首页行业百科排产、齐套、报工:三个场景的AI边界对比——哪些该交给智能体,哪些必须人来决定

排产、齐套、报工:三个场景的AI边界对比——哪些该交给智能体,哪些必须人来决定

2026-11-20 02:49:31阅读 2

月初的生产例会上,计划员说插单排不进去,采购说关键料还在路上,车间主任说报工数量和工单对不上。三个问题常常被当成同一类问题——“不就是算一下吗”,于是被一起打包交给同一套系统,甚至同一个 AI 去解决。真正跑起来才发现:齐套算得挺准,排产却总被推翻;报工数据核对得很快,一到工时认定就得从头吵一遍。

问题不在于 AI 能力不够,而在于这三个场景的边界位置完全不同。本文把三个场景放在一起,做一次“排产、齐套、报工:三个场景的AI边界对比”,说清楚每一个场景里,智能体可以稳定承担到哪一步,人必须保留哪一步,以及这条边界在产品里应该怎么配置。

排产、齐套、报工:三个场景的AI边界对比——哪些该交给智能体,哪些必须人来决定_图1

一、AI 的边界取决于“错了以后谁承担”,与技术难度无关

判断一个环节能不能交给 AI,制造业里有一条比技术指标更实用的判据:错误多久能被发现、后果能不能撤回、后果由谁承担。

  • 取数与整理层:把散在 ERP、MES、WMS、邮件附件、表格里的信息取出来、对齐口径、汇总成一份可读的东西。错了通常当场就能发现,改了重跑即可,AI 可以完整承担。
  • 计算与核对层:按规则算需求、算产能占用、比对数量差异,输出清单和异常说明。AI 承担主体计算,人做抽样核对——因为规则本身可能是人写错的。
  • 决策与担责层:涉及对客户的交期承诺、超期订单取舍、替代料是否可用、工时与绩效认定、质量责任判定。这些环节 AI 只能提供依据和选项,签字的人必须是人。
一条可以记住的经验是:AI 可以把依据准备到人面前,但不能替人签那个字。这条经验对排产、对采购承诺、对车间工时,都成立。

三个场景的边界为什么不一样

  • 排产的组合复杂度最高:约束互相冲突,且优先级本身是商业判断,因此 AI 越接近“决定”就越危险。
  • 齐套的数据口径最乱:一物多码、单位换算(卷与米、千克与件)、BOM 版本、占用与在途口径,因此 AI 的价值大量落在“对齐口径”而不是“算”。
  • 报工的现场差异最大:同一道工序在不同班组、不同设备上的记录习惯不同,因此 AI 强在“把账对平、把异常挑出来”,弱在“认定事实”。

理解了这一点,后面的分工安排就顺了。

二、排产:AI 把约束整理清楚、把影响说清,决策仍由计划员做出

排产真正的难点并不在于“排出一个顺序”

任何一套算法都能排出一个顺序,难的是三件事:

  • 约束多且互相冲突:订单优先级、工艺路线顺序、设备能力与可用工时、物料到位时间、换型与清场时间,这些约束经常互相矛盾,满足了这个就破坏了那个。
  • 变化之后要回答“谁受影响”:插单、到料延期、设备停机发生后,计划员不只是重排工单,还要逐张查清哪些订单的交期会变化,这个动作极其耗时。
  • 调整过程难以留痕:改了三版,最后没人说得清为什么这么改,复盘时只能凭记忆。

AI 可以承担到哪一步

  • 梳理排产约束:把订单优先级、工艺顺序、可用工时、物料与设备限制汇总成一份可核对的约束清单,而不是散在几个系统里。
  • 生成排产方案草稿:按约束排出工序安排,并明确标出“排不下的工序”和冲突点,而不是给一个看起来完整、实际不可执行的方案。
  • 评估交期影响:列出受影响订单及其交期变化,让计划员一眼看到这次插单的代价。
  • 保留调整前后对比:记录改动依据,交计划员确认后再执行,后续复盘有据可查。

在 Soiawork 中,这件事可以这样落地:通过连接器从 ERP 取工单与库存、从 MES 取工序进度与设备状态;把工艺路线、换型时间、排产规则放进知识库;遇到没有接口的老排产软件,用设备(Soia Worker)在桌面端完成查询与录入;把某条产线验证过的排产方法沉淀为技能;再用自动任务每天早上定时生成当日排产草稿与交期影响清单,推送到企业微信或飞书,计划员上班第一件事是核对,而不是从零开始拼表。

