很多制造企业的现状是：MES、ERP、OA、设备各自一套，数据各说各话，口径对不上，接口打不通。
在这样的基础上一上来就做 AI，结果往往不是"效果不好"，而是AI 根本喂不进去料——模型再强，没有干净、打通、口径一致的数据，也出不来结果。
为什么数据是 AI 的前提
AI 是靠"喂数据"长出来的。数据割裂，意味着同一件事在不同系统里的口径不一样、时间对不上、字段对不齐——模型拿到的是"半截料"，判断自然不准。
埃森哲《中国企业数字化转型指数 2025》把数据治理列为 AI 规模化的关键瓶颈：数据治理优异的企业占比不高，而这恰恰决定了 AI 能不能真正落地。技术不是问题，数据基础才是。
但也不是"等数据完美了再动"
这句话有两头都容易错：
- 数据没通就硬上 AI——模型没料，白投入。
- 等全公司数据中台建好再上——一上来就做"数据治理大工程"，结果一年没见 AI 的影子。
正确的顺序是反着来：先定 AI 场景，再定这个场景需要哪些数据，再把这些数据打通——而不是先把所有数据都治理一遍。
三步走：先场景、再数据、小步打通
- 先盘点数据现状。哪些系统、哪些数据、通不通、口径是否一致——这一步是诊断的一部分，把底摸清。
- 小切口打通。先打通"最痛场景"的数据（比如质检图片、设备参数），而不是全公司数据中台。
- 再上 AI。数据通了、口径一致了，AI 才有料可用，结果才可验证。
结论
数据没打通之前，别急着上 AI；但也不是等数据完美——而是先定场景、再定数据、小步打通。把"数据优先级"和"AI 场景"放在一起判断，才能既不空等，也不白投。