制造企业 AI 成熟度诊断怎么做

诊断的目的：找短板，看依赖

制造企业做 AI 成熟度评估，容易走成两种极端：一种是把评估做成填表打分，最后拿到一个分数但没有行动方向；另一种是直接跳到选场景，忽略了数据、系统、组织这些前置条件。

更实用的定位是：用一套统一的维度把现状摊开，找出短板之间的依赖关系。例如数据质量不足会直接限制模型效果，指标口径不统一会让评估结论失去意义，缺少业务责任人会让试点无法推广。诊断报告的价值在于把这些关系画出来，而不只是给一个等级。

六个评估维度

以下维度覆盖了制造企业推进 AI 时最常被卡住的位置，每个维度下设若干观察点，便于访谈与查证。

1. 战略与组织：AI 是否进入经营层议题；是否有明确的分管负责人；是否有跨部门协同机制；预算是否稳定。
2. 数据基础：主数据（物料、客户、供应商、设备）是否统一；设备与产线数据采集覆盖情况；指标口径是否唯一；数据质量是否有责任人。
3. 系统与架构：核心系统（ERP、MES、PLM、CRM）集成方式；是否存在数据孤岛；是否有统一的数据出口；算力与网络条件。
4. 人才与能力：是否具备数据、算法、工程角色；业务人员的数据素养；是否有内部培训与知识沉淀机制。
5. 场景与价值：是否有场景清单与优先级排序方法；试点是否有明确的度量口径；成果是否有复用路径。
6. 治理与合规：数据分级制度；个人信息处理规范；AI 应用的上线评审与留痕；供应商管理。

打分口径：五级与证据要求

建议采用五级口径，每一级都以可查证的证据为准，而不是凭印象打高分。

打分时的三条纪律：

• 每个维度都要有证据，包括制度文件、系统截图、访谈记录或数据抽样结果；
• 同一观察点只由一类角色评判，避免业务与技术对同一项各自打分；
• 分数不用于部门考核，否则会诱导美化，失去诊断意义。

证据收集的四步做法

1. 访谈：分别访谈经营层、业务负责人、IT 与数据团队，问同一件事以交叉验证。
2. 现场查看：到产线与仓库看数据是怎么被记录和使用的，很多问题只在现场能看到。
3. 数据抽样：随机抽取一批业务数据，核对字段完整性与一致性。
4. 系统盘点：列出现有系统、集成方式与数据流向，标出断点。

这四步通常需要两到四周，取决于企业规模与配合程度。

从诊断到路线图

诊断结果建议输出三份材料：

• 差距清单：按维度列出当前等级与目标等级之间的差距，并标注证据；
• 依赖关系图：说明哪些差距必须先解决，例如主数据不统一会限制多个场景；
• 分期建议：把改进动作分成近期可启动、需要立项、需要长期建设三类，并明确责任岗位。

需要提醒的是，成熟度等级高不等于应该马上做更复杂的项目。对多数制造企业来说，先把数据口径和主数据理顺、把一个场景做成常态化运行，比同时铺开多个试点更稳妥。诊断的落点应当是"下一步做哪三件事、由谁负责、什么时候复评"，而不是一份漂亮的评分表。