让工厂痛了几十年的排产，为啥一直没有好答案

计划员的一天

从改掉昨天的计划开始

老张是一家汽配工厂的生产主管，简称生管。生管主管，跟生产相关的计划、进度、人、机、料，他都要管。

早上八点不到，他已经坐在办公桌前开始了例行的盘算：

今天有43张工单要排进8台设备

得考虑换模的时间

中间有两台机器昨晚报过异常

有个物料委外加工还没回来

三号线的工人今天请了假……

心里过完车间情况，老张开始往Excel里填今天的计划——订单谁先谁后，哪条线排哪个产品，哪个客户的单子绝对不能晚……

这些判断没有写在任何文件里，全靠他在这家厂干了七年积攒下来的经验。

快排完的时候，微信电话响了。销售打来，说大客户A临时加了一张急单，和之前下的订单一起，后天就要货……

老张叹了口气，重新打开刚关掉的Excel表，在甘特图上一行行调排产。

在中国数百万家工厂中，产线旁的办公室里，老张的故事每天都在上演。

对于像老张所在的离散型制造业工厂而言，排产难在两个地方。

第一，要算的东西太多。

设备、工序、模具、物料、人员、交期——大大小小几十个条件搅在一起，全靠人脑盘。排一次少则一两小时，复杂的要半天。排完了，现场一有变动，又得从头来。

第二，意外永远来得比计划快。

急单、设备故障、物料延迟、人员请假——现场每天都在变。每一张急单都是一次重启：优先级要重排，设备窗口要重新找，物料齐套要重新确认。等新计划出来，现场可能已经自己调了一遍——计划和执行，就这样脱节了。

结果就是：计划永远追着执行跑，执行永远等着计划来。

靠人排vs用系统排

两条路都好难

这种状态持续了很多年。不是没人想解决，是过去真的没有好解法。

最常见的办法，就是靠人排：

• 小一点的厂，靠一个计划员撑起整条线；

• 大一点的厂，靠一个团队开会、协调、对信息来扛。

但不管是一个人还是一群人，干的事本质上一样——跟生产对、跟采购对、跟销售对，每天光是拉齐各方信息就要花不少时间精力。

Excel加经验，加很多沟通，才勉强把计划排出来。

这套方法能跑，但缺点也很明显——

经验都在人脑子里，问进度靠巡产线、催订单靠打电话。关键的人一请假、一离职，就乱套了，接手的人得从头摸起。

有些工厂试过另一条路：上系统。

买排产软件，投入不小，理论上能自动排产、动态调整。但落地之后，问题一个接一个。

• 数据进不去

过往的排产系统要干净的主数据作为基础，但工厂里同一个物料在不同系统里、不同人口中三种叫法的很常见，BOM对不上，各系统数据打架。光是理数据，就已经让一大半工厂卡住了。

• 结果看不懂

排出来的计划和计划员心里想的不一样，系统又不告诉你为什么。没法解释、没法修正，时间一久，系统排出来的计划就被放弃了，重新回到手工。"花了大几十万，最终还是回到Excel"——这在行业里不是个例。

• 跟不上变化

传统排产软件本质上是静态的：某个时间点算一版计划，但现场每天都在变。每次出状况，要么全部重跑，要么人工手调。排产软件变成了"出一版初方案的工具"，离自动排、动态调差得远。

靠人排、靠系统排，这两条路，左右为难。排产这件最影响工厂交付的事，就一直被卡在中间。

现在订单又碎又杂

计划更赶不上变化了

很多工厂过去接的单，批量大、品种少、变化也不多，一周一排也能应付。现在，越来越多工厂发现，市场和客户不给这个余量了。

上周拜访一家做汽配精密件的工厂，老板告诉我们："前两年没单愁，现在有订单做不完也愁"。

不是产能不够，是排不过来——品种多了、批量小了、定制多了，排一次计划要算的东西比以前多得多。

更头疼的是，接了的单还会变。说好的数量临时要改，说好的交期突然提前，甚至整单取消。

排了又改、改了又排，一天下来真正在跑的产能可能连60%都不到。

排产排不清楚，接单也跟着说不清楚。

客户问"这批能不能做、最快什么时候交"，计划员算不出来，销售只能拍胸脯先接下来。接的时候答应了，到时间交不出来，交期一拖再拖——影响的不仅是一张订单，是客户的信任。

多品种、小批量、定制化、短交期——整个离散制造都在发生这个变化。

对排产的要求更高了，容错的空间更小了。

两个变化

让排产开始有新解法

难，但不是没有出路。这两年，有两件事在同时发生。

一件事是工厂的数字化底子在变厚。

越来越多的中小工厂上了ERP、用上了各种小工单，生产数据比过去多了、也比过去更完整了。

数据开始"有了"——虽然离干净、好用还有距离，但至少不再是一片空白。

另一件事是技术本身在进步，而且不止一个方向。

大语言模型（LLM）让数据处理和系统交互的门槛降了下来。以前散落在不同系统、不同人口中的信息、数据，现在有了更高效的方式去识别、整理和录入。

运筹优化算法（OR）过去主要在大企业的系统里跑，现在随着云计算的普及，中小工厂也能用得上。排产不再只能按固定规则出一版静态方案，而是可以在复杂约束下快速算出多种可行方案，影响范围、交期风险一目了然。

深度强化学习算法（DRL）的成熟，让排产系统能从每一次实际执行中学习。排了一版计划，现场跑完之后哪里准、哪里偏，系统会自己调整。用得越久，越贴合这家工厂的实际情况。这是传统排产系统做不到的。

数据的基础在变好，技术的能力在变强，好几股力量同时到位。排产这件事，是时候重新看了。

AI，AI

AI排产到底AI在哪儿？

排产正在变。

但"AI排产"这四个字背后，到底是什么在起作用？哪个环节用了什么技术，各自解决什么问题？背后其实不止一种AI。

这可能是关于AI排产，被问得最多的一个问题。

下一篇，我们把它拆开来看。

👀

想了解更多案例

或者聊聊你们工厂的排产情况

欢迎联系我们

👇