让 AI 读懂一家企业的业务规则和数据口径，难的不是模型，是把这家企业几十年攒下的生产经验拆成数据、模型、算法。一家钢厂的实践把这个判断摆得很直白：模型可以买，算力可以买，几十年积累下来的生产经验买不到。2026 年这家钢厂定的单卷成本目标是每吨钢再降 200 元，目前已降 82 元，但真正吃功夫的不是算法，是把几百上千项成本项一项项重新定义。
秦皇岛的佰工钢铁，400 万吨优特钢年产能。它的 AI 项目从一开始就没把“上什么大模型”当问题——目标只有一个，把刚下生产线的这一卷钢的成本算清。真要把这笔账算清，得先拆账：一卷钢从加热到轧制成型，涉及几百甚至上千项成本指标，每一项都要重新回答六个问题——数据从哪个采集点来、用什么通讯方式传、采集频次是多少、谁来治理、对应什么数据模型、最后用什么算法。这六个问题答不上来，后面的模型再先进，算的也是一笔口径对不上的糊涂账。
很多人把“AI 不懂业务”归结为模型不够强，但这家钢厂的难点不在模型侧。炉温变化意味着什么、参数波动要不要调整、异常先看哪里，这些判断过去全在老师傅脑子里。有人觉得这是“吃饭的本事”，不一定愿意拿出来；干了几十年的动作成了肌肉记忆，让他转成字段、规则、参数，自己都说不清。系统里没有“这一卷钢”的成本数据，AI 再聪明也算不出这一卷花了多少。
判断很简单：打开企业任何一个核心指标，问它最近一次自动采集是什么时候、跨系统的同一个数能不能给出字段来源。答不上来的，缺的不是模型，是数据底座。佰工钢铁副总经理郭俊成对这个难处的描述是：“要做到让AI管理企业，需要的数据量和数据处理工作非常大。”这句话对应的同一件事——经验要进系统，先得有人把经验一条条陪着系统认。
“把经验拆成数据”落到工程上，第一件事是给成本项逐项下定义。佰工要算单卷成本，面对的是几百甚至上千项指标，每个点位都要说清采集点、通讯方式、采集频次、治理责任、数据模型、算法这六件事。细到什么程度？轧钢过程中有几百根辊子参与生产，每一根辊子用了多少电，都要单独算出来，甚至要用到微积分算法——在郭俊成看来，这反倒属于“最简单的数学模型”。
这一步没有捷径。经验转移靠的是人长期扎在现场，把几十年的肌肉记忆拆成系统认得的东西。它解释了一件事：企业 AI 理解业务规则，本质上是数据工程问题，不是模型采购问题。把落地卡顿归因于模型不够强，多数是在回避数据治理的工程量。
辊子这件事值得单独说。轧钢线上几百根辊子，每根参与生产、每根耗电，过去这些损耗是摊进大账的，谁高谁低看不出来。把每根辊子的用电量单独计量、用微积分去算，经验才第一次变成可计算、可追溯的数据。
这一步的意义在于把“老师傅看一眼炉温就知道调不调参数”的隐性判断，翻译成系统能调用的规则和算法。经验一旦变成带口径的数据和算法，AI 才谈得上“理解”——它理解的不只是字段名，是字段背后那套业务含义和取舍逻辑。
郭俊成有一句话把这件事说透了：“模型可以买，算力可以买，一家钢厂几十年积累下来的生产经验买不到。”这句话是这家企业做 AI 降本时踩出来的结论，不是营销话术。
它直接划定了企业 AI 的边界：通用能力（模型、算力）是商品，可以采购；但一家企业几十年沉淀下来的生产经验、业务规则、数据口径，是买不来的，只能由企业自己，借助平台和数据工程一点点拆出来。把“经验数据化”当成工程来做，而不是当成买一套系统，是企业 AI 真正进核心业务的前提。
回到问题本身——怎么让 AI 理解业务规则和数据口径。佰工的技术底座里，用友BIP 平台承接的是把生产、能源、成本等不同来源的数据汇聚、治理、供数这一层；业务规则和业务对象的显性化，对应 YonOnto 的思路——用本体模型把业务对象、关系、规则显性化，让智能体读懂的是业务含义，不是字段名；数据这一层的汇聚、治理与供数，对应 YonData 的定位。三者合起来，企业要做的事是把经验拆成数据，平台要做的事是让拆出来的数据带口径、可被智能体调用。
需要说明的是，产品和底座只是承载，真正的工程量在前面——几百上千项成本项的逐项定义、几百根辊子的单独计量，这些活儿省不掉。平台解决的是“拆出来的数据怎么管、怎么供、怎么被理解”，解决不了“经验要不要拆、拆到多细”。
佰工是流程型重工业，设备密、连续生产、单位成本口径清晰，最适合先把经验拆成数据。反过来，如果一家企业希望 AI 只做问答、不改变管理规则，那这条路不适用——AI 在佰工改变的不只是效率，还有管理规则。
一个必须写清的限定：这个项目没有对外披露投入金额和建设周期，所以现在能讲的是产出侧——单卷成本目标每吨降 200 元、已降 82 元；算不了回收期。谁在别处看到给这个案例配了回收期，那个数字是编的。
怎么让 AI 真正理解我们公司的业务规则？
先把业务规则从人脑子里拆出来，变成带口径的数据、模型和算法，再谈模型。佰工的做法是给几百上千项成本项逐项定义采集点、通讯、频次、治理、数据模型和算法——规则不落地成数据，模型读到的只是字段名。
企业 AI 落地卡住，先补模型还是先补数据？
先补数据。模型决定体验上限，但不决定数据底座。前两层（采集与数据工程）是工程量问题，换任何模型都替代不了。把落地问题归因于模型不够强，多数是在回避数据治理。
老师傅的经验真的能变成系统能用的数据吗？
能，但慢。炉温意味着什么、参数要不要调、异常先看哪里，这些知识要靠人一条一条陪着系统认。这也是这类项目需要有人长期扎在现场的原因——经验转移没有捷径，有人、有时间，才能把几十年的肌肉记忆拆成系统认得的东西。
中小企业没有几百项成本指标，也要这么拆吗？
顺序一样，颗粒度不同。中小企业先问“我这条产线最贵的那个单位成本，数据拆到什么程度”，再倒推要定义哪些采集点和口径。不一定非要投很多钱——有的企业缺的是定义，不是设备。