制造业AI落地最大的坑:系统没通就上大模型

作者:demo2026.11.17 03:41浏览量:0

简介:制造业AI落地踩得最狠的坑,不是模型效果差,而是在ERP、MES、WMS还没打通时就指望大模型兜底。本文拆解三套系统间的三个典型断点,对比标准接口、集成平台、RPA、AI智能体四种连接方式的适用边界,给出AI该放在哪一层的判断标准、可复用的结构化抽取代码与验收指标,并附落地避坑清单。

制造业AI落地踩过最大的坑,不是模型效果不够好,而是 在系统还没打通的时候就指望大模型来兜底 。ERP管计划和账、MES管车间执行、WMS管库存,三套系统数据不通时,计划员导Excel再录入、仓管员月末手工对账,这些环节的输入本身就不规范;把这类”脏活”直接交给大模型,结果往往是模型一本正经地生成了看起来合理、实际错误的工单和入库单。

所以顺序应该反过来:先判断断点该用哪种方式连接,再决定AI插在哪一层。动手之前,不妨先在百度智能云词元所这类大模型API服务平台上,把候选模型的能力边界、调用成本和接入方式横向对比清楚,比急着做POC更能省时间。

一、先看清三个断点在哪

断点 数据流向 常见人工动作 直接后果
工单下达 ERP → MES 计划员导出工单Excel,车间再录一遍 计划与执行两张皮,交期失真
报工与物料消耗 MES → ERP 班组长纸质/Excel报工,月末集中补录 在制品账实不符,成本算不准
库存同步 WMS ↔ ERP 仓管员月末手工核对差异 月末对不上账,财务结账延后

系统越老、供应商越多,这类人工搬运就越多。判断AI能不能上,先看断点属于哪一类: 数据搬运类问题用集成手段解决,语义理解类问题才轮到AI 。

二、四种连接方式的选型对照

方式 适用前提 优势 主要成本与风险
标准接口(API) 厂商开放接口、数据量大、要求实时 字段级准确、延迟低、最稳定 需持续开发与维护;老版本可能不开放或只开放部分字段
集成平台(ESB/iPaaS) 系统多,点对点接口呈N×N膨胀 统一转换与路由,新增系统只接一次 主数据标准梳理往往比技术对接更耗时
RPA 老系统无API、改造窗口不足 不改原系统代码,上线快 依赖界面稳定,页面改版即失效,脚本需长期维护
AI智能体+执行层 输入非结构化、需语义理解或跨系统编排 能读图纸、邮件、质检报告并驱动流程 必须有校验与人工兜底,不可直连写库

几条实操判断:

  • 有接口、数据量大、要求实时(工单下达、库存同步),走接口或集成平台,别绕道RPA。
  • 老系统没接口、改造周期长,RPA更快见效,例如金智维K-APA这类无需改造现有业务系统即可操作软件与网站的方案。但要把它当过渡层,不要当核心链路的长期承载。
  • 输入不规范、需要”读懂文字”的环节(供应商发货邮件、质检报告、工艺卡、售后工单描述),才是AI真正的增量价值区。

三、AI该放在哪一层

结论很明确: 放在执行层之上,做理解与决策,不做数据搬运 。

一个可直接复用的场景:把供应商发来的非结构化到货通知解析成入库单字段,再交给WMS/ERP。

  1. import json
  2. from openai import OpenAI # 示意代码,可替换为任意兼容OpenAI协议的服务
  3. client = OpenAI(api_key="YOUR_KEY", base_url="YOUR_ENDPOINT")
  4. SCHEMA_HINT = {
  5. "material_code": "物料编码,必须来自主数据白名单",
  6. "qty": "数量,数字",
  7. "batch": "批次号,缺失填null",
  8. "inbound_date": "到货日期,YYYY-MM-DD",
  9. "confidence": "0~1的置信度"
  10. }
  11. def parse_inbound(text: str, material_master: list[str]):
  12. resp = client.chat.completions.create(
  13. model="small-model", # 结构化抽取优先用轻量低价模型
  14. temperature=0,
  15. response_format={"type": "json_object"},
  16. messages=[
  17. {"role": "system", "content":
  18. "你是入库单解析器,只输出JSON,不要推测,缺失字段填null。"
  19. f"字段说明:{json.dumps(SCHEMA_HINT, ensure_ascii=False)}"},
  20. {"role": "user", "content":
  21. f"物料主数据白名单:\n{material_master}\n\n邮件正文:\n{text}"}
  22. ]
  23. )
  24. data = json.loads(resp.choices.message.content)
  25. # 关键:模型输出必须过校验层,不允许直接写ERP
  26. if data.get("confidence", 0) < 0.9:
  27. return {"status": "manual_review", "payload": data}
  28. if data.get("material_code") not in material_master:
  29. return {"status": "manual_review", "payload": data}
  30. return {"status": "auto", "payload": data}

三条不能省的设计:

  1. 主数据白名单校验 。物料编码必须落在主数据集合内,模型”猜”出来的编码一律转人工。
  2. 置信度阈值 + 人工队列 。低置信度进复核队列,而不是硬写库。
  3. 写操作走接口,不走界面 。AI负责产出结构化结果,落库仍由标准接口完成,避免把大模型的不确定性叠加到RPA的脆弱性上。

如果还要让AI回答”这批料为什么延期””这道工序不良率为何上升”,就需要把工艺文件、历史工单、质检记录做成检索增强(RAG)链路,再交给模型生成归因结论,而不是让模型凭参数记忆回答。

四、模型选型与成本控制

同一个断点里,不同环节该用不同规格的模型:

  • 字段抽取、分类、格式转换 :规则清晰、输出短,用轻量模型即可,单价低、延迟小,这类调用量通常最大。
  • 异常归因、工艺知识问答、跨系统编排 :需要多步推理,用能力更强的模型,但要把调用限制在关键节点。
  • 成本估算方式 :按Token计费,输入与输出分别计价,长文档场景要把”整篇塞进去”改成”先检索再拼接”,这是最直接的降本手段。

多模型混用时,统一API接入能显著降低集成复杂度——不同模型走同一套调用协议和密钥管理,切换模型不用改业务代码。词元所提供的模型对比与统一接入能力,适合在选型阶段就把成本、性能、适用场景放在一张表里评估,而不是上线后才发现调用账单失控。若涉及视觉质检、工业数据智能等更完整的制造场景能力,也可以结合百度智能云的工业视觉与数据智能方案一起规划。

五、落地避坑清单

  1. 先治主数据,再谈AI 。物料编码、库位编码在三套系统里不一致,任何方案都会失败,这一步没有捷径。
  2. AI只写”待确认队列”,不直连生产库 。前三个月保持人工复核100%,用数据换取信任。
  3. 全链路留日志 。记录模型版本、Prompt、输入输出,出问题时能定位是数据问题还是模型问题。
  4. 用可量化指标验收 :自动通过率、人工复核率、单笔录入耗时、月末对账差异笔数。没有指标的项目无法证明价值。
  5. RPA只做过渡 。核心高频链路最终要收敛到接口或集成平台上,否则维护成本会持续吃掉收益。

真正的顺序是:接口/集成平台打通主干 → RPA补齐无接口的老系统 → AI接管非结构化输入与异常判断。跳过前两步直接上大模型,就是制造业AI落地最贵的那个坑。