AI想进入生产排产，为什么只打通ERP、MES、WMS、QMS还不够？

很多制造企业已经完成 ERP、MES、WMS、QMS 等系统的相关集成，数据也在各系统间跑通了，管理层也能看到实时的订单、库存、生产进度。但如果走到生产排产这个环节，会发现情况并没有想象中那么自动化——计划人员仍然在大量地打电话、查表格、开协调会。

生产计划具体是怎么做的？用一个临时插单怎么处理的场景来回答。

ERP 中已经新增订单，MES 有生产任务，WMS 有库存数据，设备状态也可以查询。但生产计划人员真正需要回答的三个问题仍然是：

这个单能不能插？插在哪里？哪些原有订单会因此延期？

系统里有数据，并不等于已经具备排产判断所需要的业务上下文，这也是 AI 排产落地真正的核心之处。

生产排产是一个约生产排产是一个约束满足问题：在物料可用性、设备产能、工艺路线、工序先后关系、人员配备及客户交期等约束条件下，确定各生产任务的资源指派与时间安排，形成可执行的生产作业计划。

订单进入 ERP 后，需求已经形成系统记录，但并不代表生产计划已经确定——还需要进一步确定对应的物料、工单、工序、设备和时间，这也是很多企业困惑的ERP和MES的区别之一：ERP管订单，MES管执行，中间还隔着一层生产计划管理系统的落地。

交期越紧、品种越多、资源越有限，需要同时权衡的约束就越多。这也是为什么「系统已有订单」与「生产计划已确定」并不是同一件事。也就是，订单 ≠ 工单 ≠ 工序 ≠ 资源安排 ≠ 可执行计划。

排产判断不仅需要系统数据，还需要结合当前生产任务，判断不同数据之间的关系及其影响。AI 可以读取订单、库存和工单，但要进一步用于排产，还需要明确数据之间的对应关系，以及计划调整可能影响的任务。

有价值的业务上下文至少包括六个方面：

• 对象关系：订单对应哪些工单、工单包含哪些工序、工序使用哪些设备和物料；
• 当前状态：各工单执行到哪一步、物料是否齐套、设备是否可用；
• 生产约束：交期要求、产能上限、工序先后、换线换型时间；
• 企业规则：客户优先级、插单处理规则、紧急订单审批流程；
• 变化原因：为什么需要调整、是什么事件触发了重新评估；
• 责任岗位：谁来确认、谁来执行、谁来通知客户。

这些条件并非全部来自系统数据：部分来自企业规则，部分需要计划人员结合当前状态判断。例如系统显示物料「有库存」，并不代表一定能用于当前工单——还需确认是否被其他任务占用、质量状态是否满足、数量能否覆盖需求。这些就是PMC工作流程中真正消耗时间的部分——不是系统里没有数据，而是数据之间缺少关联。

系统里有数据，不等于形成了生产上下文。形成了生产上下文，不等于已经完成排产判断。AI能读取数据，也不等于AI能直接做排产决策。就像你有一本《英汉词典》，不代表你能用英语写出一份流利的商务邮件——你还需要语法、语境和对方的文化背景。

系统里有数据，不等于形成了生产上下文。形成了生产上下文，不等于已经完成排产判断。AI 能读取数据，也不等于 AI 能直接做排产决策。就像你有一本《英汉词典》，不代表你能用英语写出一份流利的商务邮件——你还需要语法、语境和对方的文化背景。

先明确一个边界：AI 不是 APS。很多企业在APS系统选型时，会把算法能力和大模型辅助混为一谈。

其实目前讨论的「AI 进入排产」，并不是用大模型替代 APS、约束优化或排程算法直接求解最优生产计划。而是讨论生产条件发生变化后，AI 如何辅助组织跨系统信息、识别影响、分析风险，并支持重新排产前的判断。大语言模型处理包含几千道工序的复杂排程逻辑时存在明显局限性，直接计算最优排程方案既不现实也不可靠。

三者解决的问题不同：

好的 PMC 人员，本质上就是对急单处理判断又快又好，他们是怎么做到的呢？实际步骤如下：

第一步：判断物料条件。 关键物料是否到位？没到位的话，调整工单顺序也没用。这一步看 WMS 的库存与齐套情况。

第二步：判断产能条件。 相关设备产能是否已满？设备产能利用率到了多少？排满了，插单就要后移原有任务。这一步看 MES 的生产任务和当前进度。

第三步：判断影响范围。 订单进队列后，哪些工单需要后移？会延期多久？对客户交期有什么影响？这一步需要结合订单交期、设备产能、工序顺序、换型时间、客户优先级等多重因素综合判断。

