AI应用普及率突破30%之后，制造业如何打通数据堵点？

制造业正在成为人工智能规模化应用的主战场。近期工信部发布的数据显示，2026年上半年，我国规模以上制造业企业人工智能技术应用普及率超过30%。

从视觉质检、设备运维到研发设计、供应链管理，AI正加快进入制造业生产经营的更多环节。普及率跨过30%，意味着“AI+制造”迈上新台阶。但从单点试用走向规模部署，企业面对的问题也在发生变化。

“当AI从单点工具进入生产经营核心环节，问题就不只是模型够不够强，而是模型能否持续获得实时、准确、有业务含义且符合权限要求的数据。”丹诺德（Denodo）全球销售副总裁兼大中华区总裁何巍表示，制造业智能化越深入，数据基础对AI应用成效的影响就越直接。

在单一场景中，AI可以依靠有限的数据完成明确任务。但当应用进入跨工厂排产、供应链协同、经营分析乃至并购整合，智能体需要调用的数据不仅数量更大，而且分布在更多设备、系统和组织之中。数据能否及时获得、口径能否保持一致、使用过程能否受到控制，直接影响AI给出的答案是否可靠，进而影响AI应用的实际成效。

系统林立、数据割裂，制造业AI应用卡在源头

与互联网企业相比，制造业的数据环境更为复杂。

一台设备、一条产线、一座工厂，都可能拥有相对独立的数据采集方式。设备运行、质量检测和工艺参数等生产数据，通常分布在不同的工业控制系统中；订单、库存、采购、财务和人力资源数据，又沉淀在ERP、供应链及其他业务平台内。跨区域经营、系统升级和企业并购，还会不断带来新的数据源。

“很多企业通常并不缺数据，真正的难点是数据分散在不同平台，业务定义和治理规则又不一致。”何巍表示，对制造企业而言这一问题尤为突出。例如，不同工厂对“有效产能”“合格产品”等指标可能采用不同定义。即便AI能够访问相关数据，也未必能形成一致判断。

过去，企业通常围绕具体需求抽取、复制和汇总数据。业务部门需要一张新报表或一次分析，技术人员便从不同系统寻找数据，经过清洗和转换后交付结果。这种方式可以解决单次需求，却容易产生新的数据副本。

何巍认为，随着业务需求不断变化，传统模式的局限性会逐渐显现：一方面，数据链路需要反复开发和维护；另一方面，同一份数据经过多次复制后，可能出现更新时间、统计范围和访问权限不一致。企业不仅要承担开发成本，还要持续进行数据核对和安全管理。

并购场景会进一步放大这一矛盾。资本层面的交易完成后，企业还要整合财务、人力资源、供应链和生产系统。如果双方使用不同平台和业务定义，数据整合周期就可能拉长，并影响并购后的业务协同。

“AI时代的‘找数’逻辑，与传统商业智能时代已经不同。”何巍说，过去的数据准备多围绕相对固定的报表展开；AI应用则需要实时获取更丰富的业务信息。如果数据仍要经过层层申请、搬运和加工，AI就很难及时响应业务变化。

（图：Denodo全球销售副总裁兼大中华区总裁何巍）

搭建“AI数据层”，让数据在进入模型前受到治理

面对分散的数据，企业是否必须将所有信息重新集中到一个平台？

何巍给出的答案是：不必以大规模搬迁作为前提。Denodo为企业搭建“AI数据层”，在现有数据源与上层应用之间建立统一的数据访问和治理入口。数据可以继续保留在原有系统中，平台则按实际需求连接数据，并在其被分析工具、业务系统或AI调用前，统一处理业务语义、访问权限和治理规则。

“AI数据层不是再建一个数据孤岛，而是要让原本分散的数据能够按照统一规则被使用。”何巍表示，其作用可以概括为三个方面。

首先是连接数据。AI数据层能够连接本地系统、云平台、数据湖及各类业务应用，减少为每项需求单独开发数据链路的工作。

其次是统一语义。企业可以对关键业务指标建立相对一致的定义，并补充必要的业务背景，降低不同部门和AI模型理解数据时出现偏差的可能。

再次是集中治理。企业可以根据人员身份和业务场景设置访问范围，对敏感信息进行控制，并记录数据调用过程。对于包含工艺参数、客户订单和员工信息的制造企业而言，这也是AI应用走向核心业务的重要前提。

在此基础上，企业还可以将经过治理的数据组织为可复用的数据产品，供经营分析、供应链协同和AI应用调用。这样一来，业务需求发生变化时，企业无需每次从头寻找和整理数据。

“AI数据层并非只服务于模型。”何巍表示，它需要为AI、经营分析和业务应用提供实时数据、统一业务语义和一致治理，使不同使用者建立在共同、可信的数据基础之上。

（图：Denodo数据架构）

一家全球制造业集团的数据底座实践

Denodo近期发布的一项案例研究，呈现了这一思路在大型制造企业中的应用。

案例企业是一家拥有超过12万名员工的全球制造业集团。由于长期经营和持续收购，集团内部并存多套本地系统、云平台及业务应用。传统数据抽取流程难以提供接近实时的信息，用户又在源系统之外建立多个数据副本，增加了数据质量和治理压力。

并购后，新公司的数据还需要接入集团人力资源等系统。遗留集成工具操作复杂，开发人员掌握相关技能最长需要六个月，定制开发和不断累积的技术债也推高了项目成本。

该集团的咨询部门随后在AWS环境中部署Denodo，建立统一的数据访问与治理层，连接SAP、Databricks、Infor Data Lake，以及Redshift、S3和RDS等数据源。这一架构也为企业进一步搭建AI数据层、拓展AI应用奠定了基础。

这一架构没有要求企业先将全部数据迁移到同一平台，而是通过统一入口连接不同环境，并集中管理数据定义、访问权限和安全规则。业务人员可以通过数据目录自行查找数据、了解定义，并在授权范围内获取所需信息。

案例材料显示：改造后，一项数据请求的处理时间由开发人员手工操作5至10小时缩短至10分钟；开发人员上手周期由6个月缩短至6周，数据集成时间至少减少25%。停用原有集成软件后，企业每年仅许可成本便节省超过4万美元。

这些变化并不只是IT部门的效率提升。数据交付周期缩短，有助于新并购业务更快接入集团体系；统一权限管理，则降低了敏感数据在跨系统使用过程中的风险。该集团也开始探索将相关数据能力用于自然语言处理和后续AI应用。

AI应用普及率突破30%，只是制造业智能化进入新阶段的一个标志。当应用由生产线上的单点工具走向企业核心业务，制造企业需要解决的，也将从“是否使用AI”转向“如何让AI稳定发挥作用”，数据基础则是其中的关键变量。对系统众多、产业链条长、并购活动频繁的制造企业而言，先疏通数据，再扩大AI应用，或许是一条更稳健的智能化转型路径。