【决策者摘要】

你每天被多少供应商追着卖AI？别急着买。这一章的结论很直接：制造业流程中大约40%的问题，用精益方法就能解决——零成本、两周见效。用精益都优化不干净的流程，上AI只会让浪费跑得更快。

本章给了你一套筛选框架：双轨优化模型。Track A（精益净化）把流程里的废话、多余签字、重复搬运砍掉；Track B（智能重构）分三个阶段渐进推进，数据不到60分就别碰Phase 3。配合四色标注系统，每个流程节点该不该上AI、上到什么程度，一目了然。

在动手改流程之前，先搞明白三个问题：我们现在的流程为什么长这样？它的局限在哪？AI来了之后怎么改？

每到一个制造业企业，我都会先问一个看起来很简单的问题：

“你们的销售订单从录入到出货，中间经过几个人的手？”

答案通常在6到12个之间——销售→销售主管→信用专员→计划员→仓库→生产排产→采购…还不算中间可能退回修改的环节。但很少有人能说出”为什么必须是这6个人”。不是因为每个环节都创造价值，而是因为”系统就是这么设计的”。

这就是事务逻辑的代价：流程在诞生时是有道理的，但时间一长，没人记得当初为什么这么设计。大家都在按”系统规定的”做事，而不是按”最合理的”做事。

这一章先拆开这个黑盒子。

§TOC0-1§

1.1 事务逻辑的DNA：ERP时代的流程设计哲学

1.1.1 三个概念认识SAP的流程架构

SAP的流程设计逻辑可以用一句话概括：流程=单据+审批+过账。

• 单据：事务的载体。销售订单（VA01）、采购订单（ME21N）、生产工单（CO01）、财务凭证（FB01）——每笔业务活动都生成一张单据，单据之间通过关键字段关联（如采购订单号关联到入库单）。
• 审批：事务的阀门。每个单据在流转到特定节点时，系统检查条件（金额超限、信用额度不足、价格偏离标准等），触发审批工作流。审批通过才能继续。
• 过账：事务的终点。单据一旦过账，数据进入财务模块，成为可追溯的历史记录——不能再改，只能冲销重做。

这套逻辑有一个专业术语叫状态机（State Machine）。每个单据处于某个状态（已创建→已审批→已发货→已开票→已过账），状态转移由特定事件触发。

当你用VA01创建销售订单时，订单状态是”已创建”。你执行VL01N做发货过账，状态变成”已交货”。VF01开票后，状态变成”已开票”。MB1A做发货过账后，库存和财务同时更新。

这套体系是强大的。强在三点：

可追溯：每笔业务有源可查。三年前的一张采购订单，今天还能追踪是谁创建的、谁审批的、哪个供应商的、对应哪张入库单、付了多少钱。

可审计：财务合规的基础。凭证不能随意删除，修改留痕。应付账款和采购订单之间存在明确的勾稽关系。

确定性强：流程的每一步有明确的入口和出口。不会出现”不知道单子走到哪了”的模糊状态。

1.1.2 事务逻辑的隐性成本

但这套体系的强大，建立在三个假设之上：

假设一：信息是充分且及时的。

ERP假设你在执行每一个事务操作时，已经掌握了你需要的所有信息。但现实是：计划员在跑MRP时不知道供应商的实际产能；销售在做报价时不知道当前生产线的负荷。信息要么不充分，要么有延迟。

假设二：规则是预设且稳定的。

审批流程里的金额阈值、价格折扣区间、信用额度标准——这些规则在系统上线时设定好之后，通常一年半载才会调整一次。但市场变化是按周算的。规则跟不上变化，就成了瓶颈。

假设三：跨系统的衔接是通畅的。

SAP内部模块之间（SD→MM→PP→FI）的集成是固化的。但制造业的系统环境从来不是只有SAP——还有MES、WMS、PLM、SCADA，中间可能还夹着一个国内ERP做财务（双系统并行的情况在中国制造业非常普遍）。事务逻辑跨不了系统，一旦流程跨越系统边界，靠的就全是人了。

国内ERP在处理这三个假设时，有它自己的逻辑差异。

财务导向 vs 供应链导向：国内ERP很多是从财务软件起家的，流程设计的第一优先是”账要平”，而不是”物要顺”。同一个业务在供应链侧的处理逻辑和在财务侧的处理逻辑，有时是两套逻辑在同一个系统里各走各的。

