老张的厂八十多号人，做精密五金件。三年前上了 ERP，去年又咬牙把 MES 也铺了，车间报工、工单流转、质检记录全进了系统。账面上数字化做得不差。可上个月底，他还是在办公室拍了桌子——客户那张大单延期了，等他知道的时候，货期只剩两天。系统里其实早有信号：那道关键工序的工单堆了一周没动，呆滞料挤占了产能。数据明明都在系统里，可没人、也没东西主动告诉他。
这就是今天很多制造业老板的处境：ERP/MES 上了，数据有了底子，可一被问「工厂要不要再上 AI」，心里直打鼓——是真能干活，还是又买个会聊天的玩具？
这篇不聊概念。我们只回答一个问题：工厂已经有了 ERP/MES，AI 还能再做什么、而且这笔钱能不能算回来。
一、制造业的 AI 怎么用？不是聊天机器人，是接数据去干活
判断一个制造业 AI 方案是噱头还是真能干活，不用懂技术，只要用 3 句话自查，3 个都答得上才是落地。 这 3 句话不涉及任何技术名词，老板自己就能问、能判断，比听一堆 demo 演示更靠谱。
判断一个 AI 方案是噱头还是干活，不用懂技术，问这 3 句话就够：
- 它接不接我自己的系统数据？ 不接你 ERP/MES 的，再能聊也只是通用模型，它不知道你哪条线在亏。
- 它给的结果我能不能直接拿去做决策或动作？ 能拿去拍板、能触发一个动作（比如建一个待办、发个预警），才叫出结果。
- 出错了能不能追溯到是哪条数据？ 能追溯，说明它真在查你的数据；追溯不了，多半是它在「编」。
这 3 个问题的判定口诀很简单：3 个都答得上是落地，有 1 个答不上多半就是演示。 一个真能干活的制造业 AI，必须同时通过这 3 道关，缺一道都说明它没真正碰到你的业务数据。
所以制造业的 AI，干的不是「陪老板聊天」，是这么一条链路：把 AI 接到你自己的 ERP / MES / BI / 采购 / 应收数据上 → 让它能按你的口径查、按你的逻辑算 → 主动盯你关心的指标、出能用的结果。 这件事和「上不上一个大模型」无关，关键在于愿不愿意把 AI 接进你自己的业务系统里。下面 6 个场景，都是围着这条链路展开的，每个场景都会给出「接哪些数据、出什么结果、怎么算 ROI」三件套。
二、ERP 数据 AI 问数怎么用？老板用大白话问，AI 直接查系统给答案（场景 1）
ERP 数据 AI 问数是 6 个场景里使用频次最高、也最容易算回成本的一个：把 AI 接到 ERP/BI 后，老板每天随手问的十几个经营问题，从原来「等人拉表大半天」压缩到现场几十秒出数。 这是高频、也容易算账的一个场景，多数工厂都把它当作单点落地的首选。
老板心里随时有十几个问题：这个月哪条产线毛利最低？上季度哪个客户的退货率在涨？某个料号的采购单价是不是比上半年贵了？过去要回答这一类问题，得让财务或运营专门去 ERP/BI 里拉数、透视、做表，一个问题一来一回往往要耗大半天，一周下来问得多了下面人都怕你。
经营问数做的事：把 AI 接到 ERP/BI，你用大白话问，它直接去查真实数据、按你的口径算，给数字给结论。 不是给你一段话，而是给你「A 线本月毛利 11%，是 3 条线里最低，主因是某料号采购价环比涨了、且废品率偏高」这种能直接拍板的答案（这里的 11% 仅为示例格式，不是任何具体客户的真实数据）。
经营问数能直接拿去开会拍板的，是这 3 类答案：
- 现场出数：随口问「本月哪条线毛利最低」，几十秒内回数字、回排名、回主因，不用再等几张经营表拉齐。
- 隐性亏损识别：把被平均数盖过去的「看着赚钱、扣掉返工外协其实微亏」的产线单独拎出来。
- 口径统一：所有人问的是同一套数据、同一个口径，省掉开会时「你这个数和我那个数对不上」的扯皮。
以下为客户授权口径的脱敏案例。某 200 人规模的金属加工企业，老板原本每周要等运营把六七张经营表拉齐才能开经营会，常常数据口径还各说各话。把 AI 接进 ERP 和 BI 做问数后，开会时直接现场问、现场出数，原来花在「拉数、对口径」上的工时省下大半，更要紧的是发现一条一直以为赚钱的产线，扣掉返工和外协后其实是微亏——这种洞察，靠人工月报很容易被平均数盖过去。
这件事的逻辑，和我们在 AI Agent 怎么帮你盯紧业务 里讲的「让 AI 真去操作系统、出结果」是同一套路，只不过这里盯的是经营数据。
三、交期排产预警怎么做？AI 提前盯住可能延期的单（场景 2）
交期排产预警就是用 AI 持续比对「订单交期 vs 工序进度 vs 剩余产能」，把有延期风险的单提前数天挑出来报警——一次大单延期的损失常在几万到几十万级别，AI 一年哪怕只拦下 1-2 次，投入就回本。 这正是开头老张踩的那个坑：那道关键工序的工单堆了一周没动，系统里早有信号，却没人、也没东西主动告诉他。
