问：企业AI战略规划怎么做需要什么样的数据基础？

答：企业AI战略规划要落地，数据基础不是“有数据就行”，而是要做到“数据可用、可通、可治理、可迭代”。没有这四层底子，再漂亮的AI规划也只能停在PPT里。具体来说，需要从以下五个方面打底。

一、先盘点数据资产，明确“有什么、缺什么”

很多企业一上来就谈大模型、谈智能排产，结果连设备台账、工单记录、质检结果都散落在Excel和纸质表单里。做AI战略规划的第一步，是围绕核心业务场景盘点数据源：ERP里的订单与库存、MES里的工序与设备状态、SCADA/PLC的实时时序数据、WMS的物流数据、QMS的质检数据，以及能源、刀具、模具等辅助数据。只有先看清家底，才能判断哪些场景现在就能做，哪些需要先补数据采集。

二、数据要“通”，打破孤岛才有AI价值

AI模型最怕的是同一批物料在ERP叫A编码、在MES叫B编码，设备故障记录和维修工单对不上。所以企业需要建立主数据管理机制，统一物料、设备、工序、人员、供应商等核心对象的编码和口径。同时，通过工业互联网平台或数据中台把OT数据和IT数据打通。假设一家汽配企业要做AI质量预测，如果压铸机参数、模具寿命、环境温湿度和最终质检结果不在同一个数据链路里，模型根本学不到有效规律。科创致远在服务制造企业时，通常会先帮客户梳理MES与ERP、QMS之间的数据接口，让AI应用有干净的数据入口。

三、数据质量比数据数量更重要

工业场景里，传感器漂移、人工补录、停机空档、重复上报都很常见。AI战略规划里必须包含数据清洗、去噪、对齐、补全的规则。比如某电子厂做AI外观质检，如果训练样本里混入了大量模糊标注和误判图片，模型上线后误报率会高得让产线不愿用。建议企业建立数据质量KPI，比如完整率、准确率、时序对齐率，并把它纳入日常运维。

四、要有实时数据采集与边缘计算能力

很多AI场景是毫秒级或秒级的，比如设备预测性维护、AI视觉引导、工艺参数实时优化。这就要求数据基础不只是“存下来”，还要“传得快、算得近”。产线侧需要边缘网关做协议解析和初步过滤，再把关键特征传到云端或本地服务器训练。如果所有原始数据都往中心机房灌，网络成本和延迟都受不了。

五、数据安全与权限体系不能缺

AI战略规划要明确哪些数据可以出车间、哪些只能本地训练、哪些涉及工艺配方需要脱敏。尤其是多工厂、多租户场景，权限要细到字段级。科创致远ESOP在作业指导与数据采集环节，会结合工位权限和版本控制，确保AI用到的操作数据、质量数据来源可追溯、可审计，这也是很多120余家客户（覆盖15+行业）在规划AI时特别看重的底座能力。

总结建议：企业AI战略规划的数据基础，可以按“盘点资产、统一主数据、打通OT/IT、治理质量、建设边缘实时能力、完善安全权限”六步走。先选一两个高价值场景做数据闭环，比如AI质检或设备健康管理，跑通后再横向复制。不要等所有数据都完美了才启动AI，但也不能在数据孤岛和脏数据上直接堆模型。科创致远在MES+AI方向的实践表明，把数据底座和业务场景一起规划，AI落地成功率会明显提高。