重金打造ERP，反而让一家工业企业为同一件事反复付钱

原创

企业Ai化改造
企业Ai化改造

AI 数智化实验室

2026年10月17日 19:58
山东

去阅读

同一个物料，找不到，就再买一次。

我们长期给传统企业做 AI 应用落地，帮企业做全面提效。这个案例来自一家海外工业企业，不是我们的项目；但它和我们见过的很多企业一样，最开始都以为自己缺一个“更聪明的系统”。

结果，项目团队最后做的不是“更聪明的采购”，而是数据清洗和语义检索。

一个物料找不到，为什么会变成一笔报废？这篇文章，我想把这条链拆开：浪费是怎么发生的，AI 应该接在哪一段，以及什么情况下，这件事根本不值得做。

“我明明知道这个部件数据库里有，我上次还用过，但现在就是找不到。”

在一家海外工业企业的仓库里，有些物料已经放了几年。

可能是一批螺丝，也可能是一副手套、一个机械臂的配件。买的时候都有理由，后来却没人再用。清理库存时，它们被归入“长期不动”，最后按规则处理掉。

这些物料是怎么被买进来的？

故事往往从上面那句话开始。

说这句话的人，不是不熟悉业务。相反，他可能很熟悉。他知道东西在，只是这套用了多年的 ERP，不让他顺利找到。

ERP，简单说就是企业用来管物料、采购、库存的那套系统。

找不到，怎么办？

重新录入一条。反正数据库里“没有”。

可这个物料本来就存在。于是，一条重复数据诞生了。下一次，别人更难找到正确的那个。再下一次，采购可能买错、买重，或者把单位搞错。

一笔原本可以避免的采购，就这样发生了。

这家企业属于工业场景，需要管理大量机械设备、物料和资产。小到一副手套、一颗螺丝钉、一副耳塞，大到一辆卡车、一个机械臂，都要进入 ERP。和这套数据库打交道的团队，大约有15个：录入、采购、合同、仓储……

几乎所有部门都在抱怨同一件事：ERP 不好用。

但“ERP 不好用”不是问题定义。项目团队——也就是案例里的FDE（驻场工程师）——进场后，花了数月，跟这些团队一个个聊，坐在业务人员旁边看他们怎么操作，才把这句话拆开。

01 先别急着做搜索，先看“找不到”之后发生了什么

如果只看表面，这是一个搜索体验问题。

输入关键词，搜不到；再换个词，还是搜不到。那就做一个更好的搜索框，不就完了？

但项目团队继续往下追：搜索不好，为什么会变成钱？

他们把业务人员的实际动作还原了一遍，得到一条很长的链：

找不到物料 → 重新录入 → 数据重复 → 更难找到 → 买错、买重、单位错 → 库存积压 → 报废 → 财务损失。

这条浪费链成立，AI 才值得做。

否则，做一个更快的搜索框，只是让一个不产生业务价值的功能变得更好用。

这也是这个案例最值得看的地方：它没有从“AI 能做什么”出发，而是从“钱从哪里漏”出发。

02 旧办法为什么失效：不是员工不认真，是系统接不住

在 AI 介入之前，业务人员靠的是经验。

知道编码，按编码找；知道准确名称，按名称找；实在找不到，就按原来的流程重新录入。

在数据规模还没那么大、业务还没那么复杂的时候，这套方式能工作。

但工业物料的数据很复杂。同一个东西，可能有不同名称、不同描述、不同单位，也有不同的录入习惯。老 ERP 的搜索主要依赖传统字段和关键词，很难判断“这两个词说的是不是同一个东西”。

数据越积越多，靠经验兜底就越来越吃力。

这笔账，不能算在一线员工头上。

企业其实早就把流程装进了 ERP，数字化这一步已经迈出去了。真正卡住的是，这套系统的检索能力，处理不了工业物料的复杂性。于是，数字化的工具本身成了新的瓶颈。

更麻烦的是，这不是一个部门的问题。

大约 15 个团队，各管一段：有人负责录入，有人负责采购，有人负责合同，有人负责仓储。每个人都觉得自己在按流程做事，但没有人对“买错”这件事负全责。

所以，问题不是“员工不会用”，而是系统让正确的事变得很难做。

03 他们最后做的，不是“更聪明的采购”

如果只看最后做出来的功能，这个案例一点也不性感。

无非是两件事：把已有数据清洗、标准化；再增加语义检索能力。

语义检索，说白了，就是让系统理解“我要找的东西”是什么意思，而不是只匹配字面关键词。这样，同一个物料的不同叫法，才有机会被对上号。

有人会说，这不就是智能搜索吗？

技术上这么说没问题。但如果只看到这里，就把这个案例最重要的部分漏掉了。

真正难的是前面那几个月。

第一步，进现场，做问题发现。

项目团队跟不同部门沟通，理解组织架构、业务流程，也观察不同业务人员对 AI 的态度。围绕 ERP 及其上下游团队，做了数月深入访谈。有时候直接坐在业务人员旁边，看他实际怎么工作。

因为很多问题，只在会议室里问，是问不出来的。

第二步，把问题放回完整业务链。

他们没有停在“搜索不好，所以做一个更好的搜索”。而是继续追：搜索不好，到底为什么会造成业务损失？

一直追到那条“找不到→重复录入→买错→报废”的链，问题才从一个体验问题，变成一个可以计算金额的经营问题。

第三步，和所有利益相关方一起定优先级。

诊断出大约15个可处理的功能点，不可能由项目团队自己拍脑袋决定先做哪个。他们把不同业务部门的负责人和代表召集起来，一项项确认：这个功能解决什么问题，是不是业务真正需要的，应该先做哪个。

