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1：SRM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。