大模型很聪明，但看不懂你的ERP

一家制造业企业花了三个月接入了大模型。项目汇报的时候演示效果很好——AI能流畅对话能回答通用问题甚至能讲笑话。但到了真正用的时候问题来了。采购经理问三车间上个月的废品率是多少比上上个月降了还是升了AI沉默了五秒回答抱歉我无法访问您的ERP系统数据。技术团队赶紧把ERP数据库接上了。再问AI回答了——但数字是错的。它把三车间和总装车间搞混了因为ERP里三车间的编码是WS-03而飞书群里大家一直叫它总装三线。又问最近铜价波动对采购成本有什么影响AI去查了采购系统给出了一个采购金额的汇总。但采购经理真正想知道的是铜价每涨1%我们的BOM成本会波动多少哪些产品受影响最大要不要现在锁价AI做不到。因为它不知道铜价和产品BOM之间是什么关系不知道哪些零部件含铜不知道铜的用量占比不知道锁价规则是什么。这些知识不在任何文档里——它分布在采购员的脑子里、BOM工程师的Excel里、供应链总监的微信聊天记录里。这不是模型能力的问题。GPT-4、DeepSeek、Qwen换了哪个模型都一样。问题出在一个被严重低估的瓶颈上——语义鸿沟。语义鸿沟企业AI落地最被低估的瓶颈向量空间JBoltAI在服务了上百家企业后总结出一个规律企业AI落地失败的案例中超过70%不是因为模型不够强而是因为AI根本不理解企业的业务语义。什么是语义鸿沟企业的数据分散在十几个甚至几十个系统里——ERP、MES、PLM、CRM、WMS、OA、财务系统、SRM。每个系统有各自的字段定义、编码规则、业务逻辑、数据口径。同一个概念在不同系统里的叫法都不一样。ERP里叫物料编码MES里叫零件号PLM里叫零部件编号采购员嘴里叫料号——说的是同一个东西。更隐蔽的问题同一个词在不同语境下含义完全不同。工单在ERP里是生产指令在MES里是质检记录在OA里可能是维修申请。批次在生产中是生产批次号在质检中是抽样批次在仓储中是入库批次。向量空间JBoltAI把这种现象归纳为三类典型问题。第一类找不到数据。AI接到一个业务问题但它不知道这个问题该去哪个系统查。企业里有十几个数据库、几十个API接口没有语义层的话AI只能盲猜——猜错了就是乱查一通浪费时间还给出错误结果。第二类理解错含义。AI找到了数据但误解了数据的含义。把工单理解成了维修申请而不是生产指令把报废量理解成了总报废而不是当班报废。字段名一样业务含义完全不同。AI给出的分析越自信造成的误导越大。第三类串联不了系统。业务人员提的问题往往需要跨系统关联。比如这个供应商上一次交付延误影响到了哪些订单的交付——供应商信息在SRM交付记录在MES订单信息在ERP三者之间的关联逻辑在企业里只有采购老员工才知道。没有语义层AI无法完成这种跨系统推理。和RAG有什么区别很多人会说我们建了RAG知识库把所有文档都扔进去了AI应该能理解吧向量空间JBoltAI的回答是RAG解决的是文档知识问题本体语义解决的是系统知识问题。两者完全不同缺一不可。RAG处理的是人写的文字——操作手册、规章制度、培训文档、会议纪要。这些是显性知识有明确的文字表述。本体语义处理的是系统的数据结构和业务逻辑——字段定义、编码规则、数据关联、业务约束。这些是隐性知识藏在系统的表结构和业务流程中很少有人写成文档。举个例子。RAG能帮你找到设备维护操作手册这份文档但本体语义能告诉AIA设备的维护标准周期是2000小时上次维护是1500小时前这台设备正在执行B生产订单这个订单的交期是本周五如果现在停机维护会导致订单延期。这五个信息分别来自设备管理系统、生产管理系统和ERP把它们串联起来做出一个有业务意义的判断——这才是本体语义要做的事。向量空间JBoltAI在大量企业实践中发现只建RAG的企业AI能回答问题但做不到驱动决策。因为决策需要的不是文档知识而是对业务系统的深度理解。语义鸿沟的根源为什么会有语义鸿沟根本原因是企业的信息系统是按部门、按功能、按时间分期建设的。每个系统都是独立设计的各自有自己的数据模型和业务语义。二十年信息化建设的结果是数据有了系统有了但没有一个统一的语义层把所有系统的含义串起来。ERP供应商不关心MES的数据模型MES供应商不关心PLM的编码规则PLM供应商不关心WMS的批次定义。每个系统都是一个语义孤岛。当AI想要跨越这些系统做推理的时候它面对的就是一堆互不关联的表结构和编码。就像一个外国人到了中国拿着字典能认识每个汉字但完全不理解这些汉字组合在一起是什么意思。大模型有海量的通用知识但它没有你企业的专属知识。它不知道WS-03是三车间不知道报废在你们厂的定义标准不知道铜价波动和产品成本之间的传导路径。这些知识是你企业在二十年的运营中积累出来的是独有的、不可替代的。向量空间JBoltAI认为语义鸿沟是从信息化到智能化之间必须跨越的一道坎。不解决这个问题AI在企业里永远只能做客服——回答表面的问题做不了真正的业务决策。怎么跨过去向量空间JBoltAI提出的解法是企业本体语义平台——一套对企业业务语义进行统一建模的系统。它做的事情不是替代任何现有系统而是在所有系统之上建一层语义翻译层。把每个系统的数据模型、编码规则、业务逻辑统一映射到一个本体模型中。AI不再直接面对十几个系统的不同方言而是通过本体模型这个翻译官理解企业的业务语义。这个本体模型覆盖五个维度组织本体谁负责什么、产品本体产品结构是什么关系、工艺本体怎么制造、设备本体设备怎么维护、业务流程本体业务怎么运转。有了这五个维度AI就能理解三车间属于生产部当前负责人是张三设备包含三台注塑机生产的产品线是X系列当前执行的是Y订单——这些分散在不同系统里的信息被本体模型串联成了一个完整的业务图景。向量空间JBoltAI正在内部业务系统中验证这套方案——OA工单、发展计划、客户工单、飞书客户画像。这些系统已经在用本体语义串联起来AI在这些场景中已经能做出准确的跨系统推理和决策。语义鸿沟不会因为模型更强就自动消失。GPT-5出来也看不懂你的ERP。大模型提供的是通用智能企业需要提供的是专属认知。两者结合AI才能真正懂你的业务。向量空间JBoltAI的判断2026到2027年企业本体语义将从前沿概念变成企业AI建设的基础设施。就像二十年前每个企业都要建数据仓库一样未来每个企业都需要建自己的本体语义模型——这是AI时代企业认知能力的基石。