【导读】已往一年，我及不少制造企业的 CIO、数字化卖力人聊过 AI。各人谈起 AI 时都很高兴：模子愈来愈强，运用愈来愈多，有的企业已经经最先部署本身的常识助手及智能体。

但聊到末了，我常常会听到一句话：“这些 AI 看上去都不错，可真到了要害营业上，咱们还有是不太敢用。”

我一直感觉，这句话很真实。今天企业面对的问题，已经经不是有无 AI，而是 AI 给出的结论，营业职员到底敢不敢信赖。一个谜底可以写患上很流利，逻辑也很完备，但它毕竟来自企业的真实数据，还有是模子按照语言纪律推测出来的？这二者看起来可能很像，对于制造业来讲，寄义却彻底差别。

由于一旦 AI 最先介入质量措置、出产调解、供给链协同，判定错了，价钱就再也不是一次欠好的利用体验，而多是一批产物、一个客户，甚至一次召回。

有一个客户场景，给我留下了很深的印象

这是一家年夜型跨国制药企业。他们的数据基础实在很是好，许多数据已经经集中于成熟的数据平台中。也就是说，他们其实不缺数据，基础举措措施也不掉队。

但治理层提出了一个很详细的问题：假如某一批原质料被发明含有受管控物资，它厥后去了哪里？进入了哪些出产批次？哪些产物已经经发货？终极会影响哪些客户？

这个问题听起来不繁杂，真正查起来却要超过制造、质量及供给链多个体系，还有要沿着几层批次瓜葛一起追踪。已往，几个部分需要别离查询、导出数据，再放于一路查对。有时需要几个小时，有时甚至需要几天。

这件事给我的感触感染很直接：企业的数据都于，但数据之间的营业瓜葛没有真正连起来。AI 可以告诉你碰到受管控物资时凡是应该怎么处置惩罚，殊不知道这家企业毕竟是哪一批质料、哪一张工单、哪一批产物及哪个客户遭到了影响。

以是我厥后愈来愈确信，企业 AI 最伤害的“幻觉”，不只是回覆错了一个问题，而是于缺乏完备营业上下文的环境下，给出了一个听起来很合理、现实上没法核实的判定。

咱们已经经有年夜模子及 RAG 了，为何还有不敷

说到这里，许多人会问：此刻的年夜语言模子已经经很强了，再把企业文档经由过程 RAG 交给它，不就能够了吗？

年夜语言模子固然很主要。它擅长理解人的问题，也擅长构造谜底。RAG 也颇有价值，特别是查询技能文档、维修手册及质量规程时，它能很快找到相干内容。

但若问题是“哪些产物利用了这批问题物料”，企业需要的不是一段相似的文字，而是一条正确的瓜葛路径。模子需要知道，PLM 里的“零件”、ERP 里的“物料”及 MES 里的“投料记载”之间毕竟是甚么瓜葛。

还有有一种很常见的思绪，是给每一个体系部署一个智能体，再让它们彼此协作。这也没有错。但若每一个智能体只能看到本身的数据孤岛，末了获得的仍旧是几个局部谜底。把几个谜底放到一路，其实不等在 AI 已经司理解了这家企业。

以是问题其实不是年夜模子、RAG 或者者智能体没用，而是它们还有需要一个配合的营业上下文。没有这层基础，AI 知道许多通用常识，殊不知道面前这家企业毕竟是怎么运转的。

我更愿意把本体理解为一张企业舆图

这就谈到了本体及企业常识图谱。许多人第一次听到“本体”时，会感觉这是一个很学术、很繁杂的观点。实在不消把它想患上那末玄。

我更愿意把本体理解为一张企业营业舆图。它先把几个最基本的问题讲清晰：于这家企业里，甚么是物料，甚么是批次，甚么是工单、装备、产物及客户？这些对于象之间答应存于甚么瓜葛？哪些营业法则始终建立？

企业常识图谱则把真实数据放到这张舆图上。某一批物料来自哪家供给商，投入了哪张工单，形成为了哪一批产物，终极交付给了哪一个客户，这些已往隐蔽于差别体系及表格里的瓜葛，酿成了可以直接查询及验证的路径。

