AI 能不能帮工厂做排程？——能，但跟你想的不一样
2001 年，耐克花了几亿美元上了一套算法排程系统，结果畅销款断货、滞销款堆成山，股价一天跌掉近 20%。二十五年后，同样的故事换了个主角——AI——正在制造业决策者的会议室里重新上演。
每次技术升级，都有人问同一个问题
制造业的排程困境有一个公开的秘密：每轮技术浪潮过来，总有人以为这次终于可以把计划员撤掉了。
二十五年前的 APS、十年前的智能制造、今天的 AI——工具在换，问题却从来没变过。一家制造企业的总经理跑进来问”能不能直接让 AI 替我排产”，这听起来像是 2025 年的问题。但如果把”AI”换成”APS”，它和 2000 年的问题一字不差。
我们先说清楚这件事最容易被误解的地方，再说真正该怎么做。因为在这个问题上走错路，代价远不止一套软件的钱。
为什么”让 AI 直接排”是一条死路
先谈结论：让 AI 直接输出排产计划这件事，不是”现在还不够好”，是从根上就走不通。
制造业的排程问题，在数学里叫 job-shop scheduling。它有一个很麻烦的特性：一旦工单和设备数量超过某个阈值，可行性解的数量会呈指数级爆炸。三十台设备配合两百个工单——理论上的排法组合，比宇宙里的原子数还多。要在这个天文数字级的可能性中找到一张既满足所有物理约束、又让延期损失最小的计划，唯一靠谱的工具是约束求解算法，靠剪枝和搜索逼近最优解，不靠”聪明”或者”理解力”。
而大语言模型的工作原理，和求解恰好相反。它是根据海量训练数据里的模式，预测下一个最可能出现的词。你让它排产，它做的事其实是”生成一张在形式上很像排产表的东西”。列位对齐、时间轴看起来连贯、版式专业——但它没有验证过任何一个硬约束。它不会确认三号线在这一小时的产能是否真的装得下这批活，也不会检查两个工单是不是抢同一副模具。它交给你一张看起来合理的表，而这张表大概率是不可执行的。
问题不止于此。还有两个让人无法接受的缺陷：
- 不可复现。同样的数据喂两遍，它可能给你两张不同的计划。生产排程不接受随机性——你今天排的和昨天不一样，车间该听谁的？
- 不可追溯。它不会告诉你为什么这么排。排程恰恰是最需要追溯的：每一次换模时间、每一条规则优先级，都要能说清楚、能复盘、能改进。
这就像请了一个口才极好的顾问，每句话都让你觉得有道理，但你照着执行的时候发现设备撞车、物料没到、交期延误——而他永远说不清上次为什么那么建议。
AI 真正的角色：翻译官，不是决策者
但问题还有另外一面。
AI 不该是那个算排程的人，它应该是那个帮你搭建排程系统的人。这个区别，决定了你的投资方向。
目前真正负责”算”的成熟工具早已存在。Google 的 OR-Tools（特别是其 CP-SAT 求解器）免费开源，西门子的 Opcenter APS、SAP 的高级计划模块都已经商业化运行了几十年。它们数学上可靠、结果可复现，还能证明当前解距离理论最优有多远。
制造业真正缺的不是这些求解器——求解器遍地都是，甚至免费。真正缺的，是把工厂里的排程规则翻译成求解器能理解的形式。过去这件事的门槛高得离谱：买一套百万级的 APS 只是入场券，真正的大头是养一个懂建模的顾问，让他听懂老师傅说的”这俩活得连着干”，再把它写成一行约束代码。绝大多数工厂不是 APS 买不起，是模型建不动，最后回到 Excel。
AI 恰好能把这一段打通：
