"客户问500件M8螺栓能不能下周三交？"
调度员放下手里的Excel，开始打电话——
第一个，打给仓库：原材料还有多少？仓库说要查，上次盘点是三天前的。
第二个，打给车间：3号机这周排了什么？车间主任说老李请假了，他排了个什么计划没交代。
第三个，打给采购：那批料到了没？采购说供应商说今天发，但昨天也说的今天发。
四十分钟后，调度员回了一句："应该行，但不太保险。跟客户说周四吧。"
这个判断里，60%是确切信息，30%是经验直觉，10%是赌。
一个被严重误解的工厂难题——
为什么过去的解决方案都在解决错误的问题
按 ← → 键翻页，或点击底部按钮
"客户问500件M8螺栓能不能下周三交？"
调度员放下手里的Excel，开始打电话——
第一个，打给仓库：原材料还有多少？仓库说要查，上次盘点是三天前的。
第二个，打给车间：3号机这周排了什么？车间主任说老李请假了，他排了个什么计划没交代。
第三个，打给采购：那批料到了没？采购说供应商说今天发，但昨天也说的今天发。
四十分钟后，调度员回了一句："应该行，但不太保险。跟客户说周四吧。"
这个判断里，60%是确切信息，30%是经验直觉，10%是赌。
中国有超过300万家制造业企业。其中绝大多数是50到300人的中小工厂。它们贡献了中国制造业总产值的大半，但它们的排产方式跟二十年前几乎没有变化。
不是因为工厂老板不想改变。
而是因为现有的方案——APS系统、ERP系统——解决的都不是他们真正面对的问题。
"只要有足够好的优化算法就能排出完美方案。"
现实是：算法需要数据输入。在大多数工厂里，调度员连设备今天的实时状态都拿不到。再好的算法，输入错了，结果也是错的。
"先把全厂流程标准化，数据自然就通了。"
现实是：ERP在中小工厂的实施成功率极低。不是系统不好，是它要求工厂先完成一件最难的事——改变所有人的工作习惯。
"排产就是车间里排排工单的活。"
现实是：排产是工厂的信息十字路口。订单从销售来，经过排产变成指令到车间，执行数据又流向财务变成成本。排产好不好，决定的是整个工厂。
排产是工厂里唯一一个必须同时处理六种信息才能做决策的节点——订单、设备、物料、人员、交期、成本。
更要命的是，这六种信息在到达调度员手里之前，已经大量丢失和失真了。
这就像让一个人蒙着眼睛下棋——棋力再高，看不见棋盘也没用。
一家年产值过亿的工厂，销售和生产之间的信息传递方式是——微信群里发一条消息，然后等回复。四十分钟过去了，回的是一条语音。这条语音里的判断依据，没有任何系统记录。
很多工厂已经在用伙伴云、飞书做进销存了。但排产——最需要综合信息的环节——反而是最后一个数字化的。因为排产需要的不是某一类数据，而是多种数据的交叉。
PMC在组织架构里不起眼，但实际上是工厂的"活体ERP"——所有跨部门信息最终都要经过他。一个好PMC离职，有的工厂产能掉20%——不是设备坏了，是没人知道怎么安排了。
问老板最大的困扰，很少有人说"排产不好"。他们说的是："我不知道这个月能不能按时交完""每次要数据都要等好几天"。老板的痛是看不见——而排产是产出可见性的核心节点。
这解释了为什么传统方案总是失败——它们只解决了其中一层。
传统APS只攻算法层，假设其他层已解决。ERP试图一次性解决所有层，但改造成本太高。正确的顺序应该是从外向内：先通信息，再积知识，最后算法自然发挥作用。
工厂里大多数决策误差，不是因为判断力差，而是因为输入信息已经严重失真。
工艺图纸上写的：12分钟/件 （设计值）
三个月前的统计：13分钟/件 （统计值）
今天的实际情况：14.5分钟/件 （实况值）
调度员手里有的：可能什么都没有 （缺失）
好消息是：信息精度不需要完美才有用。
大多数工厂的基线是"完全没有数据"。从"没有"到"有一个大概的数字"，已经是巨大提升。
每提升一级精度，决策质量就上一个台阶。不需要等到完美再开始。
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。任何系统如果不能跟这个现实共处，就是在跟人性对抗。
工厂不是没有数字化——用了伙伴云、飞书、简道云。但各管一段，数据不联通。"看起来有数据"但"用起来不通"，比完全没数字化更令人困扰。
身兼数职——管销售、管财务、管大客户。没时间看长篇报表。需要"一句话告诉我什么情况"。任何需要培训半小时才能看懂的系统，对他们来说就是失败。
这三个特征共同指向一个结论：正确的路径不是"系统替代"——换一个新的大系统。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。
| 时间跨度 | 要回答的问题 | 决策特征 |
|---|---|---|
| 此刻（分钟级） | 机器坏了，影响哪些单？怎么调？ | 需要秒级信息、即时方案 |
| 本周（天级） | 今天哪台机器做什么？ | 需要全局视图、详细排程 |
| 本月（月级） | 产能够不够？交期达成率怎样？ | 需要聚合报表、趋势分析 |
| 今年（年级） | 要不要扩产线？接不接新品类？ | 需要模拟预测、场景推演 |
这四个层次的决策性质完全不同，但用的是同一套底层数据——只是聚合方式不同。让同一套数据在不同时间尺度上服务不同的人，这才是"全局盘活"的真正含义。
基于实地调研，我认为更现实的路径是这样的——
用轻量工具把部分数据搬上线。很多工厂已在这个阶段。
在信息压力最大的节点上建立汇聚能力。不替代已有工具，在工具间建"翻译层"。
信息汇聚后，系统自然积累隐性知识。不需要专门的知识管理项目，知识在使用中沉淀。
从"呈现事实"到"主动提醒"到"给出建议"。不是AI替代人，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。
| 工厂类型 | 适合程度 | 原因 |
|---|---|---|
| 50-200人 离散制造 |
最适合 | 大到有了跨部门协调的复杂度，小到没有IT团队维护重型系统。排产作为"信息枢纽"的特征最明显。 |
| 200-1000人 | 适合 | 通常已有ERP/MES，需要的是深度集成而非新枢纽 |
| 50人以下 | 部分适合 | 老板自己就是排产系统，一个交期试算工具可能就够 |
| 流程制造 | 需要重新建模 | 约束是配方和批次，不是设备和工序 |
诚实地标注边界，是对这个问题保持敬畏的方式。
难在它不是一个问题，而是四个问题的嵌套——算法、知识、信息、生态。
过去的方案要么只攻算法，要么试图全面改造。都是因为没看到这个嵌套结构。
而中国中小工厂的特殊性——微信文化、半数字化、快速决策——使得"轻量增强"而非"重型替代"成为唯一可行的路径。
排产问题不是一个等待被自动化的流程，而是一个等待被连通的信息网络。
这些认知来自数月的实地调研与持续研究。
如果你在自己的工厂里看到了类似的现象，我很愿意交流。