过去，产品资料写得不清楚，采购还能找人来确认。产品部核对参数，技术部确认工况，销售补充商务条件，靠多角色协作和人工沟通，总能把信息差补上。但现在，当越来越多的采购搜索、商品匹配和供应商筛选开始引入AI，机器能不能准确理解你的产品，正在成为一个新的问题。去看看大多数工业品企业今天的产品资料现状：同一款小型断路器，可能被称为“空气开关”，也可能叫“微型断路器”，不同渠道、不同系统里的名称对不上。参数表写了几十项，却没有标注它适用于什么工况、什么行业。技术部门清楚哪几个型号可以替代竞品的哪个系列，但这些替代关系从来没有离开过工程师的脑子。类似的问题在制造业BOM管理中更为普遍。同一颗M10不锈钢六角螺栓，在ERP系统里可能同时存在三个编码，三个编码对应同一种物料，采购以为是三种不同物料，重复下单。研发按设计参数编码，采购按供应商习惯编码，仓储又是另一套。有采购管理负责人将这种现象概括为商品命名**“方言化”**，同一产品在系统中存在大量不规范命名，不同品牌可替换产品型号无法关联。过去，这些问题虽然造成效率损耗，但最终都能靠人来兜底。采购拿不准参数，找产品部确认；工况不明确，找技术部核实；交付条件不清楚，找销售沟通。但当采购端开始引入AI匹配和系统选型，这层**“人的缓冲”可能被绕过**。机器不会打电话追问，不会像人那样跨部门沟通来补足信息，它只能基于已有的结构化数据做判断。产品名称在系统里有三个版本，机器可能重复展示或无法归并；参数口径和行业标准不一致，机器可能匹配不上；替代关系没有写进数据，机器不会替你补上。真正的问题不是“要不要追AI热点”，而是过去靠人工沟通和经验传递来维持的产品信息状态，在采购端越来越依赖数据匹配的环境下，可能直接影响产品能不能被准确发现、匹配和比较。而采购端到底在发生什么变化，值得先看清楚。2026年9月9日，京东工业在2026京东全球科技探索者大会（JDD）上发布JoyIndustrial 2.0系列工业模型及五大AI创新产品。据多家媒体报道，AI已经走进采购、生产备料、设备运维等真实工业场景，不再停留在技术演示阶段。JoyIndustrial 2.0今年累计调用量已超10亿次，服务超过1万家重点企业客户及数百万家中小企业，覆盖约60%中国《财富》500强企业。其中最基础的一层，是**“墨卡托标准商品库”**。这套体系已为千万级SKU赋予了统一的“身份证”。要知道，工业品末级类目超过3000个，有明确国家或行业标准的不足20%。墨卡托做的事情，是通过深度学习技术分析商品的类别、属性、制造商等信息，把供需双方各自表述的商品信息“翻译”成一套定义统一、规格一致的标准参数体系。以低压电气为例，墨卡托的参数标准已细化到脱扣形式、触头形式、环境使用温度、散热方式等共计581项。而且不只是京东工业在做这件事。1688已上线工业品AI智能采购Agent，采购人员可以用自然语言描述需求，比如“寻找能做耐高温250℃的保险丝工厂，要求有UL认证”，AI自动完成需求分析、搜索对比、询盘甚至下单。震坤行构建了数十个AI智能体矩阵，覆盖物料管家、行家助手、推品大脑等环节，入选上海市商务领域“人工智能+”优秀应用案例。工业品AI采购正在从“一家平台的能力”向“行业基础设施”演进。但需要客观看待的是，2024年中国MRO采购服务市场规模约3.7万亿元，数智化渗透率仅约9.5%。趋势方向明确，整体仍处于早期阶段。京东工业方面也表示，目前在所有领域，人工兜底仍然必不可少。那么，已经发生的这些变化，到底改变了采购流程中的什么？要理解这个变化，先看过去的采购流程怎么走。采购提出需求，找到供应商，供应商的人来理解需求、解释产品、补充参数、确认工况，最后人再做判断。整个链条里，信息的补足主要靠人：产品部提供参数，技术部确认适用性，销售对接商务条件。现在，数字化采购场景增加了一层中间环节。