消费品供应链计划放弃了Excel应当用什么?

上篇《为什么你的企业计划员还在用Excel？》回答了"为什么该换"；这篇回答三个更实际的问题：换什么？换了之后指标到底提升了多少？在中国，一家10-20亿营收、1000个SKU的企业，要花多少钱、分几步换？

引言：小王的周一，3个月后

还记得上篇里那个周一早上打开37个Excel文件的计划员小王吗？

3个月后的同一个周一，小王打开的不再是Excel，而是一个对话界面。系统已经自动完成了三件事：凌晨4点，需求预测Agent跑完了全部1200个SKU的滚动预测，把异常标记推送到了他的工作台；5点，物料计划Agent依据BOM完成了逐层分解，把3个供应商交期风险的预警挂在待办；6点30分，排产Agent基于最新的插单需求自动重排了2号产线的顺序，产能利用率又回到了90%以上。

小王的工作从"搬数据"变成了"做决策"：审核3条异常、否决1条建议并填写理由、然后去开产销协同会。

这不是科幻片。全世界范围内，上述每个环节的AI Agent应用都已经有可查证的真实案例和量化指标——这正是这篇文章要给你看的。

一、先回顾：Excel的「三重天花板」，为什么1000个SKU就是临界点

上篇我们详细论证过，Excel做供应链计划有三重无法逾越的天花板，这里快速回顾，作为本篇的对比基线：

1.1 成品计划：Excel的「颗粒度陷阱」

成品计划需要回答"做多少、何时做、做到哪"——这要求SKU×仓库×周甚至SKU×门店×天的颗粒度。而现实是：一个中型消费品企业，SKU通常在1000-5000个，仓库3-10个，成品计划需要同时协同销售、生产、物流、财务四个部门。

量化证据：Horizon Solutions的研究显示，当存储节点超过3个时，Excel驱动的计划典型多占用15%-25%营运资金——因为你无法精确计算多级库存的最优分配。

1.2 物料计划：Excel的「传导失真」

物料计划的核心挑战是BOM的层级传导——一个顶层的预测偏差，在子组件层级呈倍数累积：

成品预测偏差5%  → 半成品偏差10-15%    → 原材料偏差20-30%      → 包材偏差30-40%

每往下走一层，偏差放大2-3倍。MIT研究证实：需求信号失真在供应链每层放大，波动幅度从零售端的5%扩大到制造端的40%。Excel的线性计算逻辑无法处理这种非线性传导。

真实场景：某食品企业1200个SKU、每个SKU平均5-8层BOM、物料种类超5000种——每次更新需求预测，3个计划员要花整整2周重新计算物料需求。等算完，市场又变了。

1.3 排产计划：Excel的「组合爆炸」

排产本质上是NP-hard组合优化问题。一个中型工厂（8条产线、90个产品代码，考虑换模、工艺路线、产能约束、交期优先级），可能的排产方案数量是天文数字。

Excel的做法是贪心算法——"先排重要的、再排简单的"，每步局部最优，全局远非最优。AI的做法是数学规划+强化学习在百万次迭代中搜索全局最优。

（来源：立讯精密+悠桦林实证，排产效率提升6倍：3小时→30分钟）

1.4 「死亡线自测」：你的企业是否已越过Excel的极限

上篇给出8条自测，命中3条及以上就该考虑升级了：

注意：本文的目标企业画像（年销售额10-20亿、约1000个SKU），几乎必然命中3条以上——正好站在Excel死亡线的另一侧。 这就是我们这篇文章讨论的前提。

二、全球AI Agent案例巡礼：四个环节，谁在换，指标提升了多少

下面按需求预测→成品计划→物料计划→排产计划四个环节，展示全球范围内已公开的AI Agent/AI供应链计划应用案例。所有数据出处见文末，Before均为Excel+人脑（或等效人工）模式。

