自动算 BOM 与缺料预警:AI 智能体落地指南|从两小时人工比对到分钟级排查
周一早上的采购办公室,通常是从另一个 Excel 文件开始的:有人从 ERP 导出库存,有人在邮件里翻最新的生产订单,还有人调出上周改过两版的 BOM 表。三份文件并排放在屏幕上,靠人眼一行行核对,逐个物料算缺口,再手工汇总成一张“缺料清单”;清完后还得挨个给供应商打电话跟催。订单少的时候,一个半小时能收工;订单一多,漏算几乎一定会发生,而且往往到开工那天才暴露。
这套流程看着是“算”的问题,实际是“对齐”的问题。BOM 在工艺部门手上,库存和已占用数据在仓储系统里,在途和到料时间在采购台账上,生产订单又随时在变更;任何一处有时间差、口径差,算出来的缺口就会失真。这篇《自动算 BOM 与缺料预警:AI 智能体落地指南》想讲清楚三件事:缺料预警为什么总在开工前才暴露,AI 智能体到底接过哪几步,以及在企业里从一个场景开始试跑,需要交代哪些边界。
一、缺料预警真正难的地方,不在计算本身
BOM 展开在数学上是一次确定的乘法,缺口判定是一次简单的减法。任何一位计划员都会算。真正消耗人的,是计算之前的对齐、计算之中的重复,以及计算之后的信任问题。
1. 三张表之间存在“时间差”与“口径差”
- 版本差:工艺变更后 BOM 可能有多个有效版本,工单挂的是哪一版,常常要人回去确认,用错了版本,需求就是错的。
- 口径差:“可用库存”到底指账面库存、扣掉已占用的库存,还是加上在途?不同人给出的答案不同,最终缺口数量自然不同。
- 时间差:库存是昨天导出、在途是上周台账、订单是今天早上变更的,三份数据不同步,缺口就是三者之间的综合误差。
这三类差异都不属于“算错”,属于“没对齐”。而对齐恰恰是最花时间、最难沉淀的部分。
2. 人工排查的四类隐性损耗
- 重复劳动:同一套比对逻辑,每天重做一遍,订单越多、物料越杂,重复得越彻底。
- 漏算风险:靠人眼逐行扫,物料超过几十行就容易跳行,临界物料(差一点点就缺)最容易被忽略。
- 跟催没有优先级:发现缺料后是按印象打电话,还是按缺口数量和影响工单排序?多数时候只能“先打认识的”。
- 结论不可复核:结果留在某个人的 Excel 里,缺料数字怎么来的、用了哪版 BOM、算没算在途,事后很难还原。
Soia 可以在这三个环节同时接手:把三张表作为输入读进来,按统一口径计算,并把每一步的取数来源留在运行记录里。人从“搬数据”变成“看结论、做判断”。
二、自动算 BOM 与缺料预警,智能体要完成哪四步
把这件事拆开,一个完整的自动算 BOM 与缺料预警过程包含四步。每一步都有明确的输入、输出和可核对的中间结果,这也是它能在企业里落地的前提。
1. 按订单展开 BOM,汇总用料需求
- 输入是工单(生产订单)与实际生效的 BOM 表,输出是“这张订单需要哪些物料、各多少”。
- 关键在版本对应:哪张工单挂哪一版 BOM,必须由业务规则先行明确,否则后面全错。
- 同一物料在多张订单、多个层级重复出现时,需要按物料归并汇总,而不是按 BOM 行罗列。
在 Soiawork 中,BOM 版本与工单的对应规则可以放进知识库,让 Soia 每次展开前先查规则,而不是凭猜测选择版本。
2. 算“可用库存”,而不是“账面库存”
可用库存的口径是整件事最容易起争议的地方。一个常见、可解释的定义是:
可用库存 = 现有库存 + 在途数量 − 安全库存 − 已被其他订单占用数量
- 在途要带预计到料时间,否则“不缺料”只是暂时的错觉。
- 已占用数量往往藏在仓库系统和车间线边库两处,需要同时取。
- 安全库存是策略参数,不同物料类别取值不同,应由业务方给定,AI 不自行拍板。
Soia 可以通过连接器取仓库库存、车间库存与采购清单,也能直接读取邮件里的需求附件,把“人找数”换成“数找齐”。
3. 判定缺料与临界物料
- 缺料:可用库存小于需求,缺口即为差值。
