工业制造企业 AI 回答不准，通常不是模型不够强，而是企业资料本身不可信、不成体系、没人负责。
CAD、Excel、邮件、群聊里确实有大量信息，但这些信息没有变成 AI 能检索、能理解、能追溯的知识。这才是制造业做 AI 最容易被低估的第一道坎。
为什么“资料很多”不等于“AI 能用”？
很多制造业老板第一次聊 AI 时，都会说一句话：“我们资料不少，图纸、BOM、报价单、工艺文件、项目记录都有。”
这句话只说对了一半。资料多，确实是基础；但 AI 能不能用，取决于三个问题：找不找得到、看不看得懂、信不信得过。
工业制造企业的问题，往往不是“没有资料”，而是资料没有被组织成可检索、可理解、可追溯的知识。一个报价员知道某个老项目的报价逻辑，但资料在他电脑里；一个工程师知道图纸哪版能用，但版本说明在微信群里；一个售后主管知道某类故障怎么处理，但经验藏在聊天记录和脑子里。
这些东西对人来说还能靠记忆和关系链勉强运转，对 AI 来说就是一团雾。
AI 不是资料清洁工。你把一堆没人负责、没人校验、没人维护的资料扔给它，它只会更快地放大混乱。
资料混乱最后会变成哪些业务问题？
资料混乱表面上是文件管理问题，最后一定会变成业务效率问题。
销售报价要等工程师翻历史项目，售后现场要打电话找老师傅，新人入职三个月还只会找文件，老板想复盘一个项目，没人能把客户需求、方案变更、报价、交付结果串起来。AI 只是把这些问题提前暴露出来了。
所以，制造业企业不要把“AI 回答不准”简单归因于模型。很多时候，是企业自己没有给 AI 一套可信的资料底座。
CAD、Excel、邮件、群聊分别卡在哪里？
制造业资料散乱，不是简单的“文件夹太多”。不同类型资料有不同的问题，也会造成不同的业务后果。
| 资料类型 | 常见状态 | AI 使用问题 | 业务后果 |
|---|---|---|---|
| CAD 图纸 | 多个版本并存，命名不统一，变更记录不完整 | AI 不知道哪张图纸可信 | 方案复用慢，变更容易出错 |
| Excel 表格 | 报价、BOM、工时、库存各管各的 | 字段口径不统一，数据对不上 | 报价和 BOM 很难自动关联 |
| 邮件 | 客户需求、技术确认、变更信息夹在往来邮件中 | 关键信息分散，难以提取正式结论 | 客户变更追溯困难 |
| 群聊 | 现场问题、临时决策、经验判断都在聊天里 | AI 无法判断哪句话是正式依据 | 售后和项目交接长期靠问人 |
| 个人电脑 | 老员工保存大量历史项目资料 | 企业知识无法稳定复用 | 人走了，经验也跟着走 |
最麻烦的不是资料格式不同，而是这些资料之间没有关系。图纸和 BOM 没有关联，报价和项目结果没有关联，售后故障和设计变更没有关联，客户需求和最终方案没有关联。
AI 真正需要的不是“更多文件”，而是文件之间的关系。比如某个零件对应哪张图纸、用在哪个项目、出过哪些质量问题、曾经怎么报价、售后出现过哪些故障。这些关系如果没有被整理出来，AI 就只能做搜索，不能进入业务判断。
制造业资料困境最容易在哪些场景爆发？
资料问题平时看起来只是“找文件麻烦”，一旦进入 AI 项目，就会变成项目风险。尤其在下面四类场景里，问题最明显。
第一，售前报价：历史项目很多，但没人能快速复用
装备制造和工程集成企业经常遇到类似情况：客户发来一份需求，销售觉得“以前做过差不多的项目”，但到底是哪一个项目、当时报价多少、最终毛利如何、方案哪里踩过坑，没人能马上说清。
