"李總，這個月的OEE（整體設備效率）數據出來了。" 

"多少？" 

"78.3%。" 

"環比呢？" 

"這個...我讓小張算一下。" 

這是我在某汽車廠調研時真實看到的對話。廠長想要的是"用嘴問數據"，但現實中卻是"用人跑數據"。

NL2SQL的"美麗謊言"

過去兩年，我走訪了37家制造企業，看到了一個令人心碎的現狀：90%的AI問數項目都在假裝成功。

為什么？因為大家都被NL2SQL這個"美麗謊言"給騙了。

"自然語言轉SQL，讓業務人員直接問數據"——聽起來多么動人。但現實是，當你問"上周A線的良品率為什么下降了"時，系統給你的是一堆看不懂的SQL代碼，或者更慘——直接報錯。

我見過最離譜的案例：某家電巨頭的BI團隊，花了8個月時間做NL2SQL，結果上線第一周就被業務部門集體抵制。

原因？系統把"直通率"理解成了"通過率"，把"不良品"算成了"返工品"。一個字的差異，讓整個季度的質量分析全部作廢。

制造業的數據問數，根本不是簡單的"中譯英"問題，而是"業務語言"到"數據語言"的鴻溝問題。

MQL：制造業的"數據方言"

制造業有自己的"方言"。

同樣叫"效率"，設備部門說的是OEE，生產部門說的是節拍達成率，計劃部門說的是訂單準時交付率。同樣叫"庫存"，原材料倉庫關心的是周轉天數，成品倉庫關心的是呆滯比例，財務部門關心的是資金占用。

這些差異不是簡單的同義詞替換，而是深深刻在業務邏輯里的"認知基因"。

傳統的NL2SQL就像把一個廣東人直接扔到東北，告訴他"都是中文，自己理解去吧"。而MQL（Manufacturing Query Language）的做法是，先建一個"翻譯官"體系，把各地方言先整理成標準普通話，再去做轉換。

這個翻譯官體系，就是"制造業指標體系"。

聽起來很土，但這是真正的"降維打擊"。當別的廠商還在糾結"怎么讓SQL更懂人話"時，我們直接繞過了這個維度——不讓SQL懂人話，而是讓人話先變成"指標話"。

從"煉金術"到"化學方程式"

某食品廠的CIO老王跟我吐槽："我們廠有12個版本的'良品率'，每個部門都有自己的算法。質量部算的是'合格數/檢驗數'，生產部算的是'合格數/生產數'，財務部算的是'合格數/訂單數'。一個指標，三套口徑，開會就像雞同鴨講。"

這不是技術問題，這是"制造業煉金術"時代的典型癥狀——每個人都在用自己的"秘方"，沒有統一的"化學方程式"。

MQL的核心就是把"煉金術"變成"化學方程式"。

怎么做？先把所有的"秘方"都曬出來，然后建立一套"指標語法"：

原子指標：不可再拆分的最小單位，比如"合格數"、"生產數"

計算指標：由原子指標組合而成，比如"良品率=合格數/生產數"

維度：看數據的角度，比如"時間"、"產線"、"班次"

口徑：具體的計算規則，比如"合格數是否包含返工后合格的產品"

聽起來很簡單？但就是這么簡單的東西，90%的制造企業都沒有。

我見過的最夸張的case：某造船廠，同一個"交付準時率"，采購部、生產部、銷售部有三個完全不同的定義，而且每個部門都堅信自己的才是"標準答案"。最后怎么解決的？一把手的鐵腕——"以后都用財務部的定義，誰反對誰下課"。

這就是現實：技術問題最后都是組織問題，數據問題最后都是權力問題。

制造業AI問數的"三重門"

做了這么多項目，我總結出一個規律：制造業AI問數要成功，必須跨過"三重門"。

第一重門：指標門

很多項目死在這里。技術團隊覺得"不就是幾個指標嗎"，業務部門覺得"這么簡單的需求你們都理解不了"。

真相是：制造業的指標體系，比互聯網復雜100倍。

互聯網公司的指標，大多是"用戶行為"的統計——點擊率、轉化率、留存率。這些指標的定義相對標準化，跨公司差異不大。

制造業的指標，是"物理世界"的量化——每個工廠的設備不同、工藝不同、管理模式不同，指標定義也就不同。更慘的是，這些差異往往隱藏在"經驗"里，老員工心知肚明，新員工一臉懵逼。

第二重門：數據門

跨過了指標門，還有更慘的數據門。

制造業的數據，是典型的"三多三少"：

系統多，打通少：ERP、MES、WMS、PLM...每個系統都有自己的數據標準

歷史多，質量少：10幾年的歷史數據，但90%都有質量問題

細節多，維度少：記錄了每個螺絲的擰緊力矩，但不知道這個螺絲屬于哪個產品

最慘的是，制造業的數據質量問題是"結構性"的——不是簡單的"清洗"就能解決，而是需要"重新定義"。

比如"生產開始時間"，MES記錄的是"第一個工序開始時間"，ERP記錄的是"訂單下達時間"，手工報表用的是"班組長記得的時間"。三個數據源，三個數值，哪個才是"真值"？

第三重門：認知門

最難的是認知門。

技術團隊覺得："我們做了這么炫酷的AI問數系統，業務部門應該感激涕零才對。"

業務部門覺得："你們連'良品率'都算不對，還談什么AI？"

認知差異的核心在于：技術團隊關注的是"技術先進性"，業務部門關注的是"業務準確性"。

一個真實的對話：

技術："我們的AI問數系統準確率達到85%了！"

業務："那剩下的15%怎么辦？萬一我匯報給老板的數在那15%里呢？"

技術："......"

制造業的數據應用，容錯率極低。一個錯誤的數據，可能導致錯誤的決策，錯誤的決策可能導致數百萬的損失。

這就是現實：在制造業，99%的準確率等于0——因為沒人知道哪1%是錯的。

結語

做了這么多項目，我總結出一個"生存法則"：制造業AI問數，必須先做"數字化治理"，再做"智能化應用"。

AI問數不是"速效救心丸"，而是"長期處方藥"。

它不能幫你跳過數字化轉型的"坑"，只能讓你在坑里少待一會兒。

真正的制造業AI問數，拼的不是算法多先進，界面多炫酷，而是——你敢不敢先花半年時間，把最基礎的指標體系梳理清楚？

畢竟，在制造業，慢就是快，快就是死。