为什么企业花几百万买软件,仍然没有一个产品大脑?

为什么企业花几百万买软件，仍然没有一个产品大脑？

副标题：产品元认知（三）｜从13GB资料考古，到制造业产品数字主线

今天是我们重新认识“产品”的第三天。

第一天，我们面对的是一位产品负责人留下的 13GB 资料，两千多份文件。图册、Excel、图片、尺寸图、客户项目、报价、图纸、测试记录，散落在不同文件夹里。

我们最初的想法很朴素：整理资料，提取图片，把型号和 ERP 料号串起来，做一个好用的产品资料库。

第二天，事情开始变化。

我们发现资料库只能回答“文件在哪里”，却很难回答“这究竟是什么产品”。于是，我们开始手搓一个 AI 产品知识系统，把产品族、产品平台、主型、变体、ERP 实体、证据、关系、审核和审计逐步做成可以运行的对象与服务。

到了第三天，当这些功能真正被设计出来之后，我又停了一下。

如果只是解决眼前的资料查询问题，这套系统已经可以继续往下做。但产品不是企业里某一个部门的资料，也不是某一个软件里的模块。对产品型企业来说，产品是市场、研发、工程、制造、供应链、质量、销售和经营共同工作的对象。

我们正在做的，也就不该只是一个更聪明的资料库。

它应该成为企业的产品数字主线。

一、为什么企业系统很多，产品仍然讲不清楚

过去二十多年，制造企业的数字化通常按专业领域展开。

研发需要 PLM 或 PDM。

项目需要 PPM。

审批需要 OA 或 BPM。

知识需要 KM，文档需要 DMS。

主数据需要 MDM。

客户反馈进入 CRM。

制造协同进入 MES。

现在，企业还希望增加 AI Platform。

这些系统都有自己的价值，也解决了各自领域的问题。问题出在产品横跨了所有领域，但系统边界大多按部门划分。

同一个产品，在 PLM 里可能是一套图纸和版本，在 ERP 里是一组物料和 BOM，在 CRM 里是客户需求和报价，在 MES 里是工艺路线和生产记录，在质量系统里又变成测试标准、异常和客诉。

每个系统都保存了产品的一部分。

可一旦管理者追问：“这个产品为什么这样设计？当前正式版本是什么？哪些客户正在使用？改动一个材料会影响哪些订单、工艺和成本？”答案往往仍然要靠几个人开会拼起来。

企业并不是没有数据，也不是没有系统。

它缺少的是一个能把产品在不同系统中的身份、关系、证据和变化连续串起来的认知中心。

二、传统软件为什么动辄几百万

有人会问，软件不就是几个页面、一套数据库和一些流程吗，为什么一个企业项目会做到几百万，甚至上千万？

这个问题不能简单回答成“传统软件太贵”。

企业软件真正昂贵的部分，通常不是某一个页面，也不是某几千行代码。成本来自业务调研、方案设计、产品配置、定制开发、系统集成、数据迁移、权限安全、测试验收、现场实施和长期运维。

更现实的是，当企业按部门分别建设系统，同一个产品对象会被重复定义很多次。

PLM 建一套产品结构，ERP 再建物料和 BOM，CRM 建产品与客户关系，MES 建工艺与生产版本，知识库又重新整理文档标签。之后还要花钱做接口，让这些重复建设的对象彼此同步。

软件费用里，有一部分是在购买必要的专业工程能力；另一部分，则被消耗在跨系统反复解释、重复建模和长期对账上。

接口可以传递字段，却不一定能传递含义。

当一个系统里的“型号”与另一个系统里的“产品”不是同一层级，数据即使同步成功，业务仍然可能理解错。

这才是许多企业系统越建越多，产品认知反而越来越碎的原因。

三、第一天，我们以为自己在整理资料

回到这次真实工作。

13GB 资料刚摆在面前时，它看起来像一个文件治理问题。

我们像做矿产勘探一样，先建立索引，识别重复文件，提取图片和尺寸图，再寻找型号、图号、参数、客户项目和 ERP 料号之间的线索。

这一步很像产品知识考古。

要像福尔摩斯一样，从文件名、Excel 列、图片角落和版本差异里寻找关联；也要像法医一样，不急着下结论，而是根据留下来的证据还原产品如何演变、某个设计为什么出现、某项工艺为什么被保留。

很快我们就发现，资料整理不能靠“名字相似就合并”。两个型号可能只差一个字符，看起来像同一个产品，业务上却不能合并。AI 可以给出候选，最终裁决必须有证据，也必须经过人工审核。

