场景难度：高更新于 2026-05-25
生产：智能排产
典型业务问题
订单波动大，人工排产难兼顾交期、设备与人力，插单频繁打乱计划，计划员经验难以复制。
AI 可以怎么做
综合订单、设备、人力、物料约束做排产建议，由调度员确认与微调；WEF 灯塔工厂在排产等环节常实现 30%–50% 量级改善。
适合的企业
多品种小批量、排产复杂的制造企业
不适合的情况
产线极简单、人工排产已够用的企业
数据与流程准备
需要订单、BOM、设备节拍、工时、人力与物料约束等结构化数据。
建议验证指标
- 交期达成率
- 设备利用率
- 换线损失
- 计划变更次数
POC 建议
4 周试点：选一个车间做排产对比（AI 建议 vs 调度员现行）；第 1 周建模约束，第 2–3 周每日生成建议并让调度员评判可用性，第 4 周对比交期达成与设备利用率，强调「建议不自动下发」。
常见失败原因
- 约束建模不全（忽略模具/技能）
- 现场扰动（缺料/停机）未纳入
- 调度员不信任、仍用老办法
排产的价值在「兼顾更多约束」，但现场扰动必须被纳入——模型不是要替代计划员，而是把约束算得更全、把经验固化下来。
参考基准
- WEF「灯塔工厂」案例：在排产、质检与能耗优化等抓手上常实现 30%–50% 量级的改善。
- McKinsey：约 65% 的组织已在常规工作中使用生成式 AI，排产是制造侧最成熟的优化场景之一。
参考来源（2）
1. 世界经济论坛（WEF）「灯塔工厂」智能制造案例权威研究
发布主体：World Economic Forum使用政策：可摘要WEF「灯塔工厂」网络收录了在制造中规模化应用 AI/数字化的标杆工厂，公开案例显示其在生产效率、交付与质量上常实现 30%–50% 量级的改善，抓手集中在质检、排产与能耗优化。https://www.weforum.org/fourth-industrial-revolution/lighthouse-factories/2. McKinsey《The state of AI》全球 AI 应用年度调研权威研究
发布主体：McKinsey & Company使用政策：可摘要McKinsey 2024 全球 AI 调研：约 65% 的受访组织已在常规工作中使用生成式 AI（较上一年约 33% 接近翻倍）；逾 75% 的受访者预计 GenAI 将给所在行业带来显著乃至颠覆性变化；传统 AI（非生成式）的组织采纳率多年维持在约 50% 左右。https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai