七月上海，九个汽配和制造企业的生产总监、计划负责人和IT高管坐进了一张圆桌。
讨论开场，主持人问了一个问题："你们公司的排产系统，好用的请举手。"
全场沉默。
某汽车空调零部件龙头企业——SAP ECC已经跑到第六个版本了，WMS、MES一应俱全。但APS模块——没启用。计划员用Excel做好排产，再导回SAP。
这不是个例。在场的企业里，没有一家说"我们的排产系统真的很好用"。
──────────────────────────────────────────────────
一、当汽车从"耐用品"变成"网红产品"，排产怎么跟得上？
讨论中最触及行业本质的一句话，来自某汽车安全件供应商的负责人：
"汽车从原来的耐用品，突然变成了网红产品。这个月销30台，下个月5000台——供应链根本来不及适应。"
以前的车是大批量标准化的：一个车型跑五年，一条产线全年拉满。现在的新能源车是"千人千面"的——方向盘皮质要定制、气囊颜色要选配、仪表盘每个月换一个版本。以前从来没有"彩色气囊"这个需求，现在是标配。
这种转变导致了一个连锁反应：主机厂对Tier1供应商的需求预测，从"基本准"变成了"基本不准"。外资车企（宝马、奔驰）给你的预测相对靠谱，两周内基本不变。但国内主机厂——"他要得很急，不要就扔那不管了。"
该企业的IT负责人举了一个极端的例子：去年12月，某车型每天要他供货近2000台；过了年，需求直接变成零。"两条产线就停在那，人也在那，设备和产能全浪费。"
这就是汽配行业排产的核心矛盾：不是在"如何优化排产"，而是在"如何管理不确定性"。
──────────────────────────────────────────────────
二、传统APS为什么会输给Excel？
郭总在胶囊厂的实践，指出了传统排产软件的三个致命问题。
问题一：固化业务逻辑等于自我设限。传统APS要先把老师傅脑子的排产经验挖出来、写成规则、编码固化。郭总去山西某贫困县的企业做调研，问计划员"你的排产逻辑是什么"——"那个小女孩都哭了，她说'郭总，你别再逼我了，我真的讲不出来'。"一个既懂排产又能讲清楚的人，不会在贫困县拿4000块工资。而且业务一旦变化，固化好的程序就废了——"以前纸质的我还能改模板，你程序化以后就完蛋了。"
问题二：定制化成本占项目总成本60%以上。 每家工厂的产品不同、约束不同、客户优先级不同，传统APS相当于给每家企业从零定制。国内主流APS厂商的报价基本百万起步，这还不包括后续每年升级维护的费用。一旦业务模式变了（收并购、新品上市），系统就得再来一遍。
问题三：排产结果是个黑盒子，计划员不信它。人排出来的，起码能解释"因为什么所以排在这"；系统排出来的，只有结果没有理由。当计划员自己都搞不清楚系统为什么这么排的时候，他只能回到Excel。
──────────────────────────────────────────────────
三、AI排产做对了什么？——给系统一个"边界"而不是一套"规则"
郭总在胶囊厂的解决思路很简单，但很有启发性。
他给AI设定了三个业务目标：按时足量交付、换产转产成本最小化、高利润客户优先。然后让系统先跑两个极端——只考虑交付的结果、只考虑成本的结果——算出上下边界。最后让AI在边界内找最优解。
"AI最大的好处是每次排产只需要一分钟。而且它能解释——为什么把这个订单排在这个位置。"
结果：该胶囊企业每月的转产时间从1700小时压缩到1000小时以内。"跟老板说'我每个月省了700小时，等于没多花一分钱多了一条产线'——如果老板连这个都听不懂，就不要做制造业了。"
核心逻辑的转变是：不是把老师傅的经验固化成规则，而是把业务目标告诉AI，让AI在约束条件内自寻最优解。排产从"技术问题"回到了它本来的样子——"业务履约问题"。
──────────────────────────────────────────────────
四、在制造业做AI落地，有一个事情比技术更重要
某RPA企业的生态负责人分享了一个很重要的观察：现在的AI系统不是"培训业务同事学会使用系统"，而是"陪着业务同事一起训练"。以往上SaaS，培训一次就完事了。现在上AI，需要持续的交互、纠正、迭代——人是"师傅"，AI是"学徒"。
她还分享了一个制造业企业内部的AI立项评估框架：每个AI项目必须经过四个维度打分——技术可行性、业务价值（降本+提效）、ROI（token消耗+运维vs.节省人力）、风险评估——综合得分高于60分才批准。
**"AI还在起步阶段，当前不能追求准确率要求高的场景落地。先找容错率高的场景验证，跑通了再扩展。"**
这也呼应了郭总反复强调的一点："产品的质量是生产出来的，不是检测出来的。AI可以帮你做检验，但不能帮你判断什么方向该走。" 制造业的隐含知识、小规模的行业经验，大模型厂商不会花成本去训练。所以——制造业的AI落地，必须是人带着AI走，不是AI带着人走。
──────────────────────────────────────────────────
五、RPA在汽配行业正在悄悄铺开
该负责人分享了宁波某汽配企业的落地案例：他们在三条链路上部署了RPA——订单→生产执行、生产→物流发货、物流→库存同步。每条链路跨越SAP、MES、条码系统、订舱系统等多个平台，原来靠人逐系统手工录入。RPA替代后，完全自动化。
在制造业，RPA目前的核心价值是"跨系统数据断点打通"。RPA按照预设规则执行，准确率100%——它不像AI那样会"创造性发挥"，但也不会出现AI的幻觉问题。
──────────────────────────────────────────────────
六、一个来自其他行业的参照：AI到底在哪些场景跑通了？
本场有一位来自直播电商行业的参会者，分享了一组很实在的数据：
已经跑通的场景：AI设计图片，可替代一半设计人力；AI自动化投放，仅需1人监控；AI智能场控，单直播间月成本仅千把块。
还没跑通的场景：AI短视频、AI编导——"目前AI只能补上数量，无法提升效率，效果不如人工。"
最让人意外的是一条洞察："现在AI更需要能精准描述需求的人。IT背景的人反而很难描述清楚细致的设计需求——原有做设计、拍摄的从业者，因为能清晰描述需求，做出来的AI效果比IT背景的人更好。"
这条洞察反过来看汽配行业，同样成立：排产AI能不能落地，不取决于有没有会写代码的人，而取决于有没有能把"这条线为什么不能排这个订单"讲清楚的老师傅。而现实是——大多数老师傅的经验是下意识的，自己都讲不清楚。
──────────────────────────────────────────────────
说在最后
三个小时的讨论，最核心的共识不是某一个技术判断，而是一个管理认知：
排产优化的本质不是能不能算，是算完了之后怎么办。急单来了怎么响应、物料缺了怎么预警、换型多了怎么说服老板投钱——这些"非技术问题"，才是汽配行业排产真正难啃的骨头。
而AI的正确姿态，不是来替代人做判断的。它是来帮人做那些"人做太慢、系统做太死"的事情——快速重排、自动预警、收益对比仿真——最后把选择题留给人的。
DSG精英六人谈，下一期再见。
──────────────────────────────────────────────────
DSG精英六人谈·2026 AI+排产 离散制造（汽配）专场 | 2026年7月23日 | 上海
感谢影刀对本场活动的支持
