制造企业排产能用AI吗？先看这三个前提

几乎每个做制造的老板都问过这个问题。答案是能，但要先过三关。绝大多数排产项目失败，都不是败在算法上，而是败在这三个前提没有摆平。

一、前提一：工时数据是不是真的

排产模型的基础是每道工序需要多长时间。很多企业系统里存着标准工时，但这个数字往往是很多年前定的，或者是为了计件工资算出来的，跟实际差得远。

验证方法很简单：随机挑三个订单，把系统里的计划工时和实际完工记录对一遍。偏差超过两成，说明基础数据不能直接用。

这时候正确的做法不是硬上模型，而是先花两周把关键工序的真实工时测出来。这一步看起来不像 AI 项目，却决定了后面所有工作的有效性。

二、前提二：约束条件能不能说清楚

排产的难点在约束：这台设备只能做这几个规格、这个客户的单必须优先、这两道工序中间要放置 24 小时、这个师傅只有白班在。

这些约束大部分不在系统里，在车间主任脑子里。项目的核心工作其实是把它们一条条挖出来、写清楚、确认优先级。

经验值是：一个中等复杂度的车间，真实约束通常在三十到六十条之间。能整理出这份清单，项目就成功了一半。清单本身就是最值钱的交付物。

三、前提三：车间愿不愿意执行

系统排出来的计划，如果和老师傅的习惯冲突，车间会用各种理由不执行——设备临时故障、料没到、人手不够。这些理由通常都成立，也无法证伪。

解决办法不是强推，而是让车间主任参与规则制定。他定的规则，他会维护；系统定的规则，他会绕过。

还有一个实用做法：先做建议而不是指令。系统给出推荐排程，由车间主任确认或调整，同时记录他为什么调整。跑一两个月，这些调整记录就是最好的规则补充来源。

排产系统的对手不是复杂度，是车间主任的那本笔记本。把笔记本请进系统，比替换它容易得多。

四、阿优至简的视角

我们接触的唐山制造企业里，能一步到位做全自动排产的很少。更务实的路径是分三步：先把约束条件数字化，再做辅助排产建议，最后才谈自动排产。

第一步就能带来明显价值——新来的调度员不用再靠师傅带三个月，照着约束清单也能排出八成合理的计划。这个价值客户看得见，也愿意为下一步付钱。

落地前的三条至简建议

1. 先测工时：随机抽查三个订单对比计划与实际，偏差大就先做数据校准。
2. 先列约束：把车间主任脑子里的规则整理成清单，这是项目最核心的资产。
3. 先做建议：从推荐排程起步，用调整记录持续补充规则。

排产能不能用 AI，取决于你有没有耐心先把工时和约束这两件笨事做扎实。做扎实了，算法反而是最简单的部分。