在制造企业的数字化会议室里，“上AI”几乎成了标准动作。但一个尴尬的现实是：大模型接了、算法团队招了、算力也堆了，车间里的排产表却依然靠老师傅拍板，成本波动还是事后半个月才看得清。
问题到底出在哪？
一、旧IT架构的“烟囱效应”，比算法差距更致命
过去十几年，工厂陆续上线了ERP管资源、MES管执行、WMS管仓储、QMS管质量。这些系统大多分阶段采购、来自不同厂商、基于异构技术栈，天然就是几座“数据烟囱”。
工单状态在MES里更新了，ERP里的在制品成本还没同步；仓库实物移了库，财务账要等第二天人工倒表；同一笔工单在三套系统里有三个版本。系统间靠定制接口传数、靠人肉导出Excel“对话”——数据口径不一、时效滞后、甚至互相矛盾。这不是个例，而是绝大多数制造企业IT现状的常态。
二、“外挂式AI”为什么走不进真实业务
在这种架构上叠加AI，本质上是在沙子上盖楼。
你让模型做智能排产，它拿不到实时的设备OEE和物料齐套率；你让它做质量追溯，它看到的检验数据和生产批次对不上号。碎片化、T+1、多版本的数据喂进去，出来的只能是“统计报表的另一种说法”，而非可执行的业务决策。工业场景容错率极低——算错一个交期就是赔钱，算偏一个投料比就是报废。底座不牢，AI就只能停留在POC演示里。
GIGO（Garbage In, Garbage Out）在工业领域没有例外。
三、破局路径：从“系统堆叠+AI补丁”到AI原生一体化底座
真正让AI跑通制造业，不是再买一个AI工具挂在旧架构上，而是倒过来想：先让业务数据在同一个模型里自然流淌，再让智能内生其中。
落到架构层面，需要三件事：
统一主数据与业务对象：一套物料、一套BOM、一套工单贯穿计划—生产—仓储—质量—核算，消灭跨系统“翻译损耗”；
全链路实时贯通：业务动作即数据写入，不再有“导出来再导进去”的断点；
内生式智能嵌入：AI不是外挂一个问答框，而是下单时自动算交期、报工时实时反算成本、异常时主动推调整方案。
四、架构先行，智能才有落脚点
这也是越来越多制造企业开始重新审视IT底座的原因——从“先上系统、再接数据、最后挂AI”的旧路径，转向以统一底座承载全栈业务的思路。
以美武软件Domax的实践来看，其将ERP、WMS、MES、QMS、MOM构建于同一套数字底座之上，业务数据在产生的一瞬间就对全局可见、可用、可算。在此基础上叠加的内生AI，读的是“正在发生的生产”，而不是“昨天导出来的表格”，才能支撑从排产优化到经营分析的端到端决策闭环。
制造企业的数智化转型，技术选型从来不是第一道坎。先把散落在各系统的数据接回同一条河里，让底座干净、实时、一致，AI才有资格谈“赋能”。 否则，再强的模型，面对的也只是一座翻不过去的数据孤岛。
