制造业老系统怎么接 AI：不换 ERP，先从报表和工单开始

制造业谈 AI，最容易卡在一句话上：

“我们的系统太老了。”

ERP 跑了十年，MES 是几年前外包做的，仓库系统和设备台账各管各的，生产报表还在 Excel 里拼。你想接 AI，供应商往往会说：先上新平台，先做数据中台，先把系统 重构一遍。

听起来正确，落地很重。

对大多数制造企业来说，真正可行的第一步不是换 ERP，也不是重做 MES，而是选两个 最容易见效的入口：

报表和工单。

为什么制造业更难“直接上 AI”

制造企业的信息系统通常有三个特点。

第一，系统多。

销售订单在 ERP，生产计划在 MES，库存和出入库在 WMS，设备维修在工单系统，质检 数据可能在 Excel 或独立工具里。一个问题的答案，经常要跨三四个系统。

第二，系统老。

很多系统是多年以前按当时流程定制的。能跑，但没人敢大改。接口不完整，字段命名 混乱，文档早就过期。

第三，流程重。

制造业的每一步都牵涉真实成本：停线、返工、库存积压、交期延误、设备故障、质量 异常。AI 不能像个人工具那样随便试错。

所以制造业接 AI，不能一开始就追求“全自动智能工厂”。那会太大，也太危险。

更好的路线是：先让 AI 在现有数据上帮人看得更快、查得更准、提醒得更及时。

第一个入口：报表，不是为了更好看，而是为了更快问问题

很多制造企业每天都在做报表：

• 订单交付情况；
• 库存周转；
• 生产计划达成率；
• 设备停机时间；
• 不良率；
• 工单关闭率；
• 采购到货异常。

这些报表通常有两个问题。

第一，太慢。数据要导出、清洗、合并、再做透视表。等报表出来，问题已经发生好几天。

第二，只能回答固定问题。老板问“为什么这个客户的订单又延期了”，报表往往只能 显示延期，却不能顺着订单、库存、生产和采购继续追问。

AI 接入制造业报表的第一价值，不是生成漂亮图表，而是让管理者能自然语言追问：

“这周延期订单主要卡在哪个环节？”

“哪些物料库存低于安全线，但未来两周有生产需求？”

“过去 30 天停机最多的设备是哪几台，原因是什么？”

“哪些供应商的到货延迟正在影响生产计划？”

这些问题不是简单聊天。AI 需要在权限之下查询 ERP、MES、WMS 或工单数据，把结果 聚合起来，再给出解释。

这一步可以完全只读，不改任何生产系统，却能立刻提升管理效率。

第二个入口：工单，因为它连接了现场问题和管理动作

制造业的工单非常适合做 AI 试点。

因为工单天然有结构：

• 谁提交；
• 哪台设备；
• 什么问题；
• 严重程度；
• 当前状态；
• 负责人；
• 处理记录；
• 关闭原因；
• 是否影响生产。

AI 在工单上的第一批能力很实用：

• 自动总结设备历史故障；
• 识别重复发生的问题；
• 根据描述推荐故障分类；
• 找出超时未处理工单；
• 汇总某条产线的高频异常；
• 帮主管生成维修周报；
• 从历史记录里找相似案例。

这些能力不像“预测性维护”那么遥远。只要有工单数据，就能先做。

而且工单比 ERP 核心数据风险低。第一阶段让 AI 只读工单、总结问题、提醒超时， 通常更容易通过内部审批。

第三步才是自动化，不要一开始就让 AI 改生产系统

制造业最怕系统乱动。

所以 AI 接入时，自动化一定要分层：

第一层，只读分析。

AI 查询报表、总结工单、识别异常，不写入系统。

第二层，建议动作。

AI 建议升级某个工单、提醒某个负责人、关注某个供应商，但需要人确认。

第三层，低风险自动化。

例如设备故障工单超过 4 小时未响应，自动提醒主管；同类问题 7 天内重复出现 3 次， 自动标记为复发风险；备件库存低于阈值，自动生成采购建议。

第四层，高风险审批。

涉及生产计划调整、采购下单、库存锁定、客户交期承诺、设备停机等动作，必须有人 确认和审计。

这条路径听起来保守，但它更适合制造业。现场系统不是演示环境，稳比炫重要。

不换 ERP，怎么让 AI 读懂 ERP？

很多人以为接 AI 必须先换系统。其实不一定。

更轻的做法是：连接现有 ERP 或数据库，把关键数据建模成 AI 能理解的对象。

比如先建这些对象：

• 销售订单；
• 生产订单；
• 物料；
• 库存；
• 采购订单；
• 供应商；
• 设备；
• 工单；
• 质检记录。

对象建好以后，AI 不需要直接面对一堆表名和字段名。它看到的是“订单、物料、库存、 工单、设备”这些业务概念，以及它们之间的关系。

同时，权限也要跟上：

• 车间主管只能看本车间；
• 采购只能看供应商和采购数据；
• 销售不能看敏感成本字段；
• 老板可以看汇总；
• AI 不能越过用户本人的权限。

这一步做好，AI 才能进入真实制造业务，而不是停留在文件问答和报表截图分析。

一个务实的 30 天试点

如果一家制造企业想 30 天内验证 AI 价值，可以这样做：

第 1 周：选场景。

不要全厂铺开。选一个报表场景和一个工单场景。例如“延期订单分析”和“设备维修 工单总结”。

第 2 周：连接数据。

连接 ERP/MES/WMS/工单系统中的必要表或 API。只读连接即可。

第 3 周：建模对象。

把订单、物料、库存、设备、工单这些对象建出来，补上字段含义、关系和权限。

第 4 周：上线只读 AI 助手。

让管理者用自然语言问报表，让设备主管查询工单和历史故障。先不写入生产系统。

如果第一个月能减少报表整理时间、缩短异常定位时间、让主管更早发现问题，这个 试点就已经有价值。

之后再讨论自动提醒、自动升级、自动生成任务，而不是一开始就把目标定成“AI 自动 排产”。

制造业 AI 落地的关键，不是模型，而是边界

制造企业最需要的不是一个会说漂亮话的 AI。

它需要的是一个知道自己能看什么、不能看什么，能查哪些数据、不能改哪些数据， 每一步都有审计的 AI。

所以制造业接 AI，有几条底线：

• 数据先只读；
• 权限继承现有系统；
• 高风险动作必须确认；
• 关键操作必须审计；
• 不要求业务系统一次性迁移；
• 从报表和工单切入，而不是从核心交易写入开始。

这条路线不花哨，但更容易落地。

ObjectOS 的做法：给老系统加一层 AI 能读懂的业务结构

ObjectOS 的目标不是让制造企业推倒重来。

ERP、MES、WMS、工单系统都已经在跑，里面有真实业务和多年数据。更务实的方式，是 把这些系统连接起来，把关键表和 API 建模成对象，再让 AI 在权限之下查询、分析、 建议和触发低风险流程。

这相当于给老系统加了一层 AI 能读懂的业务结构。

老系统继续跑，数据不搬家，AI 先从报表和工单开始，逐步进入生产、供应链和设备 管理。

制造业的 AI 不必从宏大的“智能工厂”开始。

它可以从一个很具体的问题开始：

“这周哪些订单会延期，原因是什么？”

再从另一个问题继续：

“哪些设备故障正在重复发生，应该先处理哪几个？”

能把这些问题答好，AI 就已经开始进入业务现场了。