TL;DR｜一句话答案 AI 智能排产不是不靠谱，而是有前提条件：工序标准工时必须在系统里而不是在老师傅脑子里；“排得好不好”必须有一把客观的尺子；并且工单、设备状态、物料齐套这三类数据要能被程序稳定读到。我们给一家汽车零部件企业做完场景评估后，按六维可行性打分只有 19/30，其中数据就绪度和任务清晰度各只有 2 分——按我们的判定规则，任一维 ≤2 就是不建议做。所以我们的建议是：先花六到九个月把标准工时和排产结果的数据补上，再重新评估。这半年不是白等，补数据本身就在产生价值。
一、一个我们没有接的项目
年初，一家做汽车零部件的制造企业找到我们，需求很明确：车间排产现在靠计划员用 Excel 拉，一天要改好几版，插单一来全乱套，他们想上 AI 智能排产。
老板的态度很积极——预算有、有人牵头、也愿意配合。按常规做法，这是一个可以直接签的单子。
我们做了两天现场访谈和数据摸底，最后给出的结论是：这个场景现在不建议做，建议先做一期数据补齐工程，六到九个月后重新评估。
把这件事写出来，不是为了显得我们清高。而是因为在制造业 AI 这件事上，一次失败的项目会挡住一家企业三年——预算花掉了、老板失望了、中层默认“AI 在我们厂不好使”，等到条件真的成熟时，反而没人再敢提。这个代价，比一个项目的合同额大得多。
二、AI 智能排产到底需要什么前提条件？
这是本文最核心的一段，先把答案给出来。排产属于“判断/决策辅助”类的 AI 任务——输入一堆约束，输出一个方案建议。这类任务对数据的要求，比很多人想象的高得多。它需要三样东西：
- 可计算的工时基准。系统要知道“这道工序在这台设备上做这个产品，需要多久”。这个数字必须落在系统里、有版本、能随工艺变更更新。如果它只存在于老师傅的经验里，AI 排出来的每一个时间点都是猜的。
- 一把客观的好坏尺子。你得能说清楚：什么样的排产结果算好？是准时交付率最高，还是换型次数最少，还是设备利用率最高，还是三者的某个加权？如果厂里没有共识，AI 排出来的方案就只能靠计划员“感觉行不行”来验收——那这个项目永远无法结项，因为没有验收标准。
- 能被程序稳定读到的三类实时数据：工单及其进度、设备状态与可用产能、物料齐套情况。缺任何一类，AI 排出的计划都会在落地时被现实推翻，用两次以后计划员就不看了。
反过来说，如果一家工厂这三样都具备，AI 排产是当前成熟度较高、回报也比较直接的场景。问题从来不在算法，而在地基。
三、我们用的那把尺子：六维可行性评分
为了避免“凭感觉判断能不能做”，我们在做 AI 场景评估时用一套固定的六维打分表，每维 1–5 分，满分 30 分。这套尺子对所有客户、所有场景一视同仁。
| 维度 | 1 分是什么样 | 5 分是什么样 | 该场景得分 |
|---|---|---|---|
| 数据就绪度 | 信息只在人脑里，无任何留痕 | 结构化 + 历史量足 + 有结果标注 | 2 |
| 任务清晰度 | 输入输出说不清，“帮我们智能化一下” | 输入、输出和正确标准都能白纸黑字写下来 | 2 |
| 错误容忍度 | 错一次损失重大且无人兜底 | 错了几乎无成本 | 3 |
| 价值密度 | 偶发、单次几分钟、一个人 | 高频 × 长耗时 × 多人，或直接影响接单交付 | 4 |
| 集成难度（越易越高分） | 要动核心系统或产线硬件 | 独立工具即可用 | 3 |
| 组织就绪度 | 没人牵头，“你们做好了给我们用” | 老板挂帅 + 专人负责 + 愿出数据 | 5 |
合计 19/30。判定规则是固定的三条：任一维 ≤2 判“不建议”；全维 ≥3 且总分 ≥22 判“推荐”；其余判“观察”。
这家企业的组织就绪度拿了满分——老板亲自挂帅，指定了专职对接人，也愿意开数据。价值密度也有 4 分，排产是每天发生、直接影响交付的高频动作。拖住整个项目的，是前面两个 2 分。