业务部门参与投票。项目团队内部再从七八个维度评估：数据能不能拿到、处理结果能不能写回业务系统、AI 到底能不能解决、技术难度多大、业务人员愿不愿意用。

技术可行，只是其中一项。

跨部门协调也一样。十几个团队，职责不同，有些改动会动到原来的工作流程。冲突不一定会摆在桌面上，项目团队还要提前和不同利益相关方单独沟通。

第四步，把技术分工定清楚。

语义检索负责理解业务人员的说法，把同一个物料的不同叫法对上号。

数据清洗和标准化，负责在检索之前，把历史数据里的重复和不一致处理掉，让语义检索有干净的底子。

最终是不是采购、采购多少，仍然由业务人员拍板。

第五步，从能快速证明价值的场景开始。

项目团队不建议一上来就挑最难、最酷的东西。因为一个项目做了几个月还没有结果，客户的耐心和信心都会快速下降。

更稳妥的做法，是先找容易见效的场景，最好几周，甚至两周左右，让业务部门看到一个初步结果。

一旦业务人员看到“这个东西真的有效”，信心才建立起来，后面才愿意主动参加。

04 这个案例最“不性感”的地方，也是最值得学的

很多 AI 案例写到效果，会给一个很漂亮的数字。

这个案例没有。

这篇案例的公开文本里，没有告诉我们客户一年省了多少钱，也没有给一个精确的 ROI（投入产出）。

项目团队衡量效果的方法，反而很克制：

模型准确率、员工觉得搜索速度快了多少，都只是过程指标。真正的业务结果，是采购行为有没有改变——客户是不是少买错东西了，是不是少重复购买了。

他们会从历史数据里建立基线，再通过小规模实验逐步扩大范围。每个阶段都验证几件事：AI 有没有减少重复数据，数据库的清洁程度有没有提高，原来因为数据问题造成的错误采购有没有下降。

更重要的是，这个价值不能由项目团队自己宣布。

最后需要通过严格的计算方式得出结果，而且这个结果还要客户自己的业务人员确认。只有客户说出“对，这笔钱确实是因为这个应用被节省下来了”，价值才算成立。

上线之后，事情也没有结束。项目最终要移交给业务部门，由他们决定是否真正采纳。运行一段时间后，还要看效果还在不在，和目标相比有没有变化。

案例里的 FDE 说，不能“东西做完、钱到账、人撤走”。如果业务部门最终不用，或者三个月后效果消失了，这个应用就不算真正落地。

我觉得，这是这个案例最值得写的地方。

它没有把 AI 包装成一个“上线即见效”的故事，而是承认：先要把一笔没人算清的账，变成可以计算的账，AI 才有稳定的价值落点。

当然，这个案例也有边界。

它是一家海外工业企业的 ERP 场景，涉及大约 15 个团队、大量历史数据、老系统写回限制。换一家公司，数据基础、组织配合、系统开放性不同，做法不能照搬。

它也不能证明“AI 一定能省采购钱”。它能说明的，只有一件事：当“找不到物料”确实导致了重复采购，而且这笔损失可以算清，AI 才有稳定的价值落点。

如果只是搜索慢，但没有人因为找不到而重复采购，那可能不需要 AI。先把搜索框做好，可能更便宜。

05 如果你也想做，先算一笔账

不要先问“我们能不能做语义检索”。

先问三个问题：

Ⅰ、我们每年有多少采购，是因为“找不到”而重复录入、重复购买？能不能从历史记录里抽100条，人工核对？

Ⅱ、这些错误采购里，有多少最终没有被使用、积压、报废？大概值多少钱？

Ⅲ、如果这笔钱算不出来，是因为数据没有，还是因为没人对这件事负责？

如果第一个问题答不上来，先别做 AI。

先做一次小范围的物料数据清理和采购记录核对。把“找不到”造成的重复采购找出来，算一笔小账。

如果答得上来，再选一个物料类别、一个部门、一个仓库，做一个小实验：清洗一批数据，加一层语义检索，跑几周，看看重复录入和错误采购有没有下降。

不要一上来就做全公司的采购系统。

这个案例里，项目团队也是从容易证明价值的场景开始，几周内让业务部门看到初步结果，再逐步扩大。

还有一点：ROI 要在项目开始前定义，不要等上线后再问“到底省了多少”。

数据从哪里来、怎么算、谁来确认，提前说清楚。

否则，项目做完，大家只能讲一个“搜索变快了”的故事，讲不清它到底值多少钱。

选一个物料类别，从历史采购记录里抽 100 条，人工核对三件事：

有没有重复录入；

有没有买重；

有没有买错单位。

先算出这个小样本里的浪费金额，再决定要不要做 AI。

如果这个小样本里，重复采购和错误采购几乎为零，那这个场景可能不值得做。

如果有，再往下问：数据能不能清洗？系统能不能写回？业务人员愿不愿意用？

这三个问题，比“用哪个模型”更靠前。

如果你问我，我会建议先做这次小核对，而不是先选模型。

写在最后

这个案例最后落地的，是数据清洗和语义检索。

但真正创造价值的，不是这两个技术名词，而是团队花了足够长的时间，把“一个物料为什么找不到”追到了“企业为什么会因此浪费采购预算”。

AI 在这里没有替采购做决定。

它做的是更前面的事：让人更容易找到已经存在的东西，让数据少一点重复，让采购少犯一点错。

这听起来不酷。

但对一家工业企业来说，仓库里少一批几年不动的物料，可能比多一个漂亮的 AI 演示更有价值。