"李总，这个月的
OEE（整体设备效率）数据出来了。""多少？"
"78.3%。"
"环比呢？"
"这个...我让小张算一下。"
这是我在某汽车厂调研时真实看到的对话。厂长想要的是"用嘴问数据"，但现实中却是"用人跑数据"。
NL2SQL的"美丽谎言"
过去两年，我走访了37家制造企业，看到了一个令人心碎的现状：90%的AI问数项目都在假装成功。
为什么？因为大家都被NL2SQL这个"美丽谎言"给骗了。
"自然语言转SQL，让业务人员直接问数据"——听起来多么动人。但现实是，当你问"上周A线的良品率为什么下降了"时，系统给你的是一堆看不懂的SQL代码，或者更惨——直接报错。
我见过最离谱的案例：某家电巨头的BI团队，花了8个月时间做NL2SQL，结果上线第一周就被业务部门集体抵制。
原因？系统把"直通率"理解成了"通过率"，把"不良品"算成了"返工品"。一个字的差异，让整个季度的质量分析全部作废。
制造业的数据问数，根本不是简单的"中译英"问题，而是"业务语言"到"数据语言"的鸿沟问题。
MQL：制造业的"数据方言"
制造业有自己的"方言"。
同样叫"效率"，设备部门说的是OEE，生产部门说的是节拍达成率，计划部门说的是订单准时交付率。同样叫"库存"，原材料仓库关心的是周转天数，成品仓库关心的是呆滞比例，财务部门关心的是资金占用。
这些差异不是简单的同义词替换，而是深深刻在业务逻辑里的"认知基因"。
传统的NL2SQL就像把一个广东人直接扔到东北，告诉他"都是中文，自己理解去吧"。而MQL（Manufacturing Query Language）的做法是，先建一个"翻译官"体系，把各地方言先整理成标准普通话，再去做转换。
这个翻译官体系，就是"制造业指标体系"。
听起来很土，但这是真正的"降维打击"。当别的厂商还在纠结"怎么让SQL更懂人话"时，我们直接绕过了这个维度——不让SQL懂人话，而是让人话先变成"指标话"。
从"炼金术"到"化学方程式"
某食品厂的CIO老王跟我吐槽："我们厂有12个版本的'良品率'，每个部门都有自己的算法。质量部算的是'合格数/检验数'，生产部算的是'合格数/生产数'，财务部算的是'合格数/订单数'。一个指标，三套口径，开会就像鸡同鸭讲。"
这不是技术问题，这是"制造业炼金术"时代的典型症状——每个人都在用自己的"秘方"，没有统一的"化学方程式"。
MQL的核心就是把"炼金术"变成"化学方程式"。
怎么做？先把所有的"秘方"都晒出来，然后建立一套"指标语法"：
原子指标：不可再拆分的最小单位，比如"合格数"、"生产数"
计算指标：由原子指标组合而成，比如"良品率=合格数/生产数"
维度：看数据的角度，比如"时间"、"产线"、"班次"
口径：具体的计算规则，比如"合格数是否包含返工后合格的产品"
听起来很简单？但就是这么简单的东西，90%的制造企业都没有。
我见过的最夸张的case：某造船厂，同一个"交付准时率"，采购部、生产部、销售部有三个完全不同的定义，而且每个部门都坚信自己的才是"标准答案"。最后怎么解决的？一把手的铁腕——"以后都用财务部的定义，谁反对谁下课"。
这就是现实：技术问题最后都是组织问题，数据问题最后都是权力问题。
制造业AI问数的"三重门"
做了这么多项目，我总结出一个规律：制造业AI问数要成功，必须跨过"三重门"。
第一重门：指标门
很多项目死在这里。技术团队觉得"不就是几个指标吗"，业务部门觉得"这么简单的需求你们都理解不了"。
真相是：制造业的指标体系，比互联网复杂100倍。
互联网公司的指标，大多是"用户行为"的统计——点击率、转化率、留存率。这些指标的定义相对标准化，跨公司差异不大。
制造业的指标，是"物理世界"的量化——每个工厂的设备不同、工艺不同、管理模式不同，指标定义也就不同。更惨的是，这些差异往往隐藏在"经验"里，老员工心知肚明，新员工一脸懵逼。
第二重门：数据门
跨过了指标门，还有更惨的数据门。
制造业的数据，是典型的"三多三少"：
系统多，打通少：ERP、MES、WMS、PLM...每个系统都有自己的数据标准
历史多，质量少：10几年的历史数据，但90%都有质量问题
细节多，维度少：记录了每个螺丝的拧紧力矩，但不知道这个螺丝属于哪个产品
最惨的是，制造业的数据质量问题是"结构性"的——不是简单的"清洗"就能解决，而是需要"重新定义"。
比如"生产开始时间"，MES记录的是"第一个工序开始时间"，ERP记录的是"订单下达时间"，手工报表用的是"班组长记得的时间"。三个数据源，三个数值，哪个才是"真值"？
第三重门：认知门
最难的是认知门。
技术团队觉得："我们做了这么炫酷的AI问数系统，业务部门应该感激涕零才对。"
业务部门觉得："你们连'良品率'都算不对，还谈什么AI？"
认知差异的核心在于：技术团队关注的是"技术先进性"，业务部门关注的是"业务准确性"。
一个真实的对话：
技术："我们的AI问数系统准确率达到85%了！"
业务："那剩下的15%怎么办？万一我汇报给老板的数在那15%里呢？"
技术："......"
制造业的数据应用，容错率极低。一个错误的数据，可能导致错误的决策，错误的决策可能导致数百万的损失。
这就是现实：在制造业，99%的准确率等于0——因为没人知道哪1%是错的。
结语
做了这么多项目，我总结出一个"生存法则"：制造业AI问数，必须先做"数字化治理"，再做"智能化应用"。
AI问数不是"速效救心丸"，而是"长期处方药"。
它不能帮你跳过数字化转型的"坑"，只能让你在坑里少待一会儿。
真正的制造业AI问数，拼的不是算法多先进，界面多炫酷，而是——你敢不敢先花半年时间，把最基础的指标体系梳理清楚？
毕竟，在制造业，慢就是快，快就是死。