订单的交期、工序进度、产能负荷，数据全在 ERP/MES 里，但靠人盯，一个生产主管盯得过来的就那么几张大单，剩下几十上百张全靠运气。等到客户来催，往往已经晚了，留给补救的常常只剩一两天。
交期预警做的事：AI 持续比对「订单交期 vs 当前工序进度 vs 剩余产能」，把有延期风险的单提前挑出来报警，并指出卡在哪道工序。 让你从「事后救火」变成「提前调度」。
交期预警这一个场景能不能省回成本，账很好算，3 个数对一下就清楚：
- 单次损失量级：一次大单延期的赔偿或客户流失，往往就是几万到几十万级别的损失（行业公开区间，不针对任何具体报价）。
- 拦截频次：AI 哪怕一年只帮你拦下 1-2 次延期，省下的损失就足以覆盖这一个场景的投入。
- 盯单覆盖面：从人工只盯得住几张大单，扩到系统 7×24 盯住全部在产订单，不再靠运气。
四、生产数据 AI 分析能找出什么？把质检/设备数据交给 AI 找规律（场景 3）
生产数据 AI 分析做的是质量「治本」：让 AI 啃天天在录、却 90% 只用于「合格/不合格」判定的质检和设备数据，从 4 个维度（设备、班次、料批、工序）里定位出高频不良的集中点。 质检数据天天在录，可大多数厂只用它做「合格/不合格」的判定，录完就躺在系统里。背后的规律——哪台设备、哪个班次、哪个料批、哪道工序更容易出不良——这 4 类维度少有人有空去交叉翻。
质量分析做的事：让 AI 啃质检和设备数据，找出高频不良的集中点，定位到「是某台机的某个参数」还是「某供应商某批料」。 把老师傅多年积累的经验，变成数据能指出来、能复核的事实。
质量异常分析能帮你把模糊的「感觉某处出问题」收敛成 2 类明确根因：
- 设备/参数维度：定位到是某台机的某个具体参数漂移导致的批量不良，而不是泛泛地说「这台机不太行」。
- 物料/供应商维度：定位到是某供应商的某批来料导致的集中不良，给后续索赔和换供应商留下数据依据。
这件事的价值在于「治本」：找到 1 个高频不良的根因并堵住，省下的是持续发生的返工料、返工工时和客诉，是会按月反复出现的成本，而不是一次性的。
五、呆滞料库存管理 AI 怎么做？呆滞料、安全库存、采购价异常（场景 4）
呆滞料库存管理 AI 在采购与库存环节同时盯 3 件事——呆滞料预警、安全库存建议、采购价异常提醒，目标是把制造业压钱最厉害的库存里那笔「沉默的亏损」主动揪出来。 库存是制造业压钱厉害的地方，呆滞料更是「沉默的亏损」——它不报警，只是静静占着仓位和现金，往往要等到一年一次盘点才被发现。
这个场景 AI 能接 3 件事：
- 呆滞料预警：盯住长期不动、临期、超储的料，按金额排序主动列出来让你处置，别等盘点才发现。
- 安全库存建议：结合历史用量和交期波动，给出更贴合实际的安全库存线，少压钱又少断料。
- 采购价异常提醒：同一料号采购价异常上涨、或不同供应商报价差异过大，自动标出来。
以下为客户授权口径的脱敏案例。某 150 人左右的零部件制造企业，仓库里积着不少几年前的呆滞料，财务每次盘点都肉疼但说不清责任。AI 接进进销存后，把呆滞和临期料按金额排序主动推送，半年内陆续清掉一批百万级别占用的库存，释放出来的现金对一个中小厂的周转不是小数。
六、应收对账与回款预警怎么自动化？委外加工费自动核对（场景 5）
应收与对账场景帮制造业堵住 2 个最容易漏钱的口子——应收回款和外协/委外加工费，靠的是 AI 7×24 不会忘、不会累地盯账期、比对账单。 制造业这 2 块容易漏钱：应收回款，和外协/委外加工费，往往一笔出错就是几万到几十万级别的金额。
回款这块，账期到了没人专门盯，等想起来对方又拖一轮。AI 做的是回款预警：临近账期、已逾期的应收主动提醒到对应的人，该催的别忘催，把回款从「靠人想起来」变成「系统按天提醒」。
委外加工费更隐蔽：发出去多少件、回来多少件、按什么单价结、对方报多少，靠人核对又烦又容易放水。AI 做的是自动核对：拿你的委外台账去比对方的对账单，数量、单价、金额这 3 项对不上的直接标红。
把「靠人记、靠人盯」的活，交给一个不会忘、不会累的 AI——1 笔委外费核对出的差错、1 笔本要烂掉的应收被及时催回，省下的可能就是几万到几十万级别（行业公开区间，不针对任何具体报价）。
七、报表自动化能省多少人天？把人工拉数做月报的活交给 AI（场景 6）