第四步：给出方案并确认。 物料、产能、影响都清楚了，才能形成调整建议——但最终是否执行，仍由计划人员和责任岗位确认。

这四步就是生产异常处理流程中的核心判断逻辑。

除了临时插单，缺料、设备异常、质量异常等情况，本质上也是同一类问题（生产条件扰动）：生产条件一变，原计划就需要重新评估。例如 QMS 判定关键物料异常后，计划人员需要关联 WMS 库存、MES 工单进度、ERP 订单交期，才能判断影响——这和插单时的关联判断是同一套逻辑，同样可以参考。

AI 进入排产，并不意味着可以直接生成或调整生产计划。它的作用更多体现在排产判断环节，推荐的参与链路是：

信息汇总 → 约束识别 → 影响分析 → 风险识别 → 方案参考 → 人工确认

• 信息汇总：跨系统读取订单、库存、生产任务和当前状态，减少手动查找；
• 约束识别：明确物料、设备、工序、交期等约束，区分硬约束和企业规则；
• 影响分析：判断生产变化可能影响哪些工单和订单，关联上下游任务；
• 风险识别：识别可能导致延期或冲突的环节，提前预警；
• 方案参考：提供调整方向和备选方案，为计划人员提供判断依据；/li>
• 人工确认：最终排产决策仍由责任岗位确认，AI 不替代计划员做最终决策。

为什么生产计划总是延期？很多时候不是因为初始计划做得不好，而是因为变化发生后，人来不及重新评估。而AI 的价值是把人从重复的动作中解放出来，比如说，帮助相关人员更快看清生产变化及其影响，把更多精力放在排产判断和调整上，而不是从一个个系统导出数据，再校准手里的 Excel，AI 天然可以记录这种变化情况，使得大模型判断效果越来越强。

初期不必追求完整的"智能排产"，更适合从一个具体、可验证的问题入手，打造梳理业务上下文的习惯：

试点前梳理四类内容：

第一，界定对象和触发条件。 本次判断对应哪张订单或工单？哪些变化会启动重新评估？

第二，明确判断依据。 需要关联哪些系统数据？哪些是硬约束？企业有哪些排产规则？哪些仍依赖人工经验？数据越多不等于判断越准，关键是确认哪些信息会实际影响这一次判断。

第三，明确影响范围和 AI 介入点。 一次调整会影响哪些后续工单和订单？哪些环节适合 AI 辅助信息汇总、风险识别和方案分析？哪些结果必须人工确认？

第四，确定验证方式。 用哪些业务指标衡量试点价值？例如插单判断时间缩短了多少、跨系统查找信息的次数减少了多少、调整方案的准确性如何。

明确这些后，试点验证就回到具体问题：问题是否得到改善，AI 是否产生了实际价值。

一次完整的排产判断，需要把数据、规则、责任岗位和处理状态持续组织起来。具体来说，需要四类能力：

1. 把老师傅的经验变成系统的规则：老师傅脑子里那些不成文的插单原则、客户优先级，现在可以被流程节点固化成判断依据，不再因人而异。

2. 一张地图看清所有关联：插一个单，系统自动高亮显示哪些在制工单会受影响，就像导航看到前方事故一样直观。

3. 识别变化导致的影响和风险：生产条件一变，能快速关联受影响的任务和订单，并保留过程记录。

4. AI负责计算，人负责决策：系统算出三个备选方案和各自的影响，最终拍板权仍在计划员手中。

AidaPoint 是数启智星面向制造企业的 AI 流程智能产品，在排产场景中的能力设计也主要围绕这四类问题展开，把一次排产判断所需的数据、规则、状态和流程上下文组织起来，让 AI 有条件参与影响分析和辅助决策。

AidaPoint 要解决的不是替企业直接生成最终生产计划，而是让 AI 有条件参与影响分析和辅助决策。

企业开始试点前，至少确认以下十个问题：

事实上，AI 进入排产，其作用主要是识别生产条件变化，分析对原有计划的影响，并为计划调整提供依据，把老师傅的判断变成工程化的能力。AI 要进入制造业核心业务，仅仅连接系统和数据还不够，它还需要业务上下文。

那么在您所在企业的实际排产中，最消耗计划人员时间的，到底是第一次制定排产计划，还是插单、缺料、设备异常发生后的重新判断？欢迎在评论区聊聊。