我们给几十万物料请了个AI“翻译官”，主数据质量飙升，成本几乎为零！

最近一年多，生成式AI（AIGC）的热度可以说是席卷了全世界。从能写代码、写小说，到能画画、做视频，AIGC展示出的能力让人惊叹。但说实话，作为一个天天与企业数智化转型打交道的人，我与大部分企业同行一样，一直在探寻AIGC的落地之道。

我们听了太多关于AIGC颠覆行业的宏大叙事，但真正能落地的、能解决我们身边具体问题的案例，却少之又少。很多时候，感觉它就像天上的神仙，很厉害，但离我们凡人的生活还是有点远。

直到前段时间，我们AI团队受一个业务需求的启发，做了一次成功的尝试。这个尝试不大，但效果却出奇地好，它让我第一次真切地感觉到：AIGC，终于“下凡”，而且“有所作为”了。

今天，我就把这个热乎乎的真实案例分享给大家，希望能给同样在探索AIGC应用场景的朋友们一点启发。

一、从一份普通的采购单，揪出一个“数据幽灵”

故事的起点，源自一个我们企业里再普通不过的场景——提报采购计划。

想象一下，生产车间的李师傅（虚构人物，仅为方便案例理解），需要领用一种特定的螺丝。他得先去公司的“主数据管理平台（MDM）”里查这个螺丝的物料编码，然后用这个编码去提报计划。

听起来很简单，对吧？但问题就出在这个“查询”环节。

李师傅在查询框里输入他平时习惯叫的名字，比如“M5内六角螺丝”。结果，系统显示“查无此物”。李师傅心想：“编码库里可能没这个型号吧。” 于是，他只能走另一个流程——申请新的物料编码。他填了一堆表格，描述了螺丝的规格、用途，提交上去。审批通过后，系统里就多了一个新的物料编码，专门对应李师傅申请的这种螺丝。

看上去一切正常，但一个“数据幽灵”就此诞生了。正是这个看似寻常的应用场景，导致了物料编码数量以非常快的速度膨胀，关键是冗余的数据占了非常高的比重，这为后期的耗资巨大的物料编码清理埋下了隐患。

但原因究竟是为何？

因为，实际上MDM系统里早就有了这种螺丝，只不过它的“官方大名”非常拗口，叫作“圆柱头内六角螺钉 GB/T xxx标准件”。李师傅一个一线工人，哪知道这么专业的名字啊？

结果就是：同样一个东西，在我们的数据系统里，有了两个甚至多个不同的编码。 这就是我们行内常说的，困扰了无数企业的老大难问题——“一物多码”。

你可千万别小看这个问题。它就像数据世界里的癌细胞，起初不起眼，但慢慢会侵蚀整个企业的运营效率和决策质量。比如：库存很可能会变成一本糊涂账：仓库里明明有1000个“螺钉A”，系统里又显示需要采购500个“螺丝B”，其实它们是同一种东西，造成了不必要的采购和资金占用。还有，有可能使采购成本虚高： 本来可以集中采购1500个螺丝拿到更低折扣，现在分散采购，成本自然就高了。更大的危害是使数据分析失准：当领导想看“某某型号螺丝”今年的使用损耗时，分析师根本无法给出准确数据，因为数据源头就是一团乱麻。

这个“一物多码”的问题，就像幽灵一样，潜伏在我们企业的数据系统里，我想各们同行们一定是深受其害，却又无可奈何。

二、理想丰满的“别名功能”与骨感的现实

其实，为了解决这个问题，MDM系统早就提供了一个“药方”——物料别名功能。

它的逻辑很简单：除了给每个物料命名“官方大名”（或叫物料描述）之外，还可以为它多增加几个“小名”或“外号”。比如，给“圆柱头内六角螺钉”这个物料，加上“内六角螺丝”、“杯头螺丝”、“M5螺钉”等别名。

这样一来，李师傅再用“内六角螺丝”去查，系统就能通过别名，准确地找到那个官方的物料编码。查询命中率上去了，“一物多码”的问题自然就大大减少了。

想法非常好，堪称完美。但现实却很骨感。

问题出在哪？谁来给这几十万个物料，一个个地去添加别名呢？

这是个极其庞大、枯燥，而且还需要一定专业知识的工作。我们主数据部门的同事也尝试过，组织过几次人力去补充，但面对几十万量级的物料库，那点工作量简直是杯水车薪，最后也就不了了之了。

那个被寄予厚望的“别名”字段，在系统里常年空空如也，成了一个摆设。

三、AIGC登场：我们给几十万物料请了个AI“翻译官”