必须由人决定的部分

  • 订单优先级权重怎么定,尤其是几个大客户撞在一起的时候。
  • 超期订单先保谁、后保谁,是否接受部分交付。
  • 对客户承诺哪一天交货——这是商务判断,不是计算结果。
  • 加班、外协、调线等产能补充手段要不要用、用多少。

这些决策的共同点是:它们有成本、有客户关系、有后果归属,AI 提供的是“不同选择的代价对比”,而不是“标准答案”。

三、齐套:AI 把口径对齐、把缺口算准,催料顺序仍由采购定

齐套算不准,多半不是算的问题

齐套的逻辑本身很简单:需求 = 工单数量 × BOM 用量 ×(1 + 损耗率);供给 = 现有库存 − 已占用 + 在途。真正导致算不准的是口径:

  • BOM 版本是否有效:工程变更之后,车间用的和系统里存的可能不是一版。
  • 单位换算与一物多码:同一物料在不同系统里编码不同,采购按千克买、车间按件领。
  • 占用与在途的定义:已被其他工单占用的库存算不算可用,在途按承诺日期还是按实际发运日期。

AI 可以承担到哪一步

  • 按工单与 BOM 计算需求,核对库存、占用、在途与到料时间,形成口径一致的缺口清单。
  • 做“到料日期与开工日期”的匹配:不是简单告诉你有多少缺口,而是告诉你哪些缺口会卡住哪一天的开工。
  • 输出风险摘要与待办:把需要采购确认、需要工程确认、需要仓库核实的项分开列出,而不是混在一张表里。

在 Soiawork 中,BOM 附件与物料表可以放在文件空间,替代料规则、损耗标准、安全库存口径放进知识库,让每次计算都引用同一份依据。一类常见的演示场景是:食品制造企业每天更新物料表——从邮件取需求附件,到 ERP 下载仓库库存、车间库存和采购清单,合并计算后发给采购与计划人员。这类流程演示说明的是取数与汇总路径,其中的时效与准确程度取决于企业自身的数据质量,不作为客户成效数据引用。

必须由人决定的部分

  • BOM 版本是否有效、工程变更是否已生效——这需要工程部门确认。
  • 替代料能不能用——涉及配方、认证与客户认可,AI 不能替。
  • 供应商承诺的交期是否可信——需要采购结合历史履约判断。
  • 催料顺序、是否拆单、是否紧急采购——涉及资金与供应商关系。

一句话概括齐套的边界:AI 负责让“缺什么、缺多少、什么时候缺”变得没有争议;采购负责决定“先补哪个”。

四、报工:AI 把账对平、把异常挑出,工时认定留给车间

报工核对到底在核什么

报工数据看起来只是一行数量,实际要核对的是六个要素:工单、工序、设备、批次、数量、工时。六个要素里任何一个错位,后续的成本核算、交付进度、绩效计算就全部跟着歪。

  • 漏报:工序做了但没报,进度看着落后,实际已完工。
  • 重复报工:同一批次被两个班次各报一次,数量虚增。
  • 跨工单串号:A 单的料干成了 B 单的量。
  • 数量与流转卡、入库单不一致:报工数与实物对不上。

AI 可以承担到哪一步

  • 按工单、工序、设备、批次核对数量,列出漏报与重复报工清单。
  • 把报工数据与流转卡、入库记录、设备开机记录做交叉比对,标出偏差项。
  • 输出异常说明与处理入口,直接推给对应班组长,而不是丢一张大表让人自己找。

在 Soiawork 中,可以用连接器读取 MES 报工记录与 WMS 入库记录,用工作流把“取数—比对—分类异常—推送”固定成标准步骤,用设备(Soia Worker)在车间那台只能手工录入的电脑上完成读取与补录,异常项通过钉钉、企业微信或邮件推送给责任人并附上处理入口。

必须由人决定的部分

  • 实际工时的认定——停机、待料、返工的时间算谁的,需要车间负责人判断。
  • 废品与返工的责任归属——这直接影响考核,AI 不应下结论。
  • 计件工资与绩效核算的最终确认——涉及员工利益,必须由人复核签字。
  • 停机原因归类——设备故障、缺料、质量问题,直接影响后续改善方向。

这里有一条值得写进制度的红线:AI 输出的报工差异清单是核对线索,不是处罚依据。把这一点讲清楚,车间才愿意配合数据核对。

五、三个场景放在一起看:边界对照与推进顺序

共同点:AI 交付“可核对的结果”,人做“有后果的决定”

