当 AI 不再只是"看起来正确"

搜索最新SoC解决方案
关于汽车电子...物联网...安全...音频...视频

以本体与 Graph Studio 筑牢可信底座，推动制造业 AI 从试验走向规模化

Aug. 11, 2026 –

西门子中国 Intelligence Center X 总经理

过去一年，我和不少制造企业的 CIO、数字化负责人聊过 AI。大家谈起 AI 时都很兴奋：模型越来越强，应用越来越多，有的企业已经开始部署自己的知识助手和智能体。

但聊到最后，我经常会听到一句话："这些 AI 看上去都不错，可真到了关键业务上，我们还是不太敢用。"

我一直觉得，这句话很真实。今天企业面临的问题，已经不是有没有 AI，而是 AI 给出的结论，业务人员到底敢不敢相信。一个答案可以写得很流畅，逻辑也很完整，但它究竟来自企业的真实数据，还是模型根据语言规律推测出来的？这两者看起来可能很像，对制造业来说，含义却完全不同。

因为一旦 AI 开始参与质量处置、生产调整、供应链协同，判断错了，代价就不再是一次不好的使用体验，而可能是一批产品、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

这是一家大型跨国制药企业。他们的数据基础其实非常好，很多数据已经集中在成熟的数据平台中。也就是说，他们并不缺数据，基础设施也不落后。

但管理层提出了一个很具体的问题：如果某一批原材料被发现含有受管控物质，它后来去了哪里？进入了哪些生产批次？哪些产品已经发货？最终会影响哪些客户？

这个问题听起来不复杂，真正查起来却要跨越制造、质量和供应链多个系统，还要沿着几层批次关系一路追踪。过去，几个部门需要分别查询、导出数据，再放在一起核对。有时需要几个小时，有时甚至需要几天。

这件事给我的感受很直接：企业的数据都在，但数据之间的业务关系没有真正连起来。AI 可以告诉你遇到受管控物质时通常应该怎么处理，却不知道这家企业究竟是哪一批材料、哪一张工单、哪一批产品和哪一个客户受到了影响。

所以我后来越来越确信，企业 AI 最危险的"幻觉"，不只是回答错了一个问题，而是在缺少完整业务上下文的情况下，给出了一个听起来很合理、实际上无法核实的判断。