转机出现在最近。业务部门的同事们在了解到现在AIGC的能力后，抱着试一试的心态找到了我们AI开发团队：“你们那个AI，不是啥都会吗？能不能让它帮我们给物料起起外号？”

这个需求，一下子点醒了我们。

对啊！AIGC最擅长的不就是理解语言、生成内容、做各种归纳和联想吗？让它来干这个活，应该可以一试！我们要让它充当一个“翻译官”，把工程师语言的“官方大名”，翻译成一线工人能听懂的“大白话”。我们评估下来，技术上完全可行。说干就干！

我们利用公司现有的智能体（Agent）开发平台，快速搭建了一个专门用来生成物料别名的AI工作流。这个工作流其实并不复杂，主要分几步：

第一步 喂数据：我们把一个物料的“官方名称”、“规格型号”、“物料描述”等信息，作为输入喂给AI Agent。

第二步 下指令： 我们给Agent下了一道精心设计的指令（Prompt），告诉它：“你是一位经验丰富的工业品专家，请根据我提供的物料信息，生成尽可能多的、符合中国人日常称呼习惯的、不同角度的别名。比如可以从材质、形状、用途、俗称、标准简称等角度来发散。”

第三步 AI处理：Agent会调用背后的大语言模型，开始它的“头脑风暴”，生成一个别名列表。

第四步 给结果：最后，它会输出一个结构化的数据，比如[“内六角螺丝”, “杯头螺丝”, “圆柱头螺钉”, “M5螺钉”]。

我们先拿了少量物料做了测试，结果让我们非常惊喜！AI生成的别名，质量非常好，覆盖面也很广，甚至一些我们自己都想不到的叫法，它都能给出来。

目前，这个AI“翻译官”已经准备正式上岗了。我们正计划让它把整个MDM系统里几十万个物料的别名信息，全部补全。一场持续了近十年的数据治理难题，有望在几周之内，被一个AI Agent彻底解决。

四、举一反三：企业里还有哪些“金矿”可以挖？

这个小小的成功，给了我们团队巨大信心。我们意识到，企业里像“补全物料别名”这样，重复、海量、依赖知识和经验、但又缺乏创造性的“灰色地带”工作，一定还有很多，它们也正是AIGC大展身手的“黄金”场景。

比如，智能客服问答库生成： 很多企业的客服知识库也是残缺不全的。我们可以让AI读取所有的产品说明书、技术手册、历史客服聊天记录，自动生成标准的“问题-答案”对，这样就可以大大扩充知识库，从而提升智能客服的回答准确率。

又如，设备备品备件智能推荐： 在设备维修场景下，维修工单上写的是“更换XX泵的轴承”，但具体是哪个型号的轴承？需要连带更换哪些密封圈和螺栓？我们可以让AI学习历史维修记录和设备BOM清单，当工单生成时，自动推荐出所需的全部备品备件列表，减少错漏。

这些场景，和“物料别名”一样，都有一个共同点：它们不是要用AI去替代某个核心的、创造性的岗位，而是用AI去赋能，去完成那些过去因为人力成本太高而无法完成、或者完成得不够好的“辅助性”工作。

当前AIGC的能力，虽然某些内容生成场景给我们带来震撼，但对于企业中的业务，它目前还不能形成闭环的能力，我们只能从某些点上去寻找它可以赋能的场景，这就像企业的“毛细血管”，虽然不起眼，但一旦疏通，整个组织的血液循环就会变得更加顺畅。

对我而言，这次实践最大的意义，是让我看到了A-I-G-C这四个冰冷的字母背后，其实蕴藏着一种解决实际问题的强大力量。它不能永远只是一个遥不可及的“黑科技”，而应一线工程师手中，一把可以用来打磨业务、提升效率的、锋利的“瑞士军刀”。

而这样的“黄金”场景，我相信在每个企业的各个角落里，都还埋藏着很多，等待着我们去发现和挖掘。其实这也是我做这个公众号的原因之一，开通公众号的这两周我一直在试探各种内容，期望能找到一个适合大家口味的内容方向，如果您喜欢今天这篇以ＡＩ落地应用为内容的文章，请给我点个赞，我会在今后多多奉献这类内容，也为快速推进AIGC在企业的落地贡献一份力量。

好了，今天的分享就到这里。您有什么看法？欢迎在评论区留言。最后，别忘了关注（公众号：数智转型架构师）、点赞，并分享给更多需要的人！