2.1 需求预测：从「月度拍脑袋」到「Agent自动跑周度预测」

案例① 全球饮料巨头 × CrewAI：6个Agent的自主预测流水线（最典型的Agent形态）

• 方案
  CrewAI搭建6个专职Agent——编排Agent自动启动周度周期，数据抽取Agent连接SAP S/4HANA与Databricks，数据清洗Agent去重纠错，SKU级预测Agent跑模型，异常发现Agent标记库存与采购异常，报告Agent自动推送Power BI/邮件。
• 交付场景
  整个周度预测流程无人工触发、自主运行，人类计划员只介入异常处理。
• 指标对比（vs Excel+人脑）
• 流程自动化率：约0% → 约90%
• 周度预测：5名分析师×每周40小时 → 分钟级自动产出
• 模型/代码更新上线：数天 → 30分钟
• 出处
  CrewAI官方博客《How a Global CPG Automates Supply Chain Demand Forecasting with Agentic AI》（2026-04）

案例② 百威英博（AB InBev） × o9：85%的需求计划"无接触"

• 方案
  o9 Digital Brain（企业AI规划平台），覆盖10国、占全球销量75%。
• 指标对比
• 预测准确率：提升超11个百分点，达87%
• 整体库存水平：下降20%
• 美国服务水平99.5%、缺货率低于0.5%
• 美国85%的需求计划实现无接触自动生成（Touchless Planning）
• 出处
  o9官方文章《AB InBev's Journey with o9》（2025-08）

案例③ 秘鲁最大连锁超市 × Blue Yonder：生鲜预测从65%到95%

• 场景
  600家门店的生鲜需求预测（此前用Excel手工预测）。
• 指标对比
  预测准确率从65-70%提升到90-95%（部分品类），每日自动预测。
• 出处
  Blue Yonder官网成功案例

案例④ 美国轮胎零售连锁Discount Tire × Blue Yonder

• 指标对比
  90天采购预测准确率提升600个基点（+6pp）；供应商满足率提升1000个基点（+10pp）；缺货显著减少。
• 出处
  Blue Yonder官网成功案例

案例⑤ 安利（Amway） × o9：月度预测审核从5天到半天

• 指标对比
  预测审核周期从5天缩至0.5天以内；预测准确率提升4-5pp；服务满足率98%；系统采用率增至3倍。
• 出处
  o9官方文章（2025-08）

案例⑥ 百事（PepsiCo）× Azure ML：门店级预测

• 指标对比
  预测准确率提升40%；MLOps自动化释放4300个工作日/年。
• 出处
  SoftServe行业文章（2025-09，引用百事公开资料）

案例⑦ 联合利华冰淇淋：季节品的AI预测

• 指标对比
  瑞典市场预测准确率提升10%；AI节省高价值原材料成本最高10%（香草、可可）。
• 出处
  Food Shippers of America官方博客（2025-02）

案例⑧ Kinaxis Maestro Agents：计划员生产力提升10倍

• 方案
  Kinaxis Maestro平台内嵌的AI数字同事（Agent），支持人机协同护栏；2026年2月又发布Maestro Agent Studio支持无代码自建Agent（可对接OpenAI GPT/Google Gemini）。
• 客户与指标

• 10倍；识别库存风险从40次点击减少到4次点击；洞察从分钟/小时级缩短到秒级。
• 全球最大电子制造商之一：报告流程自动化，每位计划员每月节省30+小时，按时交付率改善。
• 出处
  Kinaxis新闻稿（2025-10、2026-02）

案例⑨ 日本精機 × Kinaxis Maestro：部品供给计划年工时削减90%

• 场景
  汽车零部件Tier1的部品供给计划（此前需求、库存、发货信息分散，靠经验判断）。
• 指标对比
  新机种部品供给计划：1065小时/年 → 75小时/年（-93%）；生产终了（EOL）部品对应：1248小时/年 → 120小时/年（-90%）。
• 出处
  MONOist/ITmedia报道（2026-07）

案例⑩ BISSELL × o9：安全库存释放2000万美元

• 指标对比
  整体填充率约96%；安全库存释放2000万美元；计划可控成本（调拨/加急/非网络发货）降低60%；计划组织人数减少10%；关税冲击场景分析从人工数周缩短到1-2天交付。
• 出处
  o9 aim10x Americas

案例⑪ 太古可口可乐 × Blue Yonder：从周度到每日的全链路计划

• 场景
  需求预测→供应计划→生产主计划→工厂排序全链路，覆盖24家大陆工厂。
• 指标对比
  生产规划从周度改为每日；浙江工厂生产规划时间缩短76%；整体生产转换次数同比下降5.2%、转换时间减少6%。
• 出处
  Blue Yonder官网成功案例