采购需求进来后，系统或AI先做一轮理解和匹配，从标准商品库中筛选、比对、推荐，然后人再进一步判断。以京东工业的墨卡托标准商品库为例，采购方输入规格参数，系统自动精准选型；1688的AI Agent支持自然语言描述需求，比如“寻找防切割等级为5级的劳保手套，2天内广西能到货”，AI完成需求分析、搜索对比、询盘。京东工业的“设计大师”还能实现图纸一键解析，从选型到询价的耗时从数天变成小时级。这意味着供应商多了一个以前不显性的竞争环节：先让系统正确理解你是谁、你卖什么、适合什么场景。如果系统理解不了，供应商连被比较的机会都没有。德力西电气是一个可以参照的案例。德力西将覆盖228个类目、500多个产品系的5.7万条商品数据接入墨卡托并完成标准化，将2000多份产品手册和8万条物料数据转化为4万条标品数据。结果是什么？据经济日报报道，客户关于德力西产品的专业问题可以由AI直接回答，陌生商品用户的选型决策时长缩短约70%。德力西电气首席信息官李扬的原话是：“我们不缺数据，我们需要的是高质量的数据。”换句话说，当产品数据被结构化、标准化之后，系统就能替代一部分原来由人来完成的信息传递工作。反过来也成立：如果产品数据没有被系统准确理解，供应商的产品资料可能正在成为一个被忽视的短板。那么，产品数据治理不好，是因为技术不够成熟吗？也不是。对于已经上了ERP、有基本信息化基础的工业品企业来说，命名做映射、参数做字典、场景做标签体系、替代关系建关联表，都是行业里用了多年的方法。产品命名不统一、参数口径不一致、缺少场景标签、替代关系不清、认证交付信息分散——这些问题在传统采购中一直存在，技术上也都有对应的解决方案。所以真正的问题不是“机器能不能理解”，也不是“技术能不能解决”，而是：为什么很多企业做了产品数据整理，却难以保持持续准确和标准化？第一个问题出在责任机制上。 产品名称可能来自产品部，参数来自研发，价格来自销售，认证来自质量部门，交付信息来自供应链，官网资料又归市场。每个部门都管自己那一段，但谁对“产品数据作为一个整体是否准确、是否完整、是否可用”负责？很多时候，答案是没有人。真正的问题不是“怎么建字段”，而是：谁定义标准？谁确认正确？谁负责更新？发生冲突听谁的？这些是组织问题，不是技术问题。当采购端引入AI智能匹配时，没有一个角色对产品数据整体负责，意味着系统拿到的数据可能是碎片化的、口径不一致的。第二个问题是持续治理。 数据治理的标准做法是双轨并行：存量数据做一次性清洗，增量数据按新流程走。清洗完的映射关系是持久的，不会自己变回去。但很多企业只做了存量清洗这一步，没有建立增量管控机制——项目团队撤场后，新上线的产品又按老习惯填数据，标准没人维护，字段没人核对。有数据治理实践分析指出，平台上线后常出现“新系统上线了，元数据没有及时接入；业务规则变了，数据标准没有同步更新”的情况，治理工作明显降速。dbaplus社群将这种现象概括为数据治理的**“仰卧起坐”困境**：反复启动、反复烂尾。DAMA International在2025年更新数据管理知识体系时，把治理的术语从“program”（项目）调整为“function”（职能），强调的正是这一点：治理不是做完就结束的项目，而是需要持续运营的职能。当采购端引入AI智能匹配时，新数据不达标意味着新产品可能无法被系统准确识别。第三个问题是投入产出。 如果产品部、技术部和销售通过人工沟通能把业务做下去，管理层很容易认为“现在也能卖，为什么花这么多人力重新治理？”这不是不知道数据重要，而是投入产出的优先级问题。Gartner针对数据与分析治理领域的预测显示：到2027年，80%的治理举措可能因缺乏业务驱动力而失效。不是技术做不到，而是没有业务价值牵引，治理推不动。