AI 就绪始于可信赖的产品数据

制造商正大力投资人工智能、数字主线计划、自动化和企业现代化，以提升生产效率和决策能力。许多讨论都聚焦于人工智能模型、基础设施和集成。但不少组织忽视了这些工作的一个基本前提：必须信赖支撑运营决策的底层产品数据和业务规则。

挑战不只是连接系统，还要确保系统之间传递的产品定义、配置逻辑和业务规则始终准确。AI 就绪始于对企业产品数据的信赖。数字化转型不只是连接系统，更要保留系统间流转信息的含义并确保其准确无误。

企业在推进系统现代化，并连接产品生命周期管理（PLM）、企业资源规划（ERP）、配置、定价与报价（CPQ）以及服务平台时，配置逻辑中的不一致可能悄然损害下游流程的准确性和人工智能驱动的建议的有效性。缺少可信赖的配置逻辑，人工智能只会加速错误，而非改善决策。

为什么产品配置是隐形的基础

如今，制造商日益依赖一个由 PLM、ERP、CPQ、制造和服务组成的互联生态系统。产品配置是其中的连接纽带，负责将工程设计意图转化为制造、销售、定价和服务方面的要求。

每个系统对产品都有不同的视角：PLM 需要技术和设计信息，制造部门需要知道哪些产品可以生产，CPQ 则需要销售规则和市场规则。配置将这些视角连接起来。无论系统集成得多么完善，只要底层逻辑发生变化或变得不一致，数字主线就会断裂。

遗留规则带来隐形风险

产品配置模型往往承载着数十年间积累并逐层叠加的知识：法规要求、制造限制、特定市场的例外情况以及定价逻辑。最初构建这些模型的人往往已经离开公司，导致组织面对一套如今无人能够完全理解的规则。

企业现代化项目，例如迁移至 SAP S/4HANA，通常侧重于应用程序、基础设施和定制代码，却将配置逻辑视为次要事项。由此产生一种容易被忽视的风险：系统可能成功完成迁移，但配置行为却发生细微变化，而传统测试很难发现这些变化。

S/4HANA 迁移很好地说明了这一问题，因为即使语法完全相同，新的配置引擎也可能对沿用多年的规则作出不同解读。默认值的应用方式、约束条件的评估顺序以及规则冲突的解决方式出现差异，都可能改变模型接受哪些组合，即使规则本身一个字都没有改写。

这不仅令人困惑，糟糕的配置逻辑还会演变成业务问题。存在两种失效情形，代价都很高：

• 配置允许公司销售实际上无法生产的产品，导致返工、未能履行承诺并损害客户关系。
• 配置错误地阻止公司销售本来能够生产的产品，导致收入损失，并可能丧失竞争优势。

第一种失效情形最终会在工厂车间暴露出来。第二种则悄无声息；订单簿上不会记录配置器从未允许成交的销售。

验证正成为一项战略能力

传统的迁移验证严重依赖人工测试和抽查，但面对数量庞大的可能产品组合，这些方法根本无法切实完成评估。配置验证将关注重点从数据是否成功迁移，转向业务意图是否依然得到保留。

我见过制造商专门组建团队，全部工作就是确认迁移后的模型仍会生成相同的有效配置，并继续拒绝相同的无效配置，因为他们没有其他办法确认这一点。这项工作细致、昂贵且耗时，即便如此，也只能抽样检查问题。

有必要准确了解涉及的规模。一个包含 30 个变量、每个变量有 5 种选项的模型，允许的组合约有 10²¹ 种，远远超过对地球沙粒数量的估算；而实际的工业模型规模要大得多。无论多少人通过用户界面逐一点击，都无法遍历如此庞大的组合空间；算术上就行不通。

这正是形式化方法的重要意义。配置模型无需通过抽样组合来验证，而是可以编译成规范逻辑形式：用紧凑的数学表示涵盖其规则允许的每一种有效组合。以这种方式编译的两个模型可以直接比较：它们要么描述完全相同的一组有效产品，要么比较结果会准确指出两者的差异，并给出具体示例，说明某种组合为何会被一个模型接受、却被另一个模型拒绝。同一种表示方式还能将运行时行为转化为查表，而非搜索，因此配置器只会显示有效选项，不会让用户陷入无路可走的境地。事实证明，验证与运行时正确性是同一种能力的两个方面。

越来越多的组织需要在将 AI 或自动化应用于产品规则之前，进行这类形式化比较。目标不仅是降低迁移风险，还要保持工程、制造、销售和服务各环节的运营连续性，并能够在发布前而非发布后测试、调试和验证配置模型。

AI 应构建在确定性引擎之上，而不是取代它

这一切都不要求 AI 取代配置引擎。更可持续的做法恰恰相反：让 AI 介于用户与严谨的配置引擎之间，在底层规则保持确定性的同时，提供更自然的引导式销售或推荐体验。语言模型负责理解客户的需求；引擎则判断实际能够构建什么。这样的分工确保了流程中必须做到可证明正确的部分，不会交由一个从设计上就具有概率性的系统处理。

可信数据是 AI 项目成功的关键

AI 生成推荐的可靠程度，取决于它所获取的产品知识的可靠程度。未经验证的配置数据会导致 AI 在整个企业范围内传播错误，损害销售指导、制造决策和对客户的承诺。

制造商应将数据验证视为部署 AI 的先决条件，就像软件测试已成为应用程序开发的先决条件一样。随着数字化转型持续推进，竞争优势将越来越不取决于谁先部署 AI，而取决于谁能在可信产品智能的基础上部署 AI。