成都制造企业SRM和ERP数据对不上，AI协同先治理什么？

系统都上线了为什么协同还是慢不少成都制造企业已经有ERP也陆续上了SRM、WMS、MES或QMS。采购订单在线审批供应商可以在SRM里报价仓库可以扫码入库质量部门也有检验记录。可一到真实协同问题仍然反复出现ERP里的供应商名称和SRM不一致物料编码对不上采购单位和库存单位不同合同价格没有同步仓库到货记录找不到对应订单质量异常无法回到供应商评价。这类问题表面上像系统接口没打通实际上多半是数据口径没有治理。企业想用AI做供应链协同如果底层数据仍然互相矛盾智能体就会被迫在错误、重复、过期的信息里做判断。结果不是效率提升而是把人工核对变成机器放大后的混乱。因此SRM和ERP数据对不上时最先治理的不是某一个接口也不是让AI自动补全缺失字段而是明确哪些数据必须成为全公司共同口径。只有物料、供应商、价格、合同、库存、质量和审批状态能互相对齐AI才可能进入询价、下单、到货、对账、异常分派和供应商绩效分析。第一件事先定主数据不要先定功能很多企业做供应链AI项目时会先讨论功能自动询价、供应商推荐、交期预警、异常工单、对账助手、经营看板。功能当然重要但如果主数据不清楚功能越多争议越多。采购说这是同一个供应商财务说开票主体不同仓库说这是同一种物料质量说规格型号不同计划说订单已到ERP显示仍未收货。AI无法凭空解决这些组织口径差异。主数据治理至少要先看四类对象物料主数据、供应商档案、采购价格与合同台账、组织与权限规则。物料主数据要统一编码、名称、规格型号、计量单位、替代关系和质量要求供应商档案要统一供应商编码、主体名称、联系人、资质状态、准入范围和停用状态合同价格要明确币种、税率、运输条件、有效期、阶梯价和审批版本组织权限要明确哪个部门能新增、修改、冻结和审核这些数据。这一步看似基础却决定后续AI是否可信。没有主数据智能体只能在不同系统之间猜测有主数据智能体才能判断“这是同一个物料的不同写法”还是“这是两个不能混用的规格”。前者可以自动提示合并后者必须进入人工确认。图1SRM与ERP对账应先定位物料、供应商、单位、价格和状态的不一致。第二件事把不一致变成可处理工单SRM和ERP数据不一致并不意味着项目失败。真正的问题是企业有没有把不一致变成可分派、可确认、可复盘的治理流程。常见的不一致包括供应商编码不同、物料名称近似但规格不同、采购单位和入库单位换算缺失、合同价格过期、订单状态未同步、到货批次无法追溯、质检状态和入库状态不同步。AI可以做的第一类工作是识别异常。比如同一个供应商在SRM中有两个名称或同一物料在ERP中按“件”采购、WMS中按“箱”入库系统可以提示“需确认”。第二类工作是补齐证据。智能体可以把相关采购订单、报价记录、合同条款、到货单、质检单和审批记录放在一起形成处理材料。第三类工作是分派责任。物料编码问题给主数据管理员供应商资质问题给采购价格有效期问题给财务或采购经理质量状态问题给质量部门。图2主数据治理需要采购、仓库、财务、质量和IT共同确认责任边界。企业要避免让AI直接修改主数据。主数据一旦被错误合并或错误覆盖影响会沿着订单、库存、成本、质量和供应商评价继续扩散。更稳妥的方式是AI先识别异常并给出建议责任人确认后再写回系统并保留修改前后版本、审批人和生效时间。第三件事让采购、仓库、质量和财务看同一套证据供应链协同最怕各部门各看一套数据。采购看供应商报价仓库看到货数量质量看检验结论财务看发票和付款计划看齐套和交期。数据不统一时部门之间很容易互相质疑到底是供应商没按合同供货还是仓库录错批次到底是采购价格变了还是财务取了旧合同到底是质量未放行还是ERP状态没有更新。AI供应链协同的价值不只是把这些数据展示到一个屏幕上而是围绕一个异常形成同一份证据包。比如某批材料到货后无法入库证据包应包含采购订单、供应商发货信息、到货登记、物料主档、批次号、质检状态、仓库扫描记录、合同验收条款和当前责任部门。这样开会时讨论的是事实和动作而不是反复截图、导表和问人。图3到货、质检和入库口径一致后供应链协同才能进入现场流程。这也是逐米时代这类企业AI应用与智能体服务商可以切入的地方。供应链智能体不是在旧系统外面再做一个聊天框而是要依托可信数据底座、企业知识图谱和ERP/SRM/WMS/MES/QMS等系统集成能力把分散数据组织成业务可用的上下文再推动异常识别、材料整理、任务分派和审批留痕。第四件事定义写回边界和权限企业做AI协同时必须把“可读、可建议、可写回”分开。很多供应链数据可以让AI读取例如订单、报价、库存、质检和合同状态很多结论可以让AI建议例如疑似重复供应商、异常价格、缺失计量换算、待确认批次但真正写回主数据、变更合同价格、冻结供应商、调整库存状态必须有明确权限和人工审批。权限设计要贴合业务责任。采购可以发起供应商档案修正但不应单独修改财务开票主体仓库可以确认到货数量但不应改采购价格质量可以改变质检状态但不应删除供应商历史异常IT或数据管理员可以维护编码规则但不能替业务部门判断供应商准入。AI智能体应在这些边界内工作不能因为“看起来更快”就绕开制度。审计也要从一开始设计。每次AI建议、人工确认、系统写回和后续复盘都应该留下时间、来源、依据、责任人和结果。没有审计AI协同很难进入正式管理有审计企业才能判断哪些异常反复出现、哪个系统字段最容易错、哪个供应商档案长期缺失、哪个部门需要补制度。项目验收看治理结果不只看演示效果SRM和ERP数据治理项目的验收不应只看大屏好不好看也不能只看智能体回答是否流畅。更关键的是四类结果。第一核心主数据是否有清晰口径物料、供应商、价格、合同、库存、质量和组织权限是否有唯一负责部门和维护规则。第二系统之间的不一致是否能被及时发现不是月底对账才暴露而是在采购、到货、质检或付款环节就被提示。第三异常是否能被分派并闭环。系统发现问题后是否自动生成任务是否能看到责任人、处理意见、处理时限和最终结果。第四治理是否能持续维护。很多企业一开始清洗得很漂亮三个月后又回到旧状态原因是没有新增、变更、停用、合并和版本管理机制。AI可以参与监控但制度必须同步建立。对成都制造企业来说SRM和ERP数据对不上并不是小问题它会直接影响采购效率、供应商管理、库存准确率、成本核算、质量追溯和经营决策。AI协同能不能落地取决于企业愿不愿意先把这些看似琐碎的数据口径治理清楚。先统一口径再谈智能协同才是低风险、可验收、能持续的路线。