上周去杭州见一个做五金出口的客户，他打开ERP给我看库存数据：「匠心老师你看，我们数字化做得还可以吧，所有物料都有编码，出入库扫码，数据都是实时的。」

我随便点开一个物料的采购记录，问采购部的小姑娘：「这个供应商填的『316不锈』，跟另一个供应商填的『SUS316』，是同一个东西吗？」

小姑娘说：「应该是吧。」

我又点开质检记录：「那质检填的『不锈钢316L』呢？跟前面两个一样吗？」

她说：「……应该也一样。」

三个层级、三个部门、三年时间，同一个零件被写了三个不同的名字。在这个ERP里，它们是三个不同的物料。AI如果来跑这个数据，会认为你们公司采购了三款完全不同的不锈钢部件。

这就是我要说的：ERP跑了五年，数据量是大了，但AI根本用不了——不是数据不够多，是数据不够「干净」。

有一个你可能听过但没当回事的数字：数据科学家平均花80%的时间在数据清洗上，只有20%的时间做真正有价值的分析。Gartner预测，到2026年，因为数据质量问题导致AI项目失败的案例将占总失败案例的40%以上。

去年做的一家广州服装企业，老板老刘想做AI销量预测。IT部门把过去三年的ERP数据导出来给我，我跑了第一轮就让老刘过来看了一眼。AI的预测结果显示：每年7月第三周的销量会腰斩。老刘说不对啊，7月是旺季。我查了原始数据——原来是财务部每年7月中旬做半年结算，那个星期暂停录单，所有订单都压到下一周。ERP里的数据是真的，但它反映的不是「销量」，而是「录单时间」。用这个数据喂AI，预测出来的不是市场规律，是财务部的工作习惯。

我问过很多老板一个问题：「你公司ERP里有多少数据是你敢拍着胸脯说『这个数字100%准确』的？」没人敢拍。但如果你自己都不敢信这些数据，凭什么觉得AI能用？

解决问题的办法不复杂，但需要老板下决心：先做数据标准，再做数据治理，最后才谈AI。什么叫数据标准？就是全公司对同一个东西叫同一个名字。什么叫数据治理？就是有人对数据质量负责，录入不规范的要反馈、要纠正。这两件事听起来很low、很不AI，但它们是所有AI项目的地基。

老刘后来花了一个月，组织各部门把过去三年最核心的12个数据字段重新对齐了一遍。一个月后，同一个AI销量预测模型，准确率从57%提到了84%。

AI不挑食，但挑数据。垃圾进，垃圾出。这不是技术问题，这是管理问题。