案例⑫ 富士康 Genesis AI：多智能体动态排产

• 方案
  自研Genesis AI（多工业智能体协同调度引擎+数字孪生），覆盖郑州/深圳/昆山及东南亚厂区。
• 指标对比
  产线调度综合效率提升50%；订单交付延期率下降50%；设备突发故障停机时长下降62%；新品导入周期缩短40%。
• 出处
  富士康官方发布（经自贡市人工智能协会转载）

案例⑬ NVIDIA AI Planner：自然语言排产的多Agent系统（最硬核的Agent案例）

• 方案
  NVIDIA自研AI Planner = cuOpt决策优化 + Nemotron大模型多智能体。计划员用自然语言提问，多智能体自动将意图转化为优化模型并运行，同一决策窗口可跑几十个what-if场景。
• 指标对比
  what-if场景规划从约1整天（隔夜）缩短到10分钟以内（>144倍提速）；计划员产能提升6倍；入围2026 Franz Edelman奖决赛。
• 出处
  NVIDIA官网案例（2026）

案例⑭ 西门子Opcenter APS × Natural One（巴西果汁企业）

• 指标对比
  生产计划编制从3天缩短到2小时；缺货率从2018年13%降到2020年2%；计划视野从30天扩展到12个月（56周）。
• 出处
  西门子官网案例

案例⑮ 美的厨卫（芜湖）× 美云智数：供应链AI智能体

• 方案
  美擎AIGC 3.1"供应链AI智能体"（十大智能体：需求预测/库存计划/计划执行/订单巡检/物料计划等）。
• 指标对比
  113个数字化用例（约35% AI驱动）：端到端交货周期-39%；库存周转天数-30%；市场缺陷率-86%。
• 出处
  中国网/今日头条报道（2026-01）

案例⑯ 金蝶AI × 某女装工厂：排产从4小时到8分钟

• 指标对比
  日均800+款号排产：4小时 → 8分钟；排产准确率68% → 93%；面料利用率+12%；产能利用率68%→85%；交期准时率82%→95%。
• 出处
  中国工业新闻网（2026-08） 

2.5 一张表看懂：Excel+人脑 vs AI Agent，指标差在哪

读完这张表，你应该已经得到一个结论：Excel+人脑不是"不够好"，而是"完全不同量级"。 尤其是排产环节，从"小时级"到"分钟级"是全行业一致的规律——因为排产本质是组合优化问题，算力碾压经验。

三、中国落地：10-20亿营收、1000个SKU企业的「AI Agent行动清单」

前面是全球巨头的故事。现在回到中国，回到"10-20亿年销售额、约1000个SKU"这个画像——这恰好是上篇"Excel死亡线"的另一侧，也是中国消费品企业最典型的规模段。

3.1 先算账：接入大模型，每天到底要花多少钱？

很多人以为接入大模型很贵。答案是：模型调用费对这个规模的企业属于"可忽略级"，真正的大头是SaaS订阅、实施和数据治理。 我们把账算给你看。

（1）中国主流大模型API价格（2026年8月，元/百万tokens）

DeepSeek（2026年8月17日起执行峰谷定价；高峰9:00-12:00、14:00-18:00，其余为空闲时段，谷时价格=峰时一半）

（出处：DeepSeek官方定价页；网易智能《峰时"梁文峰"，谷时"梁文谷"》2026-08-20；新浪财经2026-08-06）

Kimi（月之暗面）：

（出处：Kimi官方定价页 platform.moonshot.cn；CSDN《2026大模型API定价全景图》2026-06）

补充参考——通义千问 Qwen3.7（阿里云）：Max 2.5/7.5元；Plus 0.4/1.6元；Flash 0.03/0.06元。（出处：阿里云开发者社区2026-07）

（2）供应链计划场景的每日token消耗估算与成本

基于1000个SKU的消费品企业测算（估算模型，按1000 token≈750汉字）：

方案A·轻量场景（批量预测+结构化输出+少量问答）：

• 日消耗≈输入163万token + 输出25.5万token
• DeepSeek V4-Flash（谷时）
  1.5×1.63 + 4.5×0.255 ≈ 3.6元/天（约110元/月）
• Kimi K2.5
  4×1.63 + 21×0.255 ≈ 11.9元/天（约360元/月）
• Qwen3.7 Plus
  0.4×1.63 + 1.6×0.255 ≈ 1.1元/天