如许一来，AI 回覆问题时就再也不只是依赖语言模式去猜。营业职员可以继承追问：你用了哪些数据？这条瓜葛来自哪一个体系？为何会获得这个结论？

我认为，这才是“可托”真正最先成立之处。它不是要求人们无前提信赖 AI，而是让 AI 的每个判定都可以或许被瞥见、被追溯，也可以被营业职员复核。

Graph Studio 做的，是让这张舆图真正运行起来

理解本体的价值是一回事，真正把它放进企业情况里运行，是另外一回事。由于企业的数据不会只存于在一个体系中，营业也一直于变化。今天是质量追溯，明天可能又要插手客户定单及售后办事。

Graph Studio 其实不是要替代企业原本的 PLM、ERP、MES 或者者数据平台。它做的是于这些体系及数据之上成立一层同一的营业语义，把分离的数据瓜葛构造起来，形成可以连续扩大的企业常识图谱。

企业也不需要一最先就设置装备摆设一张笼罩所有营业的“年夜图”。彻底可以从一个小而详细的问题最先，好比一批原质料的质量追溯，先把解决这个问题需要的对于象及瓜葛毗连起来。比及营业需要扩展，再慢慢插手定单、客户及售后数据。

于前面提到的跨国制药企业场景中，常识图谱把本来分离于多个体系中的批次瓜葛连起来后，繁杂影响阐发的时间被显著缩短。真正让我印象深刻的，其实不是图谱里装了几多数据，而是营业职员第一次可以沿着一条清楚的路径，看到危害从哪里最先，又影响到了哪里。

Graph Studio 还有需要保留数据从哪里来、颠末了如何的转换。由于企业不仅要获得谜底，还有要于需要的时辰注释这个谜底。开放语义尺度及 MCP 等技能于这里很主要，但对于营业职员而言，最直不雅的价值仍旧是：AI 终究可以基在统一套、可追溯的企业事实事情。

但到这里，工作还有没有竣事

纵然 AI 已经经可以或许获得可托的企业上下文，它终极还有是要回到现实事情中。质量卖力人要确认结论，出产团队要吸收使命，相干体系要履行流程，处置惩罚成果还有要反馈回来。不然，AI 仍旧只是一个更好的问答东西。

这也是西门子推出 Intelligence Center X 的缘故原由。咱们但愿把企业上下文、专业智能及营业步履真正毗连起来。

Graph Studio 帮忙 AI 理解企业中的对于象、瓜葛及法则；AI Studio 联合企业运营数据，完成猜测、异样辨认、危害评分及参数优化；Mendix 则把这些判定带入营业运用及流程，让职员可以确认、派发、履行并反馈。管理、权限及审计贯串整个历程。

假如用一句简朴的话归纳综合，就是 Graph Studio 解决“AI 是否理解这家企业”，AI Studio 解决“AI 可否形成专业判定”，Mendix 解决“这个判定能不克不及真正进入营业”。

一个值患上每一位 CIO 问本身的问题

我常常于客户集会竣事时问如许一个问题：

“你们今天部署的 AI，假如给出一个关在供给商质量问题影响规模的判定，你们的质量总监会基在这个判定直接作出召回决议计划吗？”

假如谜底是“不会，咱们还有需要人工核实”，那末这个 AI 的价值，仍旧逗留于辅助参考的层面，而不是真实的决议计划撑持。

制造业 AI 的下一个台阶，不是部署更多 AI 东西，而是让 AI 真正可托——可托到足以支撑要害营业决议计划，可托到足以驱动营业步履，也可托到让 CIO 于审计时可以或许清晰注释每个 AI 判定的前因后果。

这个台阶的基础，是企业常识图谱，是本体，是把几十年的制造业范畴常识转化为 AI 可以或许辨认、查询及推理的语义布局。

这是西门子正于做的事，也是咱们认为制造业 AI 从“有”到“可托”、从“试验室”走向“范围化”的要害地点。