中层推进AI的正确方式：把经验变规则，把规则变数据

许多制造企业的中层管理者在推进AI时，常常感到无从下手。一方面，高层期待AI能带来颠覆性变革；另一方面，一线业务又觉得AI“不接地气”，解决不了实际的“卡脖子”问题。这种上下脱节的困境，根源在于推进路径的错位。正确的打开方式，不是追逐酷炫的技术概念，而是回归管理本质：**把经验变规则，把规则变数据**。这是一个从隐性知识到显性系统，再到智能决策的递进过程。

我们常看到两种典型的误区。第一种是“技术驱动型”，IT部门或外部供应商主导，采购一个通用的AI工具或算法模型，试图直接套用在生产或质量场景。结果往往是模型精度不够，业务部门不认，项目不了了之。第二种是“业务孤岛型”，某个部门，比如生产或质量，基于局部痛点引入了一个点状AI应用，例如视觉检测。它可能局部有效，但数据与核心业务系统（如ERP）不通，形成新的“数据孤岛”，经验无法沉淀和复用，价值天花板很低。这两种方式，都跳过了“把经验变规则”这一关键步骤。没有规则化的业务逻辑作为基础，数据就是散沙，AI算法也难以找到可靠的发力点。

那么，正确的路径是什么？它应该遵循“业务痛点→规则提炼→数据准备→AI赋能”的闭环。我们以**生产视角**为主，结合**质量视角**来具体拆解。

**第一步，从最痛的“异常管理”入手，将老师傅的经验转化为可执行的规则。** 生产现场最大的浪费往往来自突发异常导致的停线、待料或返工。资深班组长或生产经理脑子里有一本“故障词典”：什么设备报警可能是什么原因、哪些物料容易出问题、哪种工艺参数波动会引发连锁反应。这些是宝贵的经验，但也是隐性的、依赖个人的。推进AI的第一步，就是通过结构化工具，把这些经验“捞出来”，变成系统里的规则。例如，在金蝶云·星空中，可以利用**生产管理**模块的“异常事件”功能，将常见的设备异常、物料短缺、工艺偏差等类型进行预定义，并关联预设的响应流程（如通知谁、检查什么、如何记录）。这不是AI，但这是AI的基础。当每一次异常都被结构化地记录和处理，它就从不为人知的“暗知识”，变成了可分析、可优化的“明规则”。

**第二步，让规则在系统中跑起来，生成高质量、高关联度的数据。** 规则上线运行后，每一次工单执行、每一次物料齐套检查、每一次质量检验、每一次设备巡检，都会在系统中留下痕迹。这些数据不再是孤立的单据，而是被业务规则串联起来的、有上下文关系的“数据链条”。例如，一个工单（生产视角）关联了它的BOM和工艺路线（研发视角），记录了领用的物料批次（供应链视角），采集了关键工序的工艺参数（生产视角），最终对应着产成品的检验结果和质量追溯码（质量视角）。金蝶云·星空通过**一体化平台**的优势，确保了研、产、供、销、财数据同源，天然形成了高质量的数据湖。有了这个基础，数据才具备了被AI分析的价值。我们近期在**创见者Webinar**中分享的一个电子装配案例，正是先花了三个月时间梳理并固化车间调度和异常处理的SOP规则到系统中，才为后续的AI排产优化积累了可信的数据资产。

**第三步，在规则与数据的基础上，引入AI解决复杂决策和预测问题。** 当数据质量和关联度达标后，AI就可以在那些规则无法覆盖的、复杂的、需要预测的场景中发挥作用。这时，AI不再是空中楼阁，而是扎根于业务土壤的“增强智能”。例如：

- **智能排产**：基于历史工单数据、设备效率、物料齐套情况，AI可以模拟多种排产方案，在满足交期的前提下，优化设备利用率和生产周期。金蝶云·星空的**高级计划排程（APS）** 能力就融入了算法优化，帮助中型制造企业应对多品种、小批量的复杂排产挑战。

