当 AI 不再只是“看起来正确”

“ 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。
”

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

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。

我们已经有大模型和 RAG 了，为什么还不够

说到这里，很多人会问：现在的大语言模型已经很强了，再把企业文档通过 RAG 交给它，不就可以了吗？

大语言模型当然很重要。它擅长理解人的问题，也擅长组织答案。RAG 也很有价值，尤其是查询技术文档、维修手册和质量规程时，它能很快找到相关内容。

但如果问题是“哪些产品使用了这批问题物料”，企业需要的不是一段相似的文字，而是一条准确的关系路径。模型需要知道，PLM 里的“零件”、ERP 里的“物料”和 MES 里的“投料记录”之间究竟是什么关系。

还有一种很常见的思路，是给每个系统部署一个智能体，再让它们相互协作。这也没有错。但如果每个智能体只能看到自己的数据孤岛，最后得到的仍然是几个局部答案。把几个答案放到一起，并不等于 AI 已经理解了这家企业。

所以问题并不是大模型、RAG 或者智能体没用，而是它们还需要一个共同的业务上下文。没有这层基础，AI 知道很多通用知识，却不知道眼前这家企业究竟是怎么运转的。

我更愿意把本体理解为一张企业地图

这就谈到了本体和企业知识图谱。很多人第一次听到“本体”时，会觉得这是一个很学术、很复杂的概念。其实不用把它想得那么玄。

我更愿意把本体理解为一张企业业务地图。它先把几个最基本的问题讲清楚：在这家企业里，什么是物料，什么是批次，什么是工单、设备、产品和客户？这些对象之间允许存在什么关系？哪些业务规则始终成立？

企业知识图谱则把真实数据放到这张地图上。某一批物料来自哪家供应商，投入了哪张工单，形成了哪一批产品，最终交付给了哪个客户，这些过去隐藏在不同系统和表格里的关系，变成了可以直接查询和验证的路径。

这样一来，AI 回答问题时就不再只是依靠语言模式去猜。业务人员可以继续追问：你用了哪些数据？这条关系来自哪个系统？为什么会得到这个结论？

我认为，这才是“可信”真正开始建立的地方。它不是要求人们无条件相信 AI，而是让 AI 的每一个判断都能够被看见、被追溯，也能够被业务人员复核。

Graph Studio 做的，是让这张地图真正运行起来

理解本体的价值是一回事，真正把它放进企业环境里运行，是另一回事。因为企业的数据不会只存在于一个系统中，业务也一直在变化。今天是质量追溯，明天可能又要加入客户订单和售后服务。

Graph Studio 并不是要替换企业原有的 PLM、ERP、MES 或者数据平台。它做的是在这些系统和数据之上建立一层统一的业务语义，把分散的数据关系组织起来，形成可以持续扩展的企业知识图谱。 

企业也不需要一开始就建设一张覆盖所有业务的“大图”。完全可以从一个小而具体的问题开始，比如一批原材料的质量追溯，先把解决这个问题需要的对象和关系连接起来。等到业务需要扩大，再逐步加入订单、客户和售后数据。

在前面提到的跨国制药企业场景中，知识图谱把原来分散在多个系统中的批次关系连起来后，复杂影响分析的时间被显著缩短。真正让我印象深刻的，并不是图谱里装了多少数据，而是业务人员第一次可以沿着一条清晰的路径，看到风险从哪里开始，又影响到了哪里。

Graph Studio 还需要保留数据从哪里来、经过了怎样的转换。因为企业不仅要得到答案，还要在需要的时候解释这个答案。开放语义标准和 MCP 等技术在这里很重要，但对业务人员而言，最直观的价值仍然是：AI 终于可以基于同一套、可追溯的企业事实工作。

但到这里，事情还没有结束

即使 AI 已经能够得到可信的企业上下文，它最终还是要回到实际工作中。质量负责人要确认结论，生产团队要接收任务，相关系统要执行流程，处理结果还要反馈回来。否则，AI 仍然只是一个更好的问答工具。

这也是西门子推出 Intelligence Center X 的原因。我们希望把企业上下文、专业智能和业务行动真正连接起来。

Graph Studio 帮助 AI 理解企业中的对象、关系和规则；AI Studio 结合企业运营数据，完成预测、异常识别、风险评分和参数优化；Mendix 则把这些判断带入业务应用和流程，让人员可以确认、派发、执行并反馈。治理、权限和审计贯穿整个过程。

如果用一句简单的话概括，就是 Graph Studio 解决“AI 是否理解这家企业”，AI Studio 解决“AI 能否形成专业判断”，Mendix 解决“这个判断能不能真正进入业务”。

一个值得每位 CIO 问自己的问题

我经常在客户会议结束时问这样一个问题：

“你们今天部署的 AI，如果给出一个关于供应商质量问题影响范围的判断，你们的质量总监会基于这个判断直接作出召回决策吗？”

如果答案是“不会，我们还需要人工核实”，那么这个 AI 的价值，仍然停留在辅助参考的层面，而不是真正的决策支持。

制造业 AI 的下一个台阶，不是部署更多 AI 工具，而是让 AI 真正可信——可信到足以支撑关键业务决策，可信到足以驱动业务行动，也可信到让 CIO 在审计时能够清楚解释每一个 AI 判断的来龙去脉。

这个台阶的基础，是企业知识图谱，是本体，是把几十年的制造业领域知识转化为 AI 能够识别、查询和推理的语义结构。

这是西门子正在做的事，也是我们认为制造业 AI 从“有”到“可信”、从“实验室”走向“规模化”的关键所在。