报表自动化把每月固定的日报/周报/月报从「几拨人各拉各的数、忙 2-3 天」压缩成 AI 到点自动取数、人只做审核点评，每月省下的就是数个人天的拉数工时。 月底最折磨人的活，正是财务、运营、生产几拨人各拉各的数，拼成一份月报，口径还经常打架——一份像样的经营月报，几个人忙 2-3 天是常事。
报表自动化做的事：把固定的日报/周报/月报模板交给 AI，到点自动从各系统取数、按统一口径生成，人只做审核和点评。 把人从「搬数据」里解放出来，去做真正该人做的判断。
这事和我们在 企业 AI 成本怎么不失控 里强调的一致：AI 要落在「重复、耗时、靠人脑算」这 3 类活上，回报才看得见，而月报恰好 3 个特征全占。
八、6 个制造业 AI 落地场景怎么对比着挑？一张「能算账」对照表
把 6 个制造业 AI 落地场景按「接哪些数据、出什么结果、怎么算 ROI」3 列摆在一张表里横向对比，是挑首个落地场景最快的方法——多数工厂从中选 1 个最痛的先上。 下面这张表把前 7 节的内容压成 3 列，对照着看更好挑：
| 场景 | 接哪些数据 | 出什么结果 | 怎么算 ROI |
|---|---|---|---|
| 经营问数 | ERP / BI 财务、销售、成本 | 大白话提问，现场出数出结论 | 省拉数工时 + 发现隐性亏损产线 |
| 交期排产预警 | ERP 订单 / MES 工序进度 / 产能 | 提前挑出延期风险单及卡点 | 一年拦一两次延期即回本（几万至几十万级） |
| 质量异常分析 | 质检记录 / 设备参数 | 定位高频不良根因 | 持续省返工料、返工工时、客诉 |
| 采购与库存 | 进销存 / 采购单 | 呆滞预警、安全库存、价异常 | 释放呆滞占用现金（可达百万级） |
| 应收与对账 | 应收账款 / 委外台账 | 回款预警、加工费自动核对 | 减少坏账与对账差错（几万至几十万级） |
| 报表自动化 | 各业务系统汇总 | 自动生成日报/周报/月报 | 省下每月数人天的拉数工时 |
注：表中金额均为制造业常见的损失/占用量级区间，用于帮你判断哪个场景先上更值，不是承诺数字。你厂的实际账，要拿你自己的数据算。
九、上工厂 AI 应用场景前要满足哪些数据前提？4 条落地自查清单
这 6 个工厂 AI 应用场景不是想上就能上，落地前要先过 4 道自查关——数据有没有、准不准、接不接得通、是否先单点，靠谱的做法是先花 1-2 周做数据盘点，而不是先签合同再发现数据是空的。 这 4 关共同指向同一个前提：你关心的那件事，背后的数据得真的在系统里、而且基本靠谱，缺了任意一条，后面 6 个场景都接不住。上之前对照下面这张 4 条清单逐条自查：
- 数据有没有：要做交期预警，订单交期、工序进度就得真录在 ERP/MES 里。全靠车间纸单、微信报工，AI 没数据可盯。
- 数据准不准：物料一物多码、工时随手填、口径各说各话，AI 算出来也是「垃圾进垃圾出」。常常要先做一轮主数据和口径梳理。
- 接不接得通：系统能开接口或能从库里读数据，对接才顺；越封闭的老系统，对接成本越高。
- 先单点、别全铺：6 个一起上是大坑。挑 1 个最痛、最能算账的场景（多数厂是经营问数或交期预警）先跑通、先回本，再往下扩。
这 4 关的次序也很关键：先盘「有没有」和「准不准」，再谈「接不接得通」，最后才定「先上哪 1 个」。 跳过前两关直接签场景，十有八九会卡在数据上。
关于「数据准不准」这道坎，我们在 ERP 上线了却没人用 里讲过：系统跑不起来、数据没人维护，后面再好的 AI 也接不上。地基没打牢，先别急着装智能仪表盘。
十、工厂上 AI 更稳的姿势：先用 1 个能算账的场景验证 ROI
制造业的 AI 不是再买一个会聊天的玩具，而是把 ERP/MES 里已经躺着的数据接出来替你干活、盯事、算账——这 6 个场景，每一个都能拿你自己的数据算清楚值不值。 更稳的上法是：别一上来铺 6 个，先挑 1 个最痛、最能算账的场景跑通、回本，再往下扩。
成本上也比很多人想的可控：今天靠自研工程工具链把交付效率提上来，落地不再像过去那样按工厂规模等比例涨价，单点落地通常是项目级的几万到十几万、或按年订阅几万级别（行业公开区间，不针对任何具体报价），关键是用 1 个场景先验证 ROI 再投下一笔。
开沿科技做的，恰好就是这件事：把 AI 接进你已有的 ERP/BI/CRM 等业务系统，让它真去查数、问数、出预警、出报表，真跑业务、真出结果，而不是停在 demo。如果你也想先用 1 个能算账的场景验证 ROI，可以从我们的 AI Agent 落地能力 看起，或翻翻 客户案例 里制造与鞋服企业是怎么一步步把数据用起来的——这些案例均经客户授权脱敏公开。先算账，再投入，是工厂上 AI 更稳的姿势。
