上个月做月度经营分析，碰到一件特别典型的事：同一批钢筋，现场物资台账上是这个数，财务账上是那个数，预算表里又是第三个数。三个数差得不多，但谁也说不清哪个对，会议开了两小时，结论是「下个月重新盘」。
这种事干工程的都遇到过。台账数据的问题从来不是数据太少，而是同一个东西在不同表里叫不同名字、用不同口径、按不同时间记。
这次我尝试让AI来理这件事，过程比想象的顺利，但也不是一开始就顺。
我最初的错误做法是直接把三张表扔给AI，让它「找出差异」。它很快给了我一堆差异明细，但完全没用——因为它不知道这些差异是错误还是正常。
后来我改了问法，先让它做一件事：列出三张表里所有涉及同一类物料的字段名，并推测哪些是同一含义。
这一步的价值超出预期。它把「钢材-螺纹钢-Φ20」「HRB400 直径20」「三级钢 20」这三种写法归并到一类，我才发现三张表里同一个规格有五六种叫法，这是差异的第一个来源。
启示：让AI做归类和对照，比让它直接下结论有用得多。
归类之后，我把确认好的对照关系写成一张表交给它：哪个字段对应什么含义、单位怎么换算、时间按进场日还是按领用日。
有了这张表，它做数据清洗就靠谱了。具体让它干了三件事：
这是最有价值的一步。我跟它说：把你刚才的清洗规则写成一个能重复运行的脚本，下个月我复用。
它给出的脚本我改了两次才跑通，但第二次做月报的时候，我把新表放进去，几分钟就出了结果，不用再重走一遍对话。
启示：一次性解决一件事，和把解决方式固化成工具，是两种完全不同的价值。 前者省一次时间，后者省每个月的时间。
第一个坑：不要让它猜数据含义。 一开始我问「这个字段是不是表示领用数量」，它给了肯定的答案——猜的。数据含义只能由人确认，让它猜会把错误带进结论。
第二个坑：数字必须核对。 AI做汇总统计时偶尔会算错，尤其是跨表引用的时候。我的习惯是，最终表格里的每一个合计数，都用原始数据自己核一遍。
第三个坑：脱敏要在进AI之前做。 台账里有供应商名称、项目名称、班组姓名，这些不能进AI。我现在固定先把名称列替换成代号（供应商A、班组1），做完再替换回来。
体会：AI在处理结构化数据上比处理文字更靠得住，因为对错可以被验证。但前提是你把口径讲清楚——口径一乱，AI只会用更快的速度把错误放大。
现在每月做经营分析，我的流程是固定的三步：先把三张表按统一口径导出，交给AI清洗和比对，我拿结果去现场核实差异。原来一天半的活，现在大半天能出初步结论，剩下的时间都花在核实和决策上。
省下来的是时间，但更重要的变化是：数据终于能对上了。数据对了，会才开得下去。
这件事让我更确认一个判断：AI在工程上最先能落地的，不是那些听起来很炫的场景，而是这种又枯燥又必须做准的活。