从这一刻开始，我们处理的就不再只是文件。

我们开始处理产品身份。

四、第二天，我们开始手搓一个AI产品知识系统

产品身份一旦建立，后面的需求自然出现了。

一个结论依据哪份图纸、哪张图片、哪个 Excel 或哪次业务确认？

一个主型下面有哪些变体，它们对应哪些 ERP 料号和客户品号？

两件资料为什么可以关联，谁确认过，什么时候发生变化？

AI 给出的匹配建议，怎样进入人工审核，而不是直接污染主数据？

为了回答这些问题，我们开始把产品知识做成正式的领域模型、数据库结构、服务和 API。

产品身份服务回答“它是谁”。

Evidence 服务保存“这个判断依据什么”。

Relationship 服务管理产品、物料、图纸、客户和其他知识对象之间的关系。

Review 服务让 AI 候选进入人工审核。

Audit 服务记录谁在什么时间作出了什么变更。

做到这一步，它已经不是把文件放进向量库、让 AI 搜索几句话的普通知识库了。它开始具备企业产品知识操作系统的基础形态。

五、第三天，我们意识到还可以再往前一步

功能设计完成后，我们重新看了一遍整套结构。

如果把它只用于交接资料整理，有点可惜。

因为产品型企业真正需要的，不只是离职以后还能找到资料，而是让产品从市场需求、概念设计、研发打样、工程验证、量产交付到客户反馈，始终拥有一条连续的数字生命线。

这就是产品数字主线（Product Digital Thread）。

它不要求企业扔掉现有 ERP、PLM、MES、CRM，也不是把所有功能重新开发一遍。

这些系统继续负责业务执行。产品数字主线负责建立共同的产品身份和认知关系，让每个系统知道自己保存的是同一个产品的哪一部分，以及这些部分如何相互影响。

当图纸发生变更，企业可以知道影响了哪些变体、BOM、工艺、库存和客户订单。

当客户提出新需求，可以回看相似产品、历史报价、材料选择、质量问题和交付表现。

当 AI 回答产品问题，它引用的不再是一堆散文档，而是有身份、有版本、有证据、有权限的产品知识。

这条主线，才是产品型企业真正需要掌握的数字底座。

六、我们准备把哪些能力放进这套底座

目前的设计可以概括为六类能力。

第一类是产品身份。

统一管理产品族、平台、主型、变体、ERP 料号、客户品号、图号和版本，解决“同物异名”和“同名异物”。

第二类是产品生命周期。

记录产品从概念、设计、打样、试产、量产、变更到退市的过程，让每个状态都有责任、依据和时间。

第三类是产品知识与证据。

把图册、图纸、参数、测试、报价、客户反馈和现场经验连接到具体产品对象。任何重要结论都能追溯来源。

第四类是协同与治理。

把审核、权限、版本、关系确认和审计纳入系统。AI 可以建议，但不能越过企业的治理边界。

第五类是系统连接。

与 ERP、PLM/PDM、MES、CRM、OA 等系统建立受控接口，避免每个新应用再次复制一套产品主数据。

第六类是 AI 产品专家。

在前五类能力之上，AI 才能可靠地做产品查询、相似产品比较、选型建议、风险提示、新品辅助设计和知识传承。

顺序很重要。

没有产品身份、证据和治理，AI 越聪明，回答得越像真的，风险反而越大。

七、新技术让什么变得可能

过去要建设这样一套跨领域系统，企业往往需要分别采购多个软件，再组织顾问、架构、开发、测试和实施团队做集成。投入大，周期长，而且每一次需求变化都要重新协调多个供应商。

今天，AI 改变了软件的生产方式。

行业专家可以直接参与领域建模，把多年经验转成对象、关系和规则；AI 软件工厂可以协助完成文档、代码、测试和工程整理；成熟的开源数据库、接口框架和部署工具，又提供了可靠的技术底座。

这并不意味着企业软件从此没有成本。

安全、性能、数据迁移、现场实施和长期运维仍然需要专业投入。真正被显著压缩的，是认知层层转述的损失、重复功能开发的浪费，以及为了连接重复对象而不断增加的接口成本。

过去，企业往往先购买一个标准系统，再花很长时间让业务适应软件。

现在，我们有机会先建立自己的产品模型和治理规则，再选择购买、连接或开发哪些能力。

主动权开始回到企业手里。

八、它能给产品型企业带来什么

最直接的价值，是产品不再散落在部门和系统里。

新品开发时，可以快速找到相似产品、可复用结构、历史风险和现有供应能力。

工程变更时，可以提前识别对 BOM、工艺、库存、订单和客户承诺的影响。

人员交接时，企业保留下来的不只是文件，还有产品为什么这样做的证据和判断过程。

采购新软件时，也不必让每个平台重新定义一遍产品。系统可以外采，企业自己的产品身份和知识主线不再外包。

长期看，这会减少重复建设，降低集成复杂度，让 AI 真正进入产品设计、制造和经营现场。

但我更看重另一点：企业终于可以开始积累自己的产品认知。

设备会折旧，软件会换代，人员会流动。产品如何被理解、如何被设计、如何稳定制造并被客户接受，这些知识才是产品型企业持续经营的底子。

九、我们不是要再买一个系统

这三天的认知变化，现在已经很清楚。

第一天，我们想做一个产品资料库。

第二天，我们开始构建产品知识操作系统。

第三天，我们确认了更长远的方向：以产品为主索引，建立贯穿企业的产品数字主线，再让 AI 在这条主线上工作。

这不是把 PLM、ERP、MES、CRM 的功能全部重做一次。

恰恰相反，我们要减少重复建设。已有系统负责执行，新底座负责统一身份、连接证据、治理关系和承载产品认知。

企业可以继续采购成熟软件，也可以按需要自建关键能力。无论技术和供应商怎样变化，产品知识仍然掌握在企业自己手里。

结语：从资料矿山里，挖出企业自己的产品大脑

三天前，我们面对的是 13GB 文件。

今天，我们看到的是另一件东西：一家制造企业散落多年的产品记忆，以及把这些记忆重新变成组织能力的可能。

这项工作需要一点福尔摩斯式的耐心，也需要法医式的证据意识。最后，还要用架构师的方法，把线索还原成对象，把对象连接成关系，把关系沉淀成系统。

AI 让这件事第一次可以由更小的团队、更短的反馈周期来完成。

真正决定质量的，仍然是人对产品的理解，以及企业是否愿意把这种理解变成自己的数字资产。

我们写这个程序，就是从这里开始的。

不是为了再增加一套软件，而是为了让产品型企业最重要的知识，终于拥有一条能够持续生长的数字主线。