- 临界:可用库存略高于需求但余量很小,本月内任何一张新订单都可能把它推成缺料。
- 判定顺序要固定,先判缺料再判临界,避免同一物料被标两次或漏标。
临界物料是人工排查最容易漏掉的一类,因为它“没缺”,不会触发任何提醒,却往往是下一次停线的真正原因。这一步的价值,恰恰在于把“不报警但危险”的物料找出来。
4. 输出缺口数量与跟催优先级
一份能直接用的预警报告,至少要说清四件事:缺什么、缺多少、影响哪张工单、先催谁。
- 跟催优先级可以按“影响工单的开工时间 + 缺口比例 + 供应商交期长度”排序,规则由企业自定。
- 报告要能追溯到数据来源,谁看都能复算。
- 差异项(比如系统里显示已入库但仓库说没收到)单独列出,交人确认,不混在结论里。
在 Soiawork 中,这一整套步骤可以用工作流固定下来:取数、展开、计算、判定、出报告顺序执行,减少每次运行时因执行者不同而产生的口径差异。
三、在 Soiawork 中把这件事跑起来的五个位置
理解了步骤,接下来是配置层面。企业真正关心的不是“AI 有多聪明”,而是“它从哪里取数、按谁的规则算、结果落到哪里”。
1. 取数:连接器与文件空间
- 通过连接器对接 ERP、WMS 等系统,直接读取库存、采购在途与生产订单。
- 结构不固定的数据(供应商发来的到货通知、邮件里的需求变更)通过文件空间上传,由 Soia 统一读取。
- 三张核心表(BOM 表、库存表、生产订单表)可以先以文件方式跑通,再逐步换成系统直连。
2. 规则:知识库存放“口径”和“特例”
- BOM 版本有效性规则、安全库存参数、替代料清单,都属于“企业的判断”,适合沉淀在知识库里。
- 知识库让规则可维护、可追溯:改一条规则,下次运行即生效,不需要改流程。
- 遇到规则未覆盖的情况(新型号、临时替代),Soia 会提出来请人确认,而不是自己编一个答案。
3. 方法:技能让计算逻辑可复用
- 一旦某类产品的齐套检查方法跑顺了,可以固化成技能,下次换个订单、换个车间直接调用。
- 技能复用的意义在于:有效实践从“某个计划员的做法”变成“组织可调用的能力”。
4. 步骤:工作流保证每次算得一样
- 固定顺序:展开 BOM → 汇总需求 → 计算可用库存 → 判定缺料与临界 → 生成报告。
- 关键节点保留人工确认,比如替代料使用、跨订单调拨,需要责任人点头才继续。
5. 节奏:自动任务与设备(Soia Worker)
- 缺料排查是典型的高频重复任务,适合设成自动任务:每天开工前跑一次,结果推给计划与采购负责人。
- 对于只有客户端界面、没有开放接口的老系统,可以由设备(Soia Worker)在本机打开软件、读取数据、回写建议,把“最后一公里”补上。
四、已经复现过的场景,能到什么程度
需要说明的是,以下内容属于复现验证场景,用于说明能力边界与执行路径,其中的数据来自演示环境,不应作为客户实际成效引用。
1. 齐套缺料预警(复现验证)
在一个复现验证的演示环境中,把 BOM 表、库存表(含在途、安全库存、供应商信息)与生产订单表交给 Soia,用一句话指令即可完成:按订单展开 BOM 汇总需求 → 计算可用库存(现有 + 在途 − 安全库存)→ 识别缺料与临界物料 → 输出带缺口数量和跟催优先级的预警报告。
- 复现验证中,一轮排查耗时从人工的 1–2 小时/次降到约 1 分钟/次。
- 9 种物料一次全量覆盖,未出现漏算。
- 这些数字来自复现验证/演示环境,用于说明流程可行性,不代表任意企业的实际收益。
2. 物料齐套检查(复现验证)
更贴近真实计划场景的一版,会多算两件事:已占用数量与预计到料时间。
- 汇总需求与库存:收需求附件,取仓库库存、车间库存和采购清单。
- 按规则计算缺口:依 BOM 与已占用数量算出用料需求与缺口。
- 核对在途与到料时间:比对在途采购、预计到货与替代料,交相关人员确认。
- 输出齐套结论:哪些工单能开、缺什么、何时能补齐,数据来源与口径可复核。