四、那两个 2 分，具体卡在哪里？
数据就绪度 2 分：我们按 0–5 级给数据分级，2 级的定义是“电子但散落：个人 Excel、多版本、无统一格式”。这家企业的工单和产量数据在系统里是有的，但决定排产精度的那个关键字段——工序标准工时——不在系统里。访谈时车间主任的原话是：这个活儿多久能干完，得看是谁在干，老师傅心里有数。
判断类的 AI 场景一般要求数据就绪度到 3 级以上，并且有历史结果标注。一个连输入参数都靠人估的模型，输出的排程表不会比计划员的 Excel 更可信。
任务清晰度 2 分：我们问了三个岗位同一个问题——“怎么算排得好”。销售说交期不能拖，生产说别老换型，设备说别让机台停。三个答案都对，但没有优先级，也没有权重。厂里对“好”没有共识，等于这个项目没有验收标准。
这一点比数据问题更隐蔽。数据缺了大家都看得见，标准缺了，往往要等到验收会上才爆发——那时候钱已经花完了。
五、为什么短板一票否决，而不是算加权平均？
19 分听起来不算太差，六个维度里还有一个满分。如果按加权平均，这个项目完全可以启动。但我们的判定规则是短板一票否决，理由只有一句话：
AI 项目是乘法，不是加法。数据为零、没人牵头、错不起——任何一项归零，整个项目归零，其他维度得分再高也补不回来。
这不是我们一家的经验。Gartner 在 2024 年 7 月的预测中给出的判断是：到 2025 年底，至少 30% 的生成式 AI 项目会在概念验证之后被放弃，主因包括数据质量不足、成本失控和商业价值不清晰。麻省理工学院 NANDA 项目 2025 年发布的《The GenAI Divide: State of AI in Business 2025》报告则更直接：调研范围内约 95% 的企业级生成式 AI 试点没有带来可衡量的损益影响。
这两组数字都指向同一个地方：AI 项目的失败很少发生在建模环节，绝大多数死在前置条件不成立。而前置条件是在立项之前就能查出来的——只要你肯查。
六、那这半年该做什么？
“不建议做”不等于“回去等着”。我们给出的是一条分期路径，第一期干的事全部是补地基，而且每一件事本身就有独立价值，不依赖 AI 兑现：
- 把工序标准工时做出来并落进系统。方法不神秘：先用 MES 采集真实的开工/完工时间，用统计出来的实际工时反推标准值，再由工艺工程师确认。这件事做完，即使不上 AI，报价成本核算、交期承诺、产能测算也立刻变准。
- 把排产结果的“结果标注”攒起来。每一版排产计划的实际执行情况——准时率、换型次数、插单干扰——都要留档。这些标注是将来训练和验证模型的唯一素材，现在不攒，六个月后依然是零。
- 把“什么叫排得好”开会定下来。这是老板的活儿，不是软件公司的活儿。销售、生产、设备三方坐在一起，把交期、换型、利用率排出优先级，写进一份不超过一页纸的文件。
- 先做低门槛的 AI 场景练兵。同一次访谈里，我们识别出来的另一类场景——把纸质单据和邮件里的信息自动结构化——数据就绪度 1 级就能起步，错误容忍度高，见效快。让团队先在小场景上建立对 AI 的正确预期，比一上来就啃排产要稳得多。
这条路径的逻辑，和国家标准 GB/T 39116-2020《智能制造能力成熟度模型》（2020 年发布）的分级思路是一致的：成熟度三级“集成级”的核心要求，是先实现跨业务活动的数据集成与共享；四级“优化级”才谈得上对数据进行分析优化。想跳过三级直接做四级的事，不是有魄力，是把地基省掉了。工业和信息化部等八部门 2021 年 12 月印发的《“十四五”智能制造发展规划》，同样把数据基础与网络化改造放在智能化升级之前。
七、我们为什么宁可劝退
