合作伙伴资料
中国中小制造业的信息瓶颈，和我们打算怎么解开它
认知框架 · 市场机会 · 技术架构 · 方法论
行业洞察
中国有超过 400万家 中小制造企业，吸纳82%的就业，承担70%-90%的零部件加工。
其中绝大多数工厂的核心调度——排产——仍然依赖一个人的经验、一张Excel、和几十个微信群。
这不是某一家工厂的管理缺陷，而是一个行业级别的信息基础设施缺失。
60人精密五金厂 · 年产值8000万
CNC 6台 + 磨床3台 + 线切割2台
PMC 1人，全厂排产依赖他
伙伴云做进销存，微信群做沟通
2025年规上制造业产能利用率 74.4%
PMC日均40%时间花在信息搜集上
交期询价平均响应 30-40分钟
为什么过去的方案都失败了
APS只做了第一层（算法），假设后三层已解决。ERP试图一次性解决所有层，但改造成本过高。
正确的路径是反过来：从工厂当前状态出发，先让信息流通，在流通中积累知识，知识够了算法才有意义。
认知框架
约束求解 → 知识表征 → 信息协调 → 市场生态
不同抽象层需要不同的技术手段。我们的主战场在知识+约束层，向上延伸到信息协调。
战略（年）→ 战术（月）→ 执行（周/日）→ 响应（时/分）
同一套数据的不同聚合方式。主战场在执行+响应层，但数据可向上聚合为经营数据。
设计值 → 统计值 → 实况值 → 感知值
信息在流动中衰减。AI翻译层的核心工作：从统计值到实况值的转换，并标注置信度。
产品路线图的本质：从主战场（知识+约束层 × 执行+响应层 × 统计值→实况值）出发，沿三个维度逐步扩展覆盖面。
经济分析
保守合计：260-460万/年（利润口径），占年利润的16%-38%。
大头不在"省人工"（10万），在"不丢单"（48万）和"不做错误决策"（103万+）。损失分散在多个科目、无人归总。
市场机会
50-200人离散制造工厂，排产问题最突出的群体，保守估计 30-50万家。
每家年均损失200万（取保守下限）：
行业年化损失空间
APS假设数据完美→中小工厂做不到
ERP要求全流程改造→成本太高周期太长
SaaS工具只管一段→数据不联通
① 大模型让自然语言交互成为现实
② aPaaS平台让数据底座先行到位
③ AI让"模糊输入"可工作了
三个条件在过去五年内同时成熟。
核心方法论
不持有主数据。通过API读取工厂已有系统（伙伴云、飞书、简道云），不要求额外录入。工厂没有切换成本，随时可以离开。
不改变任何人的工作流程。PMC还是用他习惯的方式，但现在有AI搭档。销售可以自己查交期。老板手机收经营数据。
不做"一次性上线"。第一天就有用（交期查询），数据不够先模糊估算。用了一周自动变准，一个月开始主动提醒。
不做ERP（不碰主数据和财务）、不做MES（不要求设备联网和扫码报工）、不做传统APS（不追求数学最优解）。只做一件事：在已有系统之间建立连接，在连接的基础上增强决策。
AI架构
人机交互界面。自然语言理解PMC意图、生成可操作建议、多轮对话上下文管理。
Claude API（主）+ 国产模型（备）
数据驱动预测。工时预测、良品率预估、物料消耗趋势、交期可行性置信度计算。
轻量级模型，数据积累后上线
确定性逻辑。意图分类（关键词路由 <1ms）、约束校验、冲突检测、级联影响评估。
零延迟、100%可预测
三层协同的设计原则：能用规则解决的不用ML，能用ML解决的不用LLM。成本可控、延迟可控、确定性可控。
核心价值：把人话变成机器能理解的约束（输入端），把机器的计算变成人能用的建议（输出端），在使用中自动提取隐性知识（知识端）。
技术架构
架构风格：模块化单体（Modular Monolith），不过早微服务化。真正的瓶颈在LLM API延迟（1-3秒），不在服务端代码。
排产引擎
Google OR-Tools。≤50任务时在秒级给出全局最优解。决策变量建模：任务×设备×时间窗。约束：设备独占、工序依赖、交期、换型时间。
>50任务时快速兜底。交期紧迫度 + 瓶颈设备优先。毫秒级响应，质量可接受（GAP<8%）。
约束理论：只优化瓶颈设备，其他服从瓶颈节奏。大幅降低数据要求——你只需要管好那2台瓶颈设备。
每个数据点带置信度标签。"3号机比较慢"→系统默认效率0.85，后续自动修正。"库存大概两千"→2000±15%安全余量。
Solver选择器自动路由：任务数 + 时间预算 + 数据质量 → 最合适的求解策略。PMC无感知。
接地气的证据
微信语音"废了大概二十来个"，报工表2台空白，打电话确认，掏计算器，算了两分钟，置信度六成。
待处理事项自动标红。良品率异常已算好级联影响。缺数据标了置信度。4分钟了解全局。
查工艺、算工时、看设备排期、问库存。三个电话，翻Excel，35分钟后"大概可以"。
手机输入需求，3秒出结果，附带两个可选方案。PMC不需要被打断。
CNC-3停了。哪些单受影响？在脑子里重排几十个约束条件。两小时后出新方案，不确定有没有漏。
"CNC-3今天停"，3秒重排：谁要挪、挪到哪台、影响哪些交期、通知谁。确认即执行。
渐进路径
1-2周
汇集信息、呈现事实。不判断不建议。第一次让全厂在一个屏幕上可见。
3-4周
主动推送预警：缺料、集中交期、设备异常。微信/钉钉推送。
2-3月
自动排产方案、插单评估、What-if分析。PMC工作量减少~40%。
4-6月
常规排产自动化。产出深度洞察：瓶颈分析、客户产能占比、供应商可靠性。
6月+
全厂信息枢纽。向各角色分发数据视图。行业知识跨工厂可迁移。
每一步都在当下产生价值。不需要三个月调研配置期——第一天上线就能帮销售查交期。价值是复利结构的：越用越准，越准越值钱。
战略视角
在一个60人工厂里，能同时撬动收入、成本和决策质量的节点，除了老板本人以外，只有排产。
能不能接单、能不能准时交
→ 直接影响营收
换型频次、设备利用率、在制品
→ 直接影响制造成本
实际工时、交期偏差、产能趋势
→ 影响战略质量
投入在排产上的每一块钱，都有可能产生 3倍杠杆效应——通过收入增加、成本降低和决策改善三条路径同时回收。
中国特殊性
跨部门沟通的第一通道不是OA、不是邮件——是微信群。订单确认、品质异常、交期催促全在微信里。任何不与这个现实共处的系统就是在跟人性对抗。
工厂不是没有数字化——伙伴云、飞书、简道云各管一段。数据"看起来有"但"用起来不通"。比完全没有数字化更复杂。
身兼数职，没时间看长篇报表。需要"一句话告诉我现在什么情况"。需要半小时培训才能看懂的系统就是失败的。
三个特殊性共同指向一个结论：正确的路径不是"系统替代"，而是"信息增强"——在不改变现有工作方式的前提下，让关键的人在关键的时刻看到关键的信息。
演化路径
已在发生
轻量化工具把部分数据搬上线。伙伴云、飞书、简道云。大多数工厂在这个阶段。
我们要做的
在信息压力最大的节点（排产）建立汇聚和分发能力。不替代已有工具，在工具之间建"翻译层"。
自然发生
信息汇聚后系统自然积累隐性知识。哪些规则对、哪些估算要修正。知识在使用中自然沉淀。
最终形态
从"呈现事实"→"主动提醒"→"给出建议"。不是AI替代人类，是越来越懂行的助手。
这条路径最重要的特点：每一步都在当下产生价值，不需要等所有基础设施就绪才开始。
我们对这个问题有足够深的理解，有可落地的技术架构，有可验证的价值模型。现在需要的是一起把它做出来的伙伴。
基于数月实地调研 · 数十次工厂走访 · 完整的产品设计文档链（00-06号）
数据来源：国家统计局 2025年规模以上工业产能利用率