它找到的那个数。

于是出现经典场景:AI 说某产品毛利 18%,销售说不对,我算的是 15%。两个人都没错,错的是系统不知道该听谁的。

所以企业 AI 的第一步不是接模型,是立口径。把每个指标的计算规则写成机器可执行、人可审计的定义。这件事枯燥,但它是后面一切的地基。

前提二:让每个结论带依据

大模型有个特点:它永远会给你一个答案,哪怕它不知道。在企业场景里,这叫“幻觉”;在车间里,这叫“胡说”。

解决思路不是把模型调得更聪明,而是改变答案的结构:结论必须挂在依据上——原始单据、指标口径、命中规则、数据时间。答不上来的地方,明说“数据缺口在这里”。

依据链的价值不在技术,在信任:业务人员第一次可以不靠“信不信你”来决定用不用 AI,而是靠“查不查得动它给的依据”。

前提三:有人负责,才有人敢用

很多项目默认“AI 上线 = 自动化”,其实恰恰相反。企业里真正有效的 AI,是AI 出初稿、人签字:校验结果要质量工程师复核,风险结论要审批人确认。

这不是效率的妥协,是责任的设计。AI 给的结论如果没人签字,出了问题没人负责——没人负责的事,企业制度里就活不下去。

写在最后

这三个前提——口径、依据、闭环——没有一个是“AI 技术”,全是“企业管理”。这也是为什么我们把产品做成“场景底座”而不是“AI 大脑”:底座的本职,就是把企业的管理规则变成 AI 能执行、人能复核的机制。

模型会一直变强,但这三件事不会过时。

业务咨询 / 预约演示:13349097890(微信同号)。

← 返回洞察列表