三个场景里,智能体交付物应该是同一类东西:一份说明来源、标出异常、留有对比的结果。排产是排产草稿与交期影响清单,齐套是缺口清单与到料风险,报工是差异清单与异常说明。三者都不应该是“最终结论”。

差异:决策权重、数据质量、规则确定性各不相同

  • 排产:决策权重最高。建议以“草稿 + 影响评估 + 前后对比”的方式介入,AI 不产出唯一方案,而是产出可比较的选项。
  • 齐套:数据治理价值最高。先把一物多码、单位、占用与在途口径统一,收益会外溢到采购、仓储和成本核算。
  • 报工:规则最确定。六要素核对基本是确定性的比对逻辑,最容易先跑通并被人接受。

推进顺序建议

如果三个场景都想做,比较稳的顺序是:先齐套,再报工,最后排产。理由不是难度排序,而是风险排序——齐套主要影响内部协同,错了当天就能发现;报工影响核算与考核,需要先把“不作为处罚依据”的规则讲清楚;排产直接影响对客户的承诺,必须等人对结果建立信任之后再扩大范围。

在 Soiawork 里,这三个场景可以共用同一套基础:工作空间组织人、系统、文件与规则,知识库存口径与工艺依据,技能沉淀各场景已跑通的方法,自动任务负责按日或按周运行,AI 组织把这些能力分配到计划、采购、车间的不同角色上,各看各的结果与异常。

六、边界要落到配置上:结果定义、异常边界、人工卡点、留痕

讲边界不能只停在理念上,它必须变成配置项,否则执行时会漂移。

  • 结果定义要可验收:不是“帮我排个产”,而是“输出排产草稿、排不下的工序清单、受影响订单及交期变化、调整前后对比”。结果定义不清楚,AI 交付物就无法被核对。
  • 异常边界要提前写清:缺主数据、单位不一致、账号掉线、BOM 版本缺失时怎么办——是停下来等人,还是按默认规则继续。默认规则必须由业务负责人确认。
  • 人工卡点要显式设置:涉及客户承诺、资金支出、质量判定、薪酬核算的环节,一律设置确认环节,AI 只提交待确认项。
  • 留痕与回溯要默认开启:调整前后差异、引用来源、运行记录都应可查,这是事后复盘与责任划分的基础。Soiawork 的自动任务支持查看运行用时、运行模式与执行过程,异常或需人工确认时通过钉钉、企业微信、飞书或邮件提醒。

结语

排产、齐套、报工的差别,本质上是“谁签字”的差别,不是“AI 强不强”的差别。比较务实的做法是:从一项每天或每周重复发生、输入输出清楚、验收人明确的核对类工作开始试跑,先让 AI 出结果,再由责任人逐项核对结果与异常,把口径和规则校准,确认稳定之后再决定是否扩大范围、是否建立自动任务。让智能生长,让工作进化——边界清楚,才敢放量。

常见问题解答

上这套东西,需要改造现有 ERP、MES 吗?

通常不需要。Soiawork 的思路是在现有系统之上做取数、核对与汇总:有稳定接口的用连接器,网页后台可以直接访问,没有接口的老系统或桌面软件由设备(Soia Worker)按人的操作方式完成查询与录入。改造与否取决于接口条件,而不取决于要不要用 AI。

数据和权限怎么控制?AI 会不会看到不该看的内容?

权限沿用企业既有账号体系,智能体只在授权范围内取数;系统条件、账号范围、连接方式与维护责任需要由数字化与 IT 团队确认。涉及薪酬、成本、客户信息的数据,建议在场景设计阶段就明确可见范围与输出对象。

AI 排产排错了,责任怎么算?

这取决于是否设置了人工确认环节。合理的配置是:AI 输出排产草稿、冲突说明与交期影响,由计划员确认后才下发执行,责任仍在确认人。如果让 AI 直接下发到车间,就等于把决策责任交给了模型,这是不应当的设计。

三个场景里,从哪一个开始最稳?

建议从齐套或报工这类“核对型”场景开始:规则确定、结果可抽样验证、错误当场可发现。排产因为直接影响对客户的交期承诺,建议放在人对 AI 输出建立信任之后。

这和现有的 RPA、BI 是什么关系?

BI 解决“看得见”,RPA 解决“搬得动”,Soiawork 更靠前也更靠后:往前接业务目标与规则,往后接异常说明、待办推送与人工确认,并把跑通的方法沉淀为可复用的技能与知识。三者通常并存,不必相互替代。

立即领取行业头部企业 AI 应用案例

资深 AI Agent 技术专家将为您定制数字员工解决方案

立即获取方案