前几天看到一个企业 AI 的案例。

一家做零部件的工厂,老板想要的东西很直接:点开 AI 问一句,这批给某客户的货,周五到底能不能发?要是发不了,是卡在哪——料不够、产能不够,还是质检出了问题。

做这个项目的人给出的路子是:现在订单在 ERP 里、工单在 MES 里、质检在另一套系统、库存又在一处,各说各话,AI 查一圈只能给几句废话。把这些系统的主数据串起来,订单号、序列号、批次号对得上,AI 就能给出有依据的答案。

听着挺顺,也是大多数信息化项目的常规思路。但我觉得这里偏了一步:它把这件事当成了"系统没接好"的技术问题,而真正卡住的,是业务模式本身。

那个对应关系,本来就不存在

我打个比方。就像早点铺卖包子:你知道蒸笼里还有多少包子,也知道今天来了多少人买,但你确定不了张三今天早上一定轮得上。

包子在蒸笼里蒸的时候,是没贴标签的,不属于张三,也不属于王五李四;出锅端到柜台,老板也是谁喊先递谁。只有成交那一刻,才知道这笼轮不轮得到你。这是批量备货、随机分发的路子,不是流水线定制——定制的话,包这个包子的时候就标了张三的名。

工厂里很多环节是一样的道理。批量排产的时候,在制品在工艺段不绑定到某一张销售订单;等做完了,再按库存、按批次分配出去。这个"货对应到哪个客户"的关系,在业务上本来就没发生过。你把 ERP、MES、质检、库存的编码全串起来,也变不出一个原本不存在的对应。

就算对应上了,结果本来就是个概率

就算这单货是明确跟着订单走的,周五能不能交,也不是一个"能或不能"的确定答案:

产能要排队,前面插一单就往后挪;良率不可能百分之百,总有少量返工报废;生产到一半插个急单,上午算着能交,下午可能就悬了。

这些都不是系统数据没对齐造成的,是这个过程本身就带随机性。可老板要的是一句确定话:周五到底能不能发。需求和底层模型这时候是错位的——他想要一个必然结果,而业务跑在概率上。

正确的路子,就三步

第一步,先分清是哪种生产模式。 按单定制、批次专属的,投产前就锁批次、锁序列号,这时候才谈得上追溯到订单;批量备货的,就老老实实按库存和批次规则分配,别硬把在制品绑到客户头上。模式没分清,后面全是拧的。

第二步,先算硬约束,再谈概率。 料齐不齐、有没有空闲产能、工艺排不排得进交期、外购件跟不跟得上——这些不满足就是做不出来,不是"概率很低"。这一层是确定性的,先判生死,别让模型把"根本做不到"也算成一个低风险。

第三步,在做得出来的范围里,再给概率和区间。 历史交付、良率、延迟情况摆出来,告诉老板:按时交付的概率大概多少、预计时间区间在哪、风险卡在哪几项、要不要留缓冲。给的是一个带前提的判断,不是"一定能发"四个字。

最后

如果一家厂是批量生产、允许随时插单、也不留缓冲,老板却要"周五必须发"的确定承诺——这种需求先别急着立项。零缓冲、无冻结、随便插队,又要结果必然,这是需求自己跟自己打架。系统做得再漂亮,那偶尔一次没交成,最后锅还是扣到 AI 和信息化头上。

先把预期校准了,再上系统,不晚。