人工智能在工厂落地，为什么总卡在数据环节?

很多工厂上AI，最开始的信心都来自演示：模型能识别缺陷、能预测故障、能生成排产方案。可一旦进入真实车间，项目就慢下来。问题往往不是模型不够聪明，而是数据接不上、对不齐、用不起来。 德勤做过一项针对中国制造业AI项目的调查，认为项目达到80%—100%预期的企业只有9%。换句话说，绝大多数项目没有达到预期。工业AI落地难，数据环节是最常见的堵点。 第一，数据有，但不一定“可用” 工厂常说“我们数据很多”。传感器装了，SCADA系统有，MES也在跑，ERP里还有订单和库存。听起来条件不错。 可真正进场后会发现：设备数据格式不一，不同年代、不同厂商的系统很难直接拼接；实时采集上来的数据和ERP、MES完全割裂；历史数据缺少标注，懂工艺的老师傅可能已经退休；缺陷样本尤其少，正常品几十万张，缺陷品只有几十张，模型很难训练。 Gartner也指出，数据准备、清洗、标注和特征工程占据了工业AI项目大部分时间和成本。很多项目80%的时间花在数据准备上，真正做模型的时间反而不多。 第二，系统之间像“说不同语言” 制造企业通常部署多套系统。全国超过70%的制造企业拥有3套及以上互不联通的IT系统。客户数据在CRM，订单和库存数据在ERP，生产数据在MES，设备数据在PLC或SCADA，财务数据又在另一套系统里。 同一个概念，在不同系统里可能有不同命名、不同编码、不同统计口径。比如“合格产品”“有效产能”“订单交付周期”，不同工厂、不同部门的定义可能并不一致。AI拿到这些数据后，第一件事不是分析，而是先做“翻译”。 更麻烦的是权限壁垒。财务数据、客户数据、工艺参数往往分散在不同部门，跨部门调取需要层层审批。AI需要完整数据才能判断，但数据被锁在各自的系统里。 第三，数据缺业务含义，AI读不懂 传感器传上来的是温度、压力、转速、电流，这些数字本身没有意义。AI要知道的是：这个温度对应哪道工序？这条产线正在生产哪个订单？这个参数异常会不会影响良率？ 如果数据缺少业务上下文，AI只能看到数字，看不到场景。它可能知道“某台设备温度升高”，但不知道这台设备是否处于换型阶段，也不知道当前订单是否允许停机。 这就是为什么很多AI项目只能做问答或展示，很难进入核心生产环节。没有业务规则和数据语义支撑，AI给出的建议往往不敢直接用。 第四，数据链路一长，责任边界就模糊 单点试点时，数据链路短，问题容易定位。比如只做视觉质检，相机、样本、模型、产线都在一条链路上。 一旦扩展到跨工厂排产、供应链协同或经营分析，数据链路会迅速变长。订单、库存、采购、设备、质量、财务都要参与，任何一个环节口径不一致，结果就可能失真。 这时企业常面临一个两难：把所有数据搬到一个平台，改造成本高；不搬，又很难统一治理。传统做法是按需抽取、复制、汇总，但反复搬运后，容易出现更新时间不一致、统计范围不一致、权限管理不一致。 第五，数据安全顾虑让企业不敢放开数据 制造业数据里包含工艺参数、客户订单、设备状态、质量记录，很多都属于核心商业秘密。企业天然不愿意把数据开放给外部模型，也不希望数据被用于训练公共模型。 万达宝LAIDFU（来福）无须录入数据，智能渗透到传统CRM、ERP和HCM无法到达的众多管理盲区；同时支持私有化部署，也支持阿里云等线上部署，企业可以根据自身安全要求选择。这意味着AI可以在不破坏现有数据边界的前提下，参与到更多业务环节。 怎么破？别一上来就“推倒重建” 工厂做AI数据治理，不必先花大钱搭一个庞大的数据中台。更稳妥的方式是： 先选一个高价值场景 ：比如质检、设备预警、订单跟踪，不要一上来就做全厂数据打通； 在现有系统之上加一层数据访问和治理入口 ：让AI调用数据前有统一口径和权限控制，而不是反复搬运数据； 补齐业务语义 ：把关键指标、工艺规则、异常判断标准整理出来，让AI知道数字背后的含义； 保留人工复核 ：涉及生产执行、工艺调整、客户承诺的环节，AI给出建议，人工确认执行； 用试点结果说话 ：用良率提升、停机减少、响应时间缩短、人工工时下降这些指标验证效果。 工厂AI的难点，表面看是数据，背后其实是系统、流程、权限和业务理解的综合问题。模型可以买，算力可以加，但数据如果连不起来、读不懂、不敢用，AI就很难从演示走向产线。把数据环节打通，AI才不只是车间里的一个新窗口，而能真正成为生产流程里的一部分。