AI落地第一步不是买软件,是把你厂里最脏的那份数据洗干净

同一个AI，在别人厂里是老师傅，在你厂里答非所问——差的不是模型，是数据。

上个月，一位老板跟同行说自己厂里上了AI，同行很感兴趣，当场让他演示：问一句"上个月哪款产品最不赚钱"。

结果AI给出一个数字，跟实际情况差了十万八千里——那款最赚钱的产品，被它列成了最不赚钱。会议室当场安静，这位老板后来说："从那以后，厂里再没人主动用那个东西了。"

问题出在AI身上吗？不是。问题出在喂给它的数据上——它不是算错了，是照着错的数据算对了。

这也是所有AI项目翻车的第一原因：老板们以为买的是"聪明"，其实买的是"放大器"。输入是干净的，它放大效率；输入是脏的，它放大错误。

一、先接受一个不那么好听的判断

通用大模型很聪明，但它不知道你厂里的事。它不知道你们叫"3号料"，它只知道你告诉它的东西。

所以"接上你数据的AI"和"什么都能聊的AI"，差别不在于聪明程度，而在于你喂给它的那口粮。

而现实是，多数中小工厂的业务数据，用心率很高、用干净率很低。数据乱，没人知道乱在哪、有多乱，直到AI把它们全部翻出来，摆在会议室里。

二、中小企业最脏的三处数据（几乎家家都有）

第一处：物料编码——一物多码，一码多物。同一个螺丝，采购叫它"不锈钢螺丝M6"，仓库叫它"M6-304"，车间叫它"6号小螺丝"。系统里是三个物料，仓库里是一箱货。AI查库存，给你三个数字，你信哪个？

第二处：物料清单——版本不清、改料不记。同一个产品，有工艺给的版本、车间顺手改的版本、客户要求变更后的版本。改了什么、什么时候改的、影响哪批货，没人说得清。AI按BOM算成本，算出来的数只能骗自己。

第三处：历史检验记录——不合格品的数据是空的。合格的数据记得挺全，不合格的原因、处理方式、返工结果，往往一行字带过，或者干脆没录。结果就是AI永远不知道你厂里"最常出问题的是什么"——因为最该被记录的那部分，恰恰没人记。

三、别想着全厂推倒重来

一听到"洗数据"，很多推动者的第一反应是：立项、抽人、全厂盘点，三个月起步。

这恰恰是最容易失败的做法： 时间太长、得罪人太多、业务一忙就停、停了就再也没人提。

正确的做法是反过来的：只洗你要用的那一个场景的数据。

你要先上"一句话查库存"，那就只洗物料的编码和名称，别的一概不管；你要先上"一键出审厂资料"，那就先把检验记录和批次追溯的口径统一，其他表格先放着。

一个场景，一次洗一处的数据，两周能看到效果。 这才是小厂能走通的路——因为它的目标是先跑通一件事，而不是先把全厂变成理想状态。

四、最小的三个动作，今天就能开始

动作一：先定一份"唯一"的编码规则，然后停掉所有旧叫法。不用多完美，只要一条：一个东西，只有一个名字，全厂都用它。 采购单、入库单、报工单、检验单上写错名字的，一律退回重填。三个月的痛，换后面三年的清。

动作二：把最近三个月的领料单和入库单，抽十张出来对一遍账。不用全查。十张里对不上的超过三张，说明你的库存数据不能用，先解决它，别急着上AI。

动作三：从今天起，"不合格"必须填原因。哪怕只填一句话。你未来AI最值钱的能力，来自于你今天最不想填的那个字段。

五、三个问题，自测你的数据能不能上AI

1.同一个物料，采购、仓库、车间叫的名字一样吗？

2.你想查的指标（库存、良率、成本），系统里的数和实际情况差多少？你敢报给客户吗？

3.出了不合格品，原因记录是完整的，还是只有一句"不行"？

三个都是"是"，你可以直接上AI；有一个"不是"，请先把这一处洗掉——否则你花在AI上的钱，会变成给它纠错的钱。

最后

这条路的顺序从来不是"买AI→用AI→发现问题→回头洗数据"，而是：

顺序反了，几十万买回来的就是个演示玩具；顺序对了，哪怕只是通用工具，也能马上替你干活。

如果你发现自家卡在最前面——编码一物多码、库存账实不符——那就是先把业务流程和数据规范立起来的问题，不是AI的问题。回复 “诊断”，说说你家现在怎么编码、怎么对账，我们给你一句直接的判断：先补数据，还是可以先上AI。