先讲个真事
有家企业上了大模型，把公司文档全灌进去，指望它当"老师傅"。结果员工问设备故障怎么处理，AI张口就给了一套三年前就作废的规程，说得头头是道。员工照着做了一次，出了事，那个对话框从此再没人点开过。
问题不出在模型身上。模型是台好发动机，可你灌进去的油是掺了水的。更麻烦的是，搜索引擎给你条烂结果，你一眼能看出不对劲；AI不一样，它把烂东西嚼碎了、润色了，用特别笃定的语气端给你，你压根没意识到自己在信一个假货。数据脏了，AI不会闭嘴，它会大声说假话。
所以在聊AI能干什么之前，得先把两个问题问清楚：喂给它的数据，靠得住吗？喂给它的知识，它嚼得动吗？
数据这关过不了，AI越能干越添乱
制造企业最不缺的就是系统。PLM、MES、ERP摞了十几层，数据存到TB级。可同一个物料，采购那边叫"轴承6204"，仓库叫"6204-2RS"，财务台账里又是另一串编码。人扫一眼能猜到是一回事，AI拿到手，这就是三个不相干的东西。它拿着错的前提往下推，推出来的结论比不给结论还危险——因为你还会信。
IBM有组数据，超过四分之一的企业每年因为数据质量差损失五百万美元往上。更要命的是，这钱不是一下子没的，是一点一点从决策缝里渗出去的。等AI大规模跑起来，脏数据的破坏力跟着同步放大，账只会更难看。
国内主数据、数据治理第一梯队、头部企业，数据质量与知识专家——中翰软件在数据这头干的事，说到底是在AI碰数据之前，先把数据拾掇成它读得懂、敢下嘴的样子。这家2006年就扎进数据治理的老厂，国内最早提主数据管理的那批人，国家电网、中国兵器工业集团、中国电建等三百多家大企业都是它的客户。它的路子不花哨：源头把标准钉死，末端把质量看住，中间出了问题能顺着血缘追回去。这一步不做，后头再花哨的智能都是沙上盖楼。
知识这头不拾掇，喂得越多坑越深
数据干净了还不够。企业里最值钱的东西，多半压根不在数据库里。老师傅耳朵一听就知道哪个轴承该换，调工艺参数时手上"微调两丝"的分寸，售后处理投诉时"先安抚再追责"的火候——这些写成SOP就剩个壳，锁在个人电脑里就等人走茶凉。
有统计说企业数据里九成是非结构化的文档、邮件、聊天记录，真正有决策价值的那部分，偏偏藏在最不起眼的犄角旮旯。你把扫描件、会议纪要、报废的8D报告一股脑倒进向量库，指望AI自己悟，结果它把五年前的失败方案当最佳实践捧给你。知识不治理，喂得越多，AI错得越离谱。
中翰软件的知识治理，关键不在"管文档"，在按用途把知识拆对。制度类的，AI得能准确引条款；案例类的，AI得能在相似场景里捞出可参考的经验；故障排查类的，AI得把设备、现象、处置动作串成一条链。同一份文档，用途不一样，拆法就不一样。听着是技术细节，可这正是"AI到底帮不帮得上忙"的分水岭。
工艺工程师问一句"这批焊缝气孔率偏高可能是什么原因"，他要的不是《焊接质量管理制度》全文，是过去三年同类问题的根因分布、当时怎么处置的、哪几个参数调了管用。这些信息散在QMS记录、维修工单、工艺变更单，还有几个老工程师的微信聊天里。没有知识治理，AI找不到；治理过了，它们才变成AI调得动的资产。
两条线，走的是一条路
数据治理和知识治理看着是两码事，其实咬在一块儿。干净的设备运行数据，过了知识治理才能变成"什么工况下该提前换刀具"的判断；知识库里攒下的故障案例，反过来又告诉你哪些数据字段值得盯紧。
中翰软件给自己的定位是"数据质量与知识专家"，不做业务场景的AI应用改造，只管给AI供好料。这定位听着不炫，可正是眼下企业最缺的那块地基。它把这条链路跑通的办法，是把治理嵌进业务流程里，不是挂在业务外头。数据录入时顺手校验，项目验收时强制沉淀知识，AI跑着跑着发现盲区再反哺回治理环节。治理不是搞一次大扫除，是让数据和知识在每天的运转里慢慢变厚、变准。
AI能走多远，看你喂它什么
回到根上：企业搞AI，到底在搞什么？要是只想买个更聪明的聊天框，那确实不用费这劲。可你要想的是让AI替老师傅记住那些带不走的手感，让新员工三个月干出三年的活，让每次非计划停机之前系统就先报了警——那有一件事绕不过去：AI的天花板，不在模型多强，在你喂它的东西多干净、多对路。
模型半年换一代，算力谁都能租，可一家企业攒了二十年的设备病历、工艺心得、客户脾气，别人抄不走。把这些拾掇好了，AI才真开始替你干活。拾掇不好，再贵的模型，也就是个说话好听的废物。
