制造业做 AI，哪里痛，就从哪里开始。

为什么企业 AI 越讲越复杂

一号位、数据治理和全员找需求经常被连在一起，变成一套宏大的启动仪式。先成立委员会，再做顶层规划。先把全公司的数据盘一遍，再让每个部门报需求。收集几十个场景，排优先级，做路线图，然后再决定第一步做什么。

三个月过去，会议开了不少，表格也收了不少。真实流程一个都没改变。

制造企业做 AI，没有必要一开始就把事情搞得这么复杂。

哪里真的痛，就从哪里开始。

先挑一条正在发生、反复发生、大家确实觉得麻烦的流程。把当前怎么做、卡在哪里、需要哪些数据、谁确认结果说清楚。然后在有限范围内让 AI 参与进去，能验收，能退出，出错有人接管。

这不是不要战略。这是让战略先落到地上。

一号位给方向，不必亲自寻找每一个场景

AI 成为一号位工程，强调的是老板不能把它完全甩给 IT。当项目涉及跨部门协作、预算、责任调整和流程改变时，确实需要一号位提供支持。

但这不代表所有项目都要从公司级战略发布会开始。老板真正需要做的，可能只有三件事。允许业务拿出一条真实流程，指定一个能做决定的负责人，接受项目可能得出暂时不做的结论。

剩下的判断，应该回到现场。一份技术响应为什么总是拖到最后一天，一项客户要求为什么要在销售、研发和质量之间反复确认，仓库出现异常后为什么要在 ERP、WMS、邮件和表格之间来回找信息。

痛点不藏在战略口号里。它藏在每天重复发生的工作里。

数据治理不是开工前的大扫除

很多企业一听到 AI 要用数据，第一反应是，我们数据还没治理好，现在不能做。这话听起来非常稳妥。

但如果目标是先把全公司所有数据治理完成，企业可能永远等不到可以开始的那一天。不同流程需要的数据不同，质量标准不同，权限和更新责任也不同。

做客户技术要求到响应材料，需要治理的是产品规格、历史方案、证据材料、版本和审核权限。做仓储异常分诊，需要治理的是库存、订单、采购、物料主数据和数据时间。它们根本不是同一道题。

不是先治理全公司的数据，再寻找 AI 能做什么。是先找到一个值得解决的问题，再治理完成它所必需的数据。

需要多少，就先治理多少。

全员找需求，容易找到愿望，不容易找到流程

让全员提交 AI 创意，当然能制造参与感。但员工提交上来的，往往是愿望。帮我自动写报告，帮我预测销量，帮我管理仓库，帮我分析客户。

愿望不是不能做。只是它距离一个可以开发、评测和上线的工作流，还差得很远。

真正有用的需求，不是一个功能名称，而是一段能够被还原的工作。任务从哪里进入，谁在处理，要查哪些系统，哪里最容易出错，什么结果算完成，哪些情况必须升级给人。

所以与其发动全员想象 AI 能做什么，不如让业务负责人带着工程人员，走进一条具体流程。问正在做这件事的人，昨天发生了什么，哪一步最烦。把过程摊开，需求自然会出现。

一条值得开始的流程，要满足六个条件

哪里痛就从哪里开始，不等于看见什么都做。痛点只是入口。要不要真的启动，还要检查六件事。

1. 01
   高频发生

   有足够多的任务和样本，能够快速验证与改进。

2. 02
   成本可描述

   知道当前耗时、返工、错误或延误发生在哪里。

3. 03
   负责人明确

   有人决定范围，并确认结果是否可以使用。

4. 04
   数据可获得

   不要求完美，但必须知道权威来源、权限和缺口。

5. 05
   结果可验收

   能够判断任务是否完成，而不只是输出看起来不错。

6. 06
   失败可接管

   AI 不可靠时，可以回到人工、规则或原有流程。

六项里如果只有痛，没有负责人，没有数据，也没有办法验收，那它现在还不是一个 AI 项目。它只是一个抱怨。

但如果多数条件都已经具备，就没必要继续等一份覆盖全公司的宏大规划。

第一条流程，最好从辅助判断开始

制造业里价值最高的流程，常常也是风险最高、依赖最多的流程。生产排程、质量放行、采购决策、设备控制当然值得做。但第一次就让 AI 自动作出高风险、不可逆的动作，会同时面对系统集成、数据质量、责任划分和现场安全。

起点可以更克制。技术文件先做要求拆解、资料检索和响应草稿，不自动作出产品能力与交期承诺。仓储场景先做异常汇总、影响分析和处置建议，不自动调整库存、创建采购单或改变库位。质量场景先汇总批次、设备、工艺和历史记录，不替代工程师完成最终放行。