AI不"知道"企业情况。它只分析企业提供的数据。

这句话背后，是一个被普遍低估的前提：AI的分析质量，上限由数据质量决定。数据错了，AI不会自动纠正，只会把错误放大。

库存的例子

系统显示门店A库存100件，实际仓库只有40件。

AI的判断：库存充足，无需补货。结果：门店缺货，销售损失，客户投诉。

AI没有错。它分析的是系统的伪数据，不是仓库现实。

预测的例子

历史销售：100、110、120、130。AI预测5月135件，逻辑合理。

但如果2月的110其实是录入错误，实际是70，整个增长趋势都是假的。AI不会知道哪个数字是错的，它只会顺着错误的趋势继续外推。

制造业的例子

Routing标准工时录入1分钟，实际是3分钟。

AI做Capacity Planning，得出一天可产480件。实际产能只有160件。

APS排产、MRP运算、CM25分析、交期承诺，全部建立在这个错误工时上，全部失真。AI不会质疑Routing，它只会执行。

这就是为什么Master Data检查值得做

Routing检查、BOM检查、Work Center检查、Master Data治理，很多人当作基础性、事务性工作。

实际上，这些工作决定了未来AI能否在企业真正落地。没有准确的主数据，AI的预测、优化、模拟都建立在流沙上。

企业需要的层次结构

战略 ↑ AI（预测、优化、模拟） ↑ 业务流程（系统Process） ↑ 数据治理（Data Governance） ↑ 主数据（Master Data）

主数据是地基。数据治理是维护地基长期稳定的机制。业务流程是数据持续产生和更新的运行体系。AI建立在这三层之上，负责分析与建议。企业战略用AI的洞察做最终决策。

任何一层地基不稳，上层都会失真。

数字化解决"数据有没有、流程通不通"；数据治理解决"数据准不准、能不能信"；AI解决"如何把可信数据转化为决策"。

没有前两层，AI创造的价值不可持续。