你跟它说”换模时间超过 40 分钟的工单尽量放在一起””VIP 客户的单子必须提前三天完工””这台设备连续运行八小时后需要停机保养”——AI 把这些人类语言一条一条翻译成 OR-Tools 的约束语句。它还能从 ERP 拉工单数据、从 MES 拉设备状态、把数据接口搭好跑通。求解器算完计划之后，你问”为什么五号订单排到最后了”，AI 回溯约束条件，告诉你具体是哪个规则导致的。明天车间加了一条新规矩，你说一遍，它改模型、重新算。
这套分工的逻辑很清晰：求解器负责数学层面的优化，AI 负责人类和求解器之间的翻译。它不是取代计划员，是把过去只有花大钱请顾问才能做的建模能力，交到工厂自己人手上。
三个断层，一个比一个难
如果问题只是”选对工具、分工明确”，那这件事早就该铺开了。现实是，大多数工厂的排程数字化项目，技术上跑得通，业务上推不动。
原因不在技术，在三个层层递进的断层。
第一个断层：数据。 再强的求解器，输入也是垃圾的话，输出只会把错误放大得更精确。MES 里的设备状态可能是三天前更新的，BOM 上的工时是估的，库存台账和实物之间的差距没人说得清。不是算法不够好，是连最基本的输入可信度都没有建立起来。
第二个断层：规则。 工厂里真正决定排产的约束条件，一大半不在任何文档里。它们存在于几个二十年工龄老师傅的脑袋里——”这批活得让老王盯着””下雨天那台设备精度会飘””那个客户的单子表面不急但催得最凶”。AI 可以帮助把这些规则从人脑里”逼”出来、写进代码，但它挖不出那些连老师傅自己都没意识到的经验——那些只存在于手感里的东西。
第三个断层：权威。 这是最硬的一个。一张排产表，本质上是一份权力分配文件——它决定了谁先干、谁后干、谁的活要让路。老师傅排的计划之所以被执行，不是因为它数学上最优，是因为车间服他。你放一套算法出来的计划上去，工人不认、组长觉得”机器懂什么”，再完美的排程也只是一张没人看的打印纸。
前两个断层，AI 能帮着凿开一大半。第三个断层，AI 一寸都碰不了——因为那不是技术问题，是”车间里谁说了算”的问题。
CEO 能做什么：四个台阶
如果读到这里的你，就是那个正在考虑上 AI 排程的决策者，下面这条路径是务实的：
第一阶：选一条线，别铺整个厂。 找一条约束明确、数据质量相对高的产线做试点。一上来就想覆盖全厂，大概率什么都推不动。
第二阶：让 AI 帮你们把规则”写下来”。 这个过程本身的价值，可能超过最终那张计划。把老师傅脑袋里的经验一条条变成可讨论的文字、可修改的代码——这是企业第一次把排程知识从个人经验变成组织资产。即使 AI 最终没有落地，这一步已经值了。
第三阶：算法和老师傅并排跑。 AI 出的计划先不发布，和老师傅的版本放在一起对比。让计划员和车间主任每天看差异：哪里算法确实更好，哪里算法漏掉了只有人才知道的细节。这个阶段不是在训练 AI，是在训练团队——让大家理解算法的逻辑、建立对它的信任。
第四阶：解决”谁说了算”。 从”这个老师傅排的，照做”到”大家一起定义的规则跑出来的，照做”——这个转变需要的不是技术升级，是组织变革。一把手要亲自推，计划和生产两个部门的负责人要一起定规则。AI 把这件事的成本降到了史上最低，但决定权终究在人手里。
DELine 的观点很直接： 大多数制造企业排程做不好，不是因为算力不够，而是三个原因——数据不可信、规则不可见、权威不可让。第一个和第二个，今天的 AI 第一次提供了可负担的解决方案。第三个，工具能做的只是把选择摆到桌面上。
那张计划，你到底敢不敢让它替老师傅拍板？这个问题的答案，决定了你在这件事上能走多远。
如果您的企业正在评估 AI 在排程场景的落地可行性，DELine 可以提供从现状诊断、排程规则梳理、OR-Tools 建模到试点产线部署的端到端服务。欢迎通过 www.de-line.net 或 联系页面 与我们交流。