最后只能靠老销售、老工程师一起回忆。AI 在这个场景里不是不能做，而是前提必须先把历史项目资料整理成“需求特征—方案—BOM—报价—交付结果”的链条。否则 AI 只能帮你搜文件，不能帮你判断这个项目该怎么报。
第二，技术方案：图纸有很多版，但最终依据说不清
很多企业的 CAD 图纸管理最大的问题不是丢失，而是版本混乱。同一个项目可能有初版、客户反馈版、内部修改版、最终交付版、现场变更版。文件名里写着“最终版”“最终修改版”“最终确认版”，但真正能用的是哪一份，只有经手人知道。
这种状态下做图纸识别 AI，很容易把问题推给技术。其实技术不是核心矛盾，核心矛盾是企业没有建立版本规则、审批记录和变更关系。
第三，售后服务：故障处理靠老师傅，案例没有变成知识
售后场景很适合做 AI 助手，但也是资料问题最集中暴露的地方。维修工在现场遇到设备报警，真正有价值的信息通常来自三处：说明书、历史故障案例、老师傅经验。
问题是，说明书太厚，案例不规范，经验没记录。最后售后人员还是打电话问人。企业以为自己有售后资料，其实只是有一堆文档和聊天记录，还没有形成“症状—原因—处理步骤—配件—注意事项”的知识结构。
第四，新员工培训：资料很多，但新人学不会怎么判断
制造业培训不是把资料发给新人就结束。新人真正缺的是判断路径：看到一个需求，怎么拆；看到一张图纸，先看哪里；遇到一个故障，先排查什么；客户说要改方案，哪些地方会影响成本和交期。
如果企业没有把这些判断路径整理出来，AI 做培训助手也只能变成“资料搜索框”。它能告诉新人某个制度在哪里，却不能教新人像老员工一样思考。
资料要先整理到什么程度，才适合做 AI？
我不建议制造业企业一上来就追求“大而全”的知识平台。这个目标听起来完整，但对多数中型制造企业来说，第一步没必要做得那么重。
更现实的做法，是先围绕一个高频场景，把资料整理到 AI 能回答、能追溯、能验证的程度。
- 先选一个场景，比如售后故障问答、售前报价参考、工艺文件查询。
- 把这个场景涉及的资料范围列出来，不要全公司资料一起上。
- 清理无效文件，标记最终版、作废版、待确认版。
- 统一关键字段，比如客户名称、项目编号、零件名称、设备型号、故障代码。
- 建立资料之间的关系，比如图纸对应 BOM，故障对应处理方案，报价对应项目结果。
- 设置责任人，明确谁来确认资料可信，谁来维护更新。
这一步听起来不炫，但它决定了后面的 AI 是真能用，还是只能演示。
工业 AI 落地的第一公里，不是接入大模型，而是让企业先说清：哪些资料是真的，哪些资料能用，哪些资料必须有人负责。
昕岩更建议从“资料理解”开始，而不是直接做 Agent
在昕岩的工业 AI 能力五层模型里，第一层是资料理解，后面才是知识沉淀、数据问答、流程自动化和岗位 Agent。
这个顺序不能乱。很多企业一上来就说要做销售 Agent、售后 Agent、生产 Agent，但如果资料理解这一层没做好，Agent 只会变成一个会聊天的入口，真正遇到业务问题还是答不准。
比如售后 Agent 要能回答“某型号设备出现 E17 报警怎么处理”，背后至少要有四类资料支撑：设备说明书、故障代码表、历史工单、配件更换记录。再进一步，还要知道不同批次设备是否有设计差异，不同客户现场是否有特殊工况。
这些资料如果没整理，AI 不是没答案，而是会给出一个看似合理但无法负责的答案。制造业最怕的就是这种答案：听起来像对的，现场一用就出问题。
一套可执行的资料治理起步方案是什么？
制造业企业可以先做一个 30 天的小型资料治理 POC，不要从全公司铺开，而是选一个业务部门、一个场景、一类资料。