方案B·重度场景（多Agent协同+RAG检索+长上下文推理，日输入1000万/输出150万token）：

• DeepSeek V4-Flash
  峰时约43.5元/天（约1300元/月）；谷时约21.8元/天
• Kimi K2.5
  约71.5元/天（约2150元/月）

结论：即使是最重的多Agent场景，模型调用费每月也就一两千元——不到一个计划员月薪的十分之一。 而且有两个免费杠杆：把批量任务排到夜间/周末（谷时省50%）、固定提示词命中缓存（DeepSeek缓存命中价仅为未命中的1/30~1/60）。

3.2 六步行动清单（建议周期：6-9个月）

第1步：数据盘点与治理（第1-4周）拉通ERP历史销量、库存、BOM、工艺数据，建立数据标准。这是决定成败的一步——所有APS/AI项目的第一大风险都是数据准备不足。

第2步：场景选型（第2-6周）从单一高价值、可量化场景切入，需求预测与排产二选一。不要一上来就做全链路。金蝶的实践观点值得参考："先拿下一个可量化的成果，再复制推广。"

第3步：POC试点（第6-12周）用真实业务数据做概念验证，与人工基线对比（如：排产4小时→分钟级、预测MAPE下降几个点）。华润雪花的经验：POC阶段数小时就验证出数千万元级的优化空间。

第4步：模型与部署选型（第8-12周）

• API按量付费起步
  DeepSeek V4-Flash / Qwen3.7 Plus 做主力，复杂推理才用Pro/Max。
• 模型分级路由
  简单任务用Flash/Lite，复杂推理才用Pro/Max——避免"杀鸡用牛刀"导致成本虚高5-20倍。
• 核心算法用运筹优化+小模型
  需求预测、排产这类确定性算法用OR求解器（如悠桦林、览众数据），大模型做"计划助理/自然语言交互/报告生成"。

第5步：系统集成（第12-20周）与ERP/MES/APS打通。数据不通=白搭。集成范围：ERP（订单/库存）、WMS、MES、以及历史数据湖。

第6步：监控与迭代（持续）

• 影子模式渐进切换：AI与Excel并行→AI建议人工审批→标品全自动（参照上篇迁移路径）。
• 按天/按接口监控token用量并设阈值告警。
• 计划员角色重构为"异常决策者"，人工保留否决权但必须填写理由，修改记录回流为模型的奖励信号。

3.3 预算结构：API / SaaS / 私有化怎么选

（出处：鲸选型《供应链软件价格大揭秘》2025-08；今日头条《DeepSeek本地部署多少钱》）

关键判断标准（InfoQ分析）：GPU利用率低于38%-52%时，自建比API贵2-5倍——10-20亿营收企业几乎可以确定先走API。只有当年度token费用超过10-20万元时才考虑私有化。

3.4 避坑清单（别人替你踩过的坑）

1. 数据质量是生死线
   数据不完整、噪声、不一致会直接导致计划失真——先治理数据，再谈AI。
2. 警惕大模型价格波动
   DeepSeek 2026年8月刚上调API价格并引入峰谷定价（峰时是谷时2倍）；Kimi 2026年7月曾因算力紧张暂停C端订阅——建议多模型路由，把批量任务调度到空闲时段。
3. token成本失控的三个对策
   Prompt瘦身（省30-70%）、上下文压缩（省40-60%）、缓存复用（省50-90%）。
4. 不要纯看报价
   对比须含实施/培训/维护，算TCO；预留15-30%预算用于硬件升级、数据迁移、员工培训。
5. 员工抵触是隐形杀手
   个性化培训+树立典型示范，避免"系统上线没人用"。
6. 不要盲目私有化
   GPU利用率不达标时自建反而更贵。

