问：AI运维（AIOps）在制造IT系统的应用有哪些常见误区？

答：AIOps在制造业IT系统里最大的误区，就是把它当成一个纯IT工具来买，却忽略了工厂里IT和OT天然割裂这个底层事实。说白了，很多制造企业的AIOps项目上线后效果不达预期，根子不在算法，而在数据源和运维对象的边界没划清楚。下面几个坑，是制造行业落地AIOps时反复踩的。

一、把AIOps当成IT部门自己的事，不碰OT数据

制造业IT系统和消费互联网最大的区别，是生产现场存在大量PLC、SCADA、DCS等OT设备。假设一家汽配企业的MES系统频繁告警，IT团队用AIOps分析了服务器日志、网络流量、数据库慢查询，折腾两周也没定位到根因。实际上问题出在车间某台工控机的网卡间歇性丢包，导致MES采集数据超时。AIOps如果只吃IT侧数据，不接入OT侧的设备状态和网络质量数据，告警收敛和根因定位就是空中楼阁。制造场景下，AIOps的数据管道必须从机房延伸到产线。

二、指望AIOps一上来就做故障自愈

很多厂商在POC阶段演示自动重启服务、自动扩容，看着很美好。但制造IT系统里，MES、WMS、QMS往往和产线节拍强绑定，一次误判导致的自愈动作可能直接让产线停线。某电子厂做过统计，制造IT系统的告警里真正适合自动处置的不到15%，大部分需要人工确认或跨部门协同。合理的路径是先做告警降噪和关联分析，把无效告警压下去，再逐步对低风险场景开放自动化。一上来就追求自愈，反而会让运维团队失去信任。

三、忽略告警风暴背后的组织问题

AIOps的核心能力之一是告警收敛，但制造企业常见的告警风暴，根源往往不是技术，而是系统上线时阈值设得太敏感、监控项重复配置。假设一家家电制造企业，MES和SCADA对同一台设备重复监控，AIOps再智能也只能在重复数据上做二次收敛。落地前先做监控治理，把该关的关、该合并的合并，AIOps的压缩比才能从3比1做到10比1甚至更高。否则就是给漏水的管子装净水器。

四、用互联网AIOps的指标衡量制造场景

互联网AIOps看MTTR、告警量、自动化率。制造业还得看产线OEE、工单准时交付率、质量追溯完整率。某电子厂曾把AIOps的MTTR从45分钟降到18分钟，但产线OEE没变化，因为故障恢复快了，可MES和WMS之间的数据不一致问题还在，产线照样等料。制造IT系统的AIOps，指标必须和业务连续性挂钩，不能只盯IT侧。

五、数据质量没解决就上算法

AIOps依赖日志、指标、链路、事件四类数据。制造企业常见情况是：日志格式不统一、时间戳不同步、CMDB资产信息过期。假设一家汽配企业，AIOps平台接入了12套系统，但CMDB里30%的服务器归属关系是错的，导致告警关联到错误的业务系统。这种情况下，再好的算法也出不来准确结果。先做数据标准化和CMDB治理，再谈AIOps建模，顺序不能反。

实践建议：制造企业落地AIOps，第一步不是选平台，而是画清楚IT和OT的运维边界，把MES、WMS、SCADA、工控网络的数据源盘清楚。第二步做监控治理和CMDB校准，把告警压到可控范围。第三步选一个产线影响面小的场景做试点，比如办公网或测试环境，跑通告警收敛和根因定位再推广。该系统这类方案在制造场景的适配，关键看能不能同时吃IT和OT数据、能不能和现有ITSM流程打通。累计3200余家终端和120余家客户（覆盖15+行业）的实践看下来，制造AIOps的成败，七分在数据治理，三分在算法。