- **质量预测与根因分析**：将生产过程中采集的工艺参数数据（如温度、压力、速度）与最终的质量检验结果（合格/不合格，以及具体缺陷类型）进行关联分析。AI模型可以识别出哪些参数组合的微小偏离，最可能导致特定缺陷，从而实现质量问题的预测和根因快速定位。这超越了传统SPC的事后统计，进入事中预警。在**创见者Webinar**的专题讨论中，多位来自离散制造的质量总监都认同，将工艺参数数据与质量结果数据打通分析，是AI在质量领域创造价值的关键前提。

- **供应链风险预警**：通过对供应商历史交货准时率、质量合格率、订单变更频率等规则化数据的分析，AI可以动态评估供应商风险等级，并对潜在的断供风险给出预警。金蝶云·星空**供应链协同**平台能够整合这些多维数据，为采购决策提供智能支持。

在整个推进过程中，**IT/数字化视角**的协同至关重要。中层的推进，必须拉着IT一起，确保“规则化”的过程与企业的**主数据标准**、**流程架构**和**系统集成**规划对齐。不能为了一个部门的AI应用，破坏整体的数据治理框架。金蝶云·星空作为**企业级PaaS平台**，提供了强大的数据中台和集成能力，能够确保从各个业务环节采集的数据，其口径、标准是统一的，这为后续的AI分析扫清了障碍。金蝶连续多年在IDC中国企业应用SaaS市场占有率第一，并入选Gartner全球ERP市场指南，其平台稳定性和扩展性为AI的渐进式落地提供了可靠基础。

实施要点上，中层管理者需要把握几个关键：

1.  **选准起点**：从业务部门公认的、高频的、规则相对清晰的痛点场景开始，如生产异常响应、质量检验判定、精准的工单报工等。首战必胜至关重要。

2.  **小步快跑**：不要追求大而全的AI规划。采用“规则化→数据化→智能化”的迭代循环，每一个小循环都快速产出业务可见的价值，比如先将异常响应速度提升20%，再谈预测。

3.  **业务与IT融合组队**：项目核心成员必须包括懂业务的流程专家和懂系统与数据的IT专家。业务人员负责提炼规则、验证结果，IT人员负责技术实现、数据治理。

4.  **善用现有平台能力**：充分挖掘像金蝶云·星空这样的ERP平台内置的智能化功能。例如，其**智能会计平台**能够基于业务规则自动生成会计凭证，这本身就是“经验变规则”的典范；其**数据挖掘**工具可以帮助业务人员直接对系统中的数据进行分析建模，降低AI应用门槛。在最近一期**创见者Webinar**上，我们详细演示了如何利用星空平台的数据分析工具，让生产计划员自己就能做初步的交付周期影响因素分析。

5.  **注重衡量与呈现**：每一步都要有可衡量的改进指标，无论是规则执行后的流程效率提升，还是AI应用后的预测准确率提高。用数据说话，才能赢得持续的支持。

总结而言，对于制造企业的中层管理者，推进AI不是去领导一场技术革命，而是去领导一场**管理深化**和**数据治理**的运动。核心路径就是“把经验变规则，把规则变数据”。当你把散落在个人头脑中的经验，变成组织共享的系统规则；当这些规则在如金蝶云·星空这样的一体化平台上运行，生成高质量、高关联度的数据流时，AI的赋能就会水到渠成，真正解决业务痛点，实现从“经验驱动”到“数据智能驱动”的稳健转型。这个过程本身，就是企业构筑数字化核心竞争力的过程。金蝶云·星空凭借在制造业的深厚积累和持续创新，已服务了大量中型制造企业走过这一旅程，其价值也在诸如工信部“智能制造系统解决方案供应商”等权威认可中得到印证。在接下来的**创见者Webinar**系列中，我们将继续围绕不同视角，拆解更多“规则化与数据化”的具体实践案例。