结语：Excel不是被AI打败的，是被复杂度打败的

回到开头的题目：消费品供应链计划放弃了Excel，应当用什么？

答案是：不是一个软件，而是一个体系——「大模型+运筹优化+Agent编排」的分层体系。 大模型负责理解、对话、生成报告；运筹优化负责排产、补货这类确定性计算；Agent负责把它们编排成"自主感知→决策→执行"的工作流。

全球的实证已经给出了清晰的信号：

• 需求预测：准确率从70%上下提升到85-95%（AB InBev、Blue Yonder客户）
• 成品/物料计划：人工工时削减90%（日本精機），计划周期缩短76%-99%
• 排产：从小时级到分钟级，最高144倍提速（NVIDIA）

而在中国，10-20亿营收、1000个SKU的企业，用DeepSeek这类国产大模型做这件事，每天算力成本只要几块钱到几十块钱。真正的门槛从来不是钱，而是数据基础、场景选择和"从影子模式开始"的决心。

上篇我们说：Excel不是不能用，而是当你的企业越过800个SKU、2个节点的死亡线时，Excel就从"工具"变成了"枷锁"。

这篇我们说：放弃Excel不是放弃确定性，而是把确定性交给算法，把人还给人。

你的竞争对手，可能已经在路上了。

附：主要数据出处

Excel限制性因素：

1. OPC公号《为什么你的企业计划员还在用Excel？》（Horizon Solutions、MIT研究、立讯精密/悠桦林实证）

全球案例：

2. CrewAI官方博客《How a Global CPG Automates Supply Chain Demand Forecasting with Agentic AI》(2026-04)：blog.crewai.com

3. o9官方文章《AB InBev's Journey with o9: Transforming Supply Chain Planning》(2025-08)

4. o9 aim10x Americas（BISSELL、Shurtape案例）

5. o9官方文章《Reinventing Demand Planning at Amway》(2025-08)

6. Blue Yonder官网成功案例（Discount Tire、Supermercados Peruanos、太古可口可乐、上海百事）

7. Kinaxis新闻稿《Kinaxis Accelerates Agentic Era...Maestro Agents》(2025-10-17)、《Maestro Agent Studio》(2026-02-05)

8. MONOist/ITmedia《日本精機がAI搭載サプライチェーン基盤を採用》(2026-07-03)

9. Nucleus Research《Kinaxis Maestro cuts planning cycles by over 90%》(2026-04)

10. NVIDIA官网案例《NVIDIA Cuts Supply Chain Planning Time by 144x With NVIDIA cuOpt and AI Agents》

11. 西门子官网案例（Natural One、Móveis Bartira Opcenter APS）

12. 富士康Genesis AI发布（自贡市人工智能协会转载）

13. 美云智数"供应链AI智能体"方案（中国网/今日头条2026-01）

14. 金蝶AI服装排产案例（中国工业新闻网2026-08-05）

15. 用友BIP企业AI案例（用友官网）

16. 悠桦林、安达发、鼎捷官网案例

17. Gurobi官网《Toyota: Production Planning Optimization》

18. SoftServe《Machine Learning in FMCG》(2025-09)、Food Shippers of America《How Unilever Is Leveraging AI》(2025-02)、M365 FM

大模型价格与成本：

19. DeepSeek官方定价页：api-docs.deepseek.com（2026-08现行价）

20. 网易智能《峰时"梁文峰"，谷时"梁文谷"：DeepSeek涨价后该如何用》(2026-08-20)

21. 新浪财经《大幅涨价！DeepSeek也扛不住了？》(2026-08-06)

22. Kimi官方定价页：platform.moonshot.cn/docs/pricing

23. 阿里云开发者社区《2026年阿里云千问大模型全解》(2026-07)

24. CSDN《2026大模型API定价全景图》(2026-06)、《Token成本全景与企业降本实战指南》

25. 鲸选型《供应链软件价格大揭秘》(2025-08)

26. InfoQ《AI推理成本首次算清：GPU利用率不到52%》

说明：部分海外案例数据为供应商自报口径（Blue Yonder/o9/Kinaxis官网及新闻稿），二级来源已注明；价格数据受市场波动影响，引用时请以官方最新定价页为准。

• 消费品企业战略咨询和AI应用落地合作
• 餐饮企业和消费品企业出海供应链搭建和数字化部署咨询加落地
• OPC消费品供应链AI生态应用实战