坦白说，写这篇文章对我们是有商业风险的——潜在客户看完可能会想，找这家公司会不会被劝退。
但我们更在意另一件事：制造业老板对 AI 的信任额度是有限的，而且基本上只有一次。第一个项目做砸了，后面三年谈什么都推不动。所以我们把评估这一步做重、做前置，宁可在签合同之前说不，也不想在验收会上解释为什么效果不及预期。
这也意味着，一家 AI 落地服务商值不值得合作，有一个很好用的判据：问他有没有劝客户别做的先例，以及当时用的是什么尺子。答得出具体维度、具体分数、具体补齐路径的，是在做工程；只会说“我们的算法很先进”的，多半在卖概念。
八、常见问题
Q1：AI 智能排产到底靠不靠谱？
技术本身是靠谱的，成败取决于三个前提是否成立：工序标准工时在系统里、“排得好”有客观标准、工单与设备与物料数据能被程序稳定读取。三条都成立时，排产是回报比较直接的 AI 场景；缺任何一条，先补前提，别急着上模型。
Q2：我们厂没有标准工时，是不是就彻底做不了？
不是彻底做不了，是顺序要对。标准工时可以通过 MES 采集实际开完工时间、再由工艺确认的方式建立，通常六到九个月能形成第一版可用基准。这件事的价值不止于 AI——报价、交期、产能测算都会同时变准。
Q3：不是说大模型很聪明吗，为什么还这么依赖数据？
大模型改变的是“信息提取、内容生成、知识问答”这几类任务的成本，它们对数据要求确实低。但排产属于判断决策类，模型再强也无法凭空知道你厂里这台设备做这个产品需要多久。模型能力和企业数据是两件事，前者不能替代后者。
Q4：先上一个 AI 排产试点，边做边补数据行不行？
不建议。试点会在没有验收标准的情况下产生一份谁也说不清好坏的排程表，最可能的结局是计划员用两周就弃用，而这次弃用会成为厂内后续所有 AI 提议的反面案例。正确的做法是把“补数据”本身立成一期项目，交付物是标准工时库和结果标注数据集，验收标准清清楚楚。
Q5：怎么判断一个 AI 场景值不值得做？
用六个维度自查：数据就绪度、任务清晰度、错误容忍度、价值密度、集成难度、组织就绪度，每维 1–5 分。任何一维只有 1–2 分，就先解决那一维，不要启动。这套尺子不需要外部顾问，企业自己拿着也能用。
九、写在最后
制造业做 AI，最贵的从来不是算力和模型，而是把 AI 用在还没准备好的场景上。一次失败会挡住一家企业三年——这个成本不会出现在任何一张预算表里，但它真实存在。
所以在问“AI 能帮我们做什么”之前，先花两天问清楚“我们的数据能支撑到哪一步”。这两天，可能是整个 AI 预算里回报率最高的两天。
参考来源
- Gartner, “Gartner Predicts 30% of Generative AI Projects Will Be Abandoned After Proof of Concept by End of 2025”，2024 年 7 月发布的新闻稿
- MIT NANDA, 《The GenAI Divide: State of AI in Business 2025》，2025 年发布
- GB/T 39116-2020《智能制造能力成熟度模型》，国家标准，2020 年发布
- 工业和信息化部等八部门《“十四五”智能制造发展规划》，2021 年 12 月印发
注：文中客户按保密要求以“某汽车零部件企业”指代，场景评分为奥斯坦丁软件（OTD）内部评估口径，不含未经客户确认的经营数据。
本文由苏州奥斯坦丁软件科技有限公司（OTD）出品。我们为离散制造企业提供 OTDMES 制造执行系统、OTDWMS 智能仓储管理系统与 OTDCRM 客户关系管理系统，并提供制造业 AI 落地场景评估服务。
作者
OTD 研究组
专注制造业数字化转型实践，深耕 MES、WMS、数字孪生与 IoT 集成领域，帮助工厂从「看不见」走向「可控可优」。