但当采购端开始引入AI智能匹配，“现在也能卖”依赖的人工沟通缓冲正在被逐步替代——不是不治理就会被淘汰，而是匹配效率会受到影响。第四个问题是业务闭环。 数据治理的成果需要进入业务流程被使用，才能验证标准是否准确、发现新的问题。如果整理完的数据只是存在数据库里，没有接入官网、采购平台、CRM、销售资料，企业就无法知道标准定得对不对、字段够不够用。有数据治理从业者描述过这种现象：项目验收汇报会上各方都点头说好，可会一散，业务部门该用Excel还是用Excel，治理成果沉在数据库里没人调用。Gartner的调查也显示，绝大多数组织没有为数据与分析用例定义并跟踪业务影响指标。当采购端开始用AI智能匹配时，治理成果是否接入业务流程，直接决定了产品数据能不能在实际采购场景中被准确调用。这四个问题指向同一个判断：技术方案已经比较成熟，真正难的是企业能不能建立一套跨部门、可持续、有业务价值牵引的产品数据治理机制——而当采购端越来越依赖数据匹配时，这套机制的有无，会越来越直接地影响产品能不能被准确发现、匹配和比较。当采购端越来越依赖数据匹配时，产品数据的质量会越来越直接影响匹配质量和数字化采购效率。这不是“不匹配就被淘汰”的夸张判断，而是**“匹配质量取决于数据质量”**的现实逻辑。已经有企业在做这件事。2026年3月，中信泰富特钢与京东工业启动供应链智慧平台建设，围绕物料主数据治理、商品价格管理、智能比价和合规管控开展协同探索。治理前的痛点是供应商与采购商需求匹配滞后、仓储物流资源分散；据京东工业的通用实践总结，治理后可减少重复性采购，降低库存资金占用成本。那么，供应商应该从哪里开始？答案不是一上来就启动一个“企业级数据治理工程”。更务实的做法是：先围绕一个真实的业务场景，建立最小可用的产品数据标准，跑通一个闭环，再逐步扩展。
- 先选高价值产品/场景。 不需要一步到位，把过去一年询价频率最高、成交金额最大的产品线拉出来，从中选一个。不是因为其他产品不重要，而是先跑通一个闭环，团队才能看到效果、建立信心。
- 建立最小产品数据标准。 统一命名规则，定义核心参数模板，明确场景标签。这一步的技术方案是成熟的，关键是让产品部、技术部、销售达成一致——标准不需要一次做到完美，但需要跨部门都认。
- 明确跨部门责任。 谁定义标准、谁确认正确、谁负责更新、冲突听谁的。前面提到的责任机制问题——每个部门都管自己那一段，但没有人对整体负责，这一步要解决的正是这个组织问题。
- 接入真实业务场景。 把治理完的数据接入官网、采购平台、CRM、销售资料，让它真正被使用。前面说到，治理成果不进入业务流程，就无法验证标准定得对不对、字段够不够用——这一步就是让数据真正被调用。
- 持续更新与校验。 建立增量管控机制，新数据按新流程走，存量数据清洗完就是完了。前面提到的双轨逻辑在这里落地：卡点不在数据变旧，在机制停转——新数据有没有按标准进来，标准有没有随业务变化迭代，才是日常运营要盯的事。
我们在卓翰咨询服务900余家工业品企业的过程中发现，产品数据治理最常见的卡点不在技术，而在标准建好之后——标准建好了，但跨部门认不下来、责任落不下去，数据治理就停在了**“纸面上统一、实际各填各的”。真正能走通的企业，不是技术更强，而是管理层把产品数据治理当成一个跨部门的经营事项来推，而不是甩给某个部门的技术活**。过去，产品信息靠人来补——采购拿不准找产品部，工况不明确找技术部，交付不清楚找销售。这套机制能运转，前提是采购端还停留在“人找人”的模式。但当采购端开始引入AI智能匹配，产品资料和数据资产的区别就变得关键：产品资料是写给人看的，销售拿着手册跟客户解释；数据资产是写给系统看的，机器不需要解释，机器需要的是结构化、标准化、能直接调用的字段。当采购端开始变得更智能，供应商真正要补的，不是一个新的AI工具，而是把产品信息变成持续准确、标准化、可匹配、可调用的数据资产。
