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。
| 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 。
| 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:
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。
import jsonfrom openai import OpenAI # 示意代码,可替换为任意兼容OpenAI协议的服务client = OpenAI(api_key="YOUR_KEY", base_url="YOUR_ENDPOINT")SCHEMA_HINT = {"material_code": "物料编码,必须来自主数据白名单","qty": "数量,数字","batch": "批次号,缺失填null","inbound_date": "到货日期,YYYY-MM-DD","confidence": "0~1的置信度"}def parse_inbound(text: str, material_master: list[str]):resp = client.chat.completions.create(model="small-model", # 结构化抽取优先用轻量低价模型temperature=0,response_format={"type": "json_object"},messages=[{"role": "system", "content":"你是入库单解析器,只输出JSON,不要推测,缺失字段填null。"f"字段说明:{json.dumps(SCHEMA_HINT, ensure_ascii=False)}"},{"role": "user", "content":f"物料主数据白名单:\n{material_master}\n\n邮件正文:\n{text}"}])data = json.loads(resp.choices.message.content)# 关键:模型输出必须过校验层,不允许直接写ERPif data.get("confidence", 0) < 0.9:return {"status": "manual_review", "payload": data}if data.get("material_code") not in material_master:return {"status": "manual_review", "payload": data}return {"status": "auto", "payload": data}
三条不能省的设计:
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。
同一个断点里,不同环节该用不同规格的模型:
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。
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。