这项能力的目标是“开工前就能看到齐套情况”,并非“替计划员下结论”。
3. 库存需求预测与补货触发(复现验证)
在执行层面,设备(Soia Worker)可以打开业务系统,一次读完物料的在库、预警线与近三月月均出库,按固定顺序判定缺料、积压、呆滞、临界、正常五类,只对缺料物料按“月均 × 1.5 − 当前库存”向上取整计算补货量,确认后回系统新增建议、提交申请并回读校验。
需要明确边界:该复现场景没有需求预测模型,只按出库历史推算;未接入真实 WMS/ERP,8 个物料为演示数据,用于验证判定顺序与回写路径。库存等于预警线时判为临界、不补货;三个月无出库判为呆滞、不补货;这类边界规则清晰可解释,比“智能推荐”更重要。
五、边界与责任:AI 算到哪一步,人定到哪一步
缺料预警会直接影响采购动作和现金流,边界必须先讲清楚,再谈效率。
- 数据口径由业务确认:可用库存怎么定义、安全库存取多少、在途算不算,属于管理决策,AI 负责按既定口径执行并在结果中标注来源。
- 替代料与临时变更交人判断:替代料是否可用、能不能临时调拨,涉及质量与工艺责任,不交由模型自行决定。
- 差异项不强行下结论:账面与实物不一致时,Soia 列出差异并指出冲突点,由仓储与采购核实,不合并进缺口数字里“抹平”。
- 采购承诺与下单审批仍由责任人决定:跟催优先级是排序建议,供应商谈价、交期承诺、下单审批都落在人身上。
- 结果可复核:每次运行留下取数范围、规则版本与计算过程,出现争议能回到原始依据。
这也是 Soiawork 作为企业级 AI 智能体平台的一贯口径:AI 组织负责把重复的判断做快、做全、做得可追溯;涉及责任与风险的判断,仍然由人签署。
六、从一个场景开始试跑
如果现在就要动手,建议按这个顺序:先选一条产品线、一类物料,把 BOM 表、库存表、生产订单表三份文件整理成能用的结构;让 Soia 先跑一次全量排查,人拿着结果去核对——重点看临界物料有没有识别出来、在途有没有算进去、差异项有没有标出;确认口径无误后,再把这次的方法固化成技能,设成每日自动任务,逐步扩到更多订单、更多车间。
这条路线的价值在于:先验证结果,再扩大范围。自动算 BOM 与缺料预警不是一次系统改造,而是一项可以从一张表开始的日常工作;跑通一次、核对一次、再复制一次,智能才会真正长在业务里。Soia 让智能生长,让工作进化——让每家企业,都能轻松构建自己的 AI 组织。
常见问题解答
1. 要不要先改造 ERP 或上新的计划系统?
多数情况下不需要。可以先以 BOM 表、库存表、生产订单表三份文件跑通流程,验证口径和结论是否可信;确认有效后,再通过连接器把取数换成系统直连。改造系统是后置动作,不是前置条件。
2. 数据和权限怎么控制?
取数范围由企业划定,连接器按既有账号权限读取;知识库中的规则、参数与替代料清单由业务方维护。运行记录会保留取数来源与计算过程,便于审计复核。涉及敏感价格、供应商信息的内容,可以限定在指定工作空间内使用。
3. AI 算错了谁负责?
思路是“AI 出结论,人做确认”。缺口数量与跟催优先级属于建议,采购下单、替代料使用、跨订单调拨等动作需要责任人确认后才执行;差异项单独列出交人工核实,不自动处理。系统保留可复核的过程记录,出问题能定位到具体环节。
4. 和已有的 ERP / MRP / RPA 是什么关系?
ERP 与 MRP 是数据与规则的源头,AI 智能体不替代它们,而是把跨系统、跨文件的对齐工作和重复排查接过来。与 RPA 相比,智能体的差别在于能理解目标、按规则做判断、在异常处向人确认;原先写死的脚本适合处理步骤固定的任务,遇到表结构变化或例外情况,则需要人来调整。
5. 从哪个场景切入最稳妥?
优先选“高频、规则相对清晰、错了能立刻发现”的场景,缺料排查正符合这三条:每天都要做、BOM 与库存口径有据可依、结果拿去和仓库对一遍就能验证。跑顺之后再扩到齐套检查与补货建议,逐步把单点能力串成一条链。



