案例 08 · 工业物料与采购

文字由原PDF提取，阅读顺序和表格请以原页为准。

在这个过程中，我们才逐渐把“ERP不好用”拆解成一个个具体问题，并进一步找到数据
质量和搜索这两个值得优先处理的问题。
第二步，把问题放回完整业务链条里。
这是我认为FDE和单纯做AI功能非常不一样的地方。我们没有停在“搜索不好，所以做一
个更好的搜索”这一步，继续往下追，搜索不好到底为什么会产生业务损失。最后才得
到这条链路，搜索困难 → 重复录入 → 数据污染 → 错误/重复采购 → 库存积压 → 最终
报废 → 产生真实财务损失。只有这条链路成立，我们才知道这个AI应用到底值多少钱。
第三步，和所有利益相关方一起确定优先级。
这个案例涉及十几个部门，不可能FDE自己拍脑袋决定先做什么。我们把诊断出来的功
能点整理成列表，再把不同业务部门的负责人和代表召集起来，一项项确认每个功能到
底解决什么问题、是不是业务真正需要的、应该先做哪个后做哪个，还会让业务部门参
与投票。
与此同时，FDE内部也会从七八个维度去评估每个用例，比如数据能不能拿到、数据处
理后能不能重新写回业务系统、AI到底能不能解决、技术难度怎么样，以及最终业务人
员是否愿意采用。
因为一个功能技术上做出来，不代表它真的能落地。有时候数据根本不存在；有时候老
系统不允许你把处理结果写回去；有时候技术能实现，但业务部门不愿意自己的系统被
碰；还有时候业务人员根本不相信AI输出的结果。这些问题，都要在真正开始构建之前
尽可能摸清楚。
第四步，把技术分工定清楚，让AI只做该做的部分。
我们没有把所有事情都塞给大模型。语义检索负责理解业务人员那句“我要找的东西”
背后的语义，把同一个物料的不同叫法对上号；数据清洗和标准化则负责在检索之前先
把历史数据里的重复和不一致处理掉，让语义检索有干净的底子。最终是不是采购、采
购多少，仍然由业务人员拍板。
80/243