| 阶段 | 关键动作 | 交付物 |
|---|---|---|
| 第 1 周 | 选定场景，盘点资料来源，确认业务责任人 | 资料范围清单 |
| 第 2 周 | 清理重复、过期、无法确认的文件 | 有效资料库初版 |
| 第 3 周 | 统一字段和命名规则，建立资料关联 | 字段表和关系表 |
| 第 4 周 | 接入 AI 问答或检索工具，用真实问题测试 | 测试问题集和命中结果 |
这个 POC 的验收标准也要具体。不要只看“AI 能不能回答”，而要看四个指标：能否找到正确资料，能否引用来源，能否区分版本，业务人员是否愿意继续使用。
如果这四项都过不了，继续扩大范围没有意义。先把一个小场景做扎实，比做一个没人信的大平台更有价值。
什么样的资料问题必须先停下来处理？
有些企业不是“不适合做 AI”，而是暂时不适合直接上 AI。下面几种情况，我建议先处理资料基础。
- 同一份图纸存在多个版本，但没有明确最终版。
- BOM、报价、项目编号、客户名称没有统一规则。
- 售后工单只有结果，没有故障原因和处理过程。
- 关键资料长期放在个人电脑或私人网盘里。
- 业务部门没人愿意对资料准确性负责。
这些问题不处理，AI 项目很容易变成“技术团队很努力，业务部门不敢用”。最后不是模型能力不行，而是企业自己没有把资料变成可复用的业务资产。
制造业企业应该怎么开始，而不是继续等？
真正可行的路径，不是先买一个 AI 系统，也不是先把全公司资料都整理完，而是先选一个高频场景，做一次小范围资料诊断和 POC。
比如先选售后故障问答，只整理一类设备、近两年的工单、常见故障代码和维修步骤。能在这个小场景里做到“找得到、答得准、能追溯、有人用”，再扩大到更多设备、更多部门、更多业务线。
制造业 AI 落地最怕一开始就铺大摊子。资料基础没处理好，系统越大，混乱越大。
常见问题
制造业企业做 AI 前，必须先完成全部资料整理吗？
不需要。全部整理既慢也不现实。更好的方式是先选一个高频场景，把这个场景需要的资料整理到可用程度，再用 POC 验证。比如先做售后故障问答，就不要一开始把财务、人事、采购资料都拉进来。
CAD 图纸能不能直接给 AI 识别？
可以做部分识别，但不要期待 AI 一次性理解全部设计意图。CAD 图纸识别更适合从标准件识别、图号提取、版本比对、BOM 辅助生成等局部任务开始。真正要用于业务判断，还需要图纸、BOM、工艺和项目资料之间建立关系。
微信群聊里的经验能不能变成企业知识？
能，但不能直接把群聊全部丢给 AI。正确做法是先提取高频问题，再由业务负责人确认答案，最后整理成标准问答、案例库或处理步骤。群聊可以作为素材来源，不能直接当作可信知识库。
资料治理应该由 IT 部门负责吗？
IT 部门可以负责工具和权限，但不能单独负责资料内容。制造业资料治理一定要业务部门参与，因为只有业务人员知道哪份资料可信、哪条规则有效、哪个版本能用于现场。没有业务负责人，资料治理很难长期维持。
总结
工业制造企业的 AI 落地，第一步不是买模型，而是把散落在 CAD、Excel、邮件、群聊里的资料变成可查、可信、可复用的知识。
资料没有秩序，AI 就不会有判断力。先从一个小场景开始，把资料整理到业务人员敢用，才是制造业 AI 项目真正的起点。
你可能还想知道
- 工业 AI 项目的 POC 怎么设计：从场景诊断到验证指标
- 把老员工经验沉淀为企业资产的 5 个步骤
- CAD 图纸识别 AI 能做到什么程度
- 售后工单 AI 助手怎么部署
- 工业制造 AI 项目的甲方应该准备什么