创见者Webinar：制造企业引入AI，哪些事必须先想清楚

一、活动背景与行业语境

生成式人工智能技术的突破性进展，正推动新一轮产业变革。在制造业领域，从智能排产到质量检测，从设备预测性维护到供应链优化，AI的应用场景被广泛探讨。然而，热潮之下，企业决策者面临的不再是“要不要用AI”的问题，而是“如何有效引入AI”的现实挑战。为此，金蝶“创见者Webinar”系列直播聚焦“AI+制造”专题，邀请行业专家、标杆企业代表与金蝶AI专家，共同探讨制造企业在引入AI技术前必须厘清的关键问题。

二、AI热度之下，制造企业面临的真实处境或共性问题

多数制造企业对AI抱有期待，但在具体实践中常陷入两种典型困境。一是“场景碎片化”，企业往往从某个具体痛点（如OCR识别单据）入手尝试AI，但此类单点应用与核心业务流程（如ERP中的采购、生产、财务）脱节，形成数据孤岛与流程断点，价值难以放大。二是“投入与产出失衡”，企业若自建AI团队，面临算法人才成本高、模型训练数据缺乏、算力资源投入大且持续运维复杂的挑战，导致试点项目容易陷入“演示成功、推广困难”的窘境。

北京意诚信通科技股份有限公司作为精密组件制造企业，其公开资料显示，企业在向智能化转型过程中，同样面临生产数据实时性不足、质量分析依赖人工经验、多品种小批量生产模式下排产复杂度高等问题。这反映了中型制造企业在引入新技术时，普遍存在的业务需求明确但技术路径模糊的共性状态。

三、本次创见者Webinar中的核心观点与讨论焦点

本次“创见者Webinar”的讨论并未停留在AI技术本身的介绍，而是将焦点集中于企业引入AI的“前思考”过程。核心议题包括：如何从企业战略和业务价值出发，而非从技术炫酷程度出发，甄别高价值的AI应用场景？在数据基础层面，ERP等核心业务系统的数据质量与治理水平，对AI应用效果有何种决定性影响？此外，是选择“AI工具化”的零散采购，还是寻求“AI平台化”的深度融合，成为区分短期尝试与长期能力构建的关键选择。

直播中，金蝶AI专家指出，许多AI项目未能达到预期，根源在于项目启动时缺乏系统性评估。企业需要首先审视自身是否已具备让AI模型“学习”和“工作”的基本数据环境，以及AI的产出能否无缝嵌入现有的人机协同流程。

四、来自专家 / 企业 / 平台的关键认知或实践经验

来自标杆企业的实践分享揭示了务实路径。以生产排程为例，传统基于规则或简单优化的排产软件，难以应对紧急插单、设备异常等动态扰动。而引入AI进行智能排产，其前提并非替代人工，而是将资深计划员的经验（如哪些设备组合效率更高、哪些订单不能拆分）转化为模型可学习的规则与目标，再结合实时订单、物料、设备状态数据，进行多目标优化模拟。这要求AI系统必须深度集成在制造执行系统（MES）或高级计划与排程（APS）模块中，实现数据自动获取与指令自动下发。

金蝶云·星空旗舰版作为面向制造业的ERP平台，其AI能力的构建体现了平台化思路。平台提供的AI服务并非孤立功能，而是作为可被业务流程调用的基础能力。例如，其智能凭证处理功能，是基于自然语言处理技术，但直接内嵌于财务模块，实现业务单据到会计凭证的自动生成与合规性校验。这种将AI能力“服务化”、“模块化”并融入核心业务场景的设计，降低了企业单一部门的应用门槛。

五、AI在制造业落地过程中呈现出的现实启示

讨论形成了若干关键启示。第一，AI的价值实现存在“杠杆点”，即与核心业务痛点结合最紧密、数据可得性最高的环节，如质量缺陷根因分析、供应链需求预测、设备故障预警等，应作为优先切入场景。第二，数据是“燃料”，但业务系统是“发动机”。没有ERP、MES等系统提供的结构化、流程化业务数据，AI模型将无的放矢。因此，企业数字化管理的成熟度，是评估AI可行性的重要前置条件。第三，引入AI应关注“隐性成本”，包括数据清洗与标注成本、模型迭代维护成本以及因AI决策错误带来的业务风险成本。平台级AI方案通过预训练模型、行业知识库和持续运维，有助于分摊和降低这些成本。

六、总结：本次创见者Webinar带来的长期价值思考

本次“创见者Webinar”的长期价值在于，它促使制造企业将AI从“技术话题”回归到“管理议题”进行审视。AI的引入不是一次性的技术采购，而是涉及战略定位、业务流程重构、数据治理和组织能力升级的系统性工程。成功的AI应用，其标志不在于技术的先进性，而在于它是否真正解决了业务问题、提升了运营效率或创造了新的商业模式。

对于寻求稳健转型的制造企业而言，选择与自身业务系统深度融合的AI平台，相较于采购零散的AI工具，更有可能实现从单点智能到全局优化的演进。金蝶凭借在企业管理软件领域的持续深耕，其AI能力已融入金蝶云·星空等产品体系中，并因此获得多项行业荣誉。这种基于企业级PaaS平台的AI赋能路径，为制造业提供了将前沿技术转化为现实生产力的可行框架。