集团管控 vs 单体企业：国内的大型制造企业很多是集团架构，财务核算层层合并。流程设计的重心有时不是”效率”，而是”控制”——审批流特别长、权限设置特别细、到了子公司那层又灵活处理。

这两套逻辑没有对错之分，只是设计原点的不同。当我们在说”AI重构流程”的时候，不能忽视这个起点差异——同一个流程域的痛点，在SAP企业和在国内ERP企业里，痛的位置可能不一样。

1.1.3 事务逻辑不是错的，只是不够了

我不是在否定事务逻辑。没有ERP，制造业不可能在过去三十年里实现全球化和规模化——标准化流程是规模化的前提。

问题在于：预设规则+状态迁移+事后过账这套模式，在AI时代碰到了三堵墙：

• 反馈延迟：事务逻辑是”事后”的。销售订单交期出了问题，系统不会主动预警，因为状态机只响应已发生的事件。预测性的干预，事务逻辑不支持。
• 规则僵化：审批阈值是半年前设定的，但市场环境变了。要调阈值可以，走变更流程，排IT资源，下个版本更新。等改完，窗口期过了。
• 跨系统断点：哪个制造业CIO没有被”SAP→MES→WMS的数据对不上”折磨过？事务逻辑只认自身系统的状态，外部状态需要人肉对接。

这三堵墙，就是AI重构的机会。

§TOC0-2§

1.2 双轨优化模型：先净化，再重构

理论来源：深智工坊·Flow Doctor 企业流程诊断方法论

1.2.1 为什么不是”直接上AI”

这是我在做企业流程诊断时最常见的场景：

企业CIO跟我说：”我们采购审批太慢了，从需求发起到下单平均要5天，能不能用AI加速？”

我通常会先做一个动作——不碰AI，先把流程画出来，看每一个节点在做什么。

三小时之后，我们发现了真实问题：

• 需求提交环节：业务员的采购申请内容不完整，平均每个申请被退回修改1.8次（等待浪费）。
• 部门审批环节：科长批完→部长批→副总批，三个层级批的内容一模一样，没有人认真看第二层以后的内容（重复审批浪费）。
• 采购比价环节：采购员把三个供应商的报价填进Excel，手动算总成本，截图发给领导看（手动搬运浪费）。
• 总经理审批环节：因为前几个环节的报表格式不统一，总经理平均花15分钟读懂一份采购申请（认知负担浪费）。

我说：”你先把这些浪费去掉，再谈AI。”

这就是双轨优化模型的核心理念：不是每个流程问题都值得用AI解决。先除浪费，再谈智能。

我见过的流程优化项目里，大约40%的问题用精益方法就能解决——不用花一分钱买AI工具。而且有一个铁律：如果你用精益方法都优化不干净的流程，用AI只会加速放大这些浪费。

1.2.2 Track A：精益净化

精益净化不做技术投入，只做物理层面的流程瘦身。核心工具是ECRS：

消除（Eliminate） 问一个问题：这个节点如果不做，会发生什么？ - 连续三人签字的审批单——如果第二个人和第三个人的判断标准完全一致，只留一个人就够了。 - 每周一次的”例行汇报会”——如果三个月没有人在会上做出过重要决策，这个会就不该存在。

合并（Combine） 问一个问题：这几个节点能不能让一个人做？ - 采购申请录入→采购申请审核→采购比价——如果一个人能同时做这三件事，为什么要分三个人？

重排（Rearrange） 问一个问题：节点的顺序可不可以变？ - 先审批再比价还是先比价再审批？先有订单再配货还是先配货再有订单？

简化（Simplify） 问一个问题：能不能用更少的信息做决策？ - 一份采购申请单上30个字段，实际决策需要的只有5个——那其他25个字段为什么不能后补？

配合七大浪费识别工具，精益净化可以快速定位流程中的非增值环节：

精益净化的输出是一份“不花钱就能做的改善清单”。我曾经给一个客户做采购流程精益净化，发现的14个浪费点中有9个可以直接消除，实施周期2周，零成本。

执行完Track A之后再评估，你会发现：原先以为需要AI解决的问题，有一部分已经不存在了。

1.2.3 Track B：智能重构

在完成了精益净化之后，剩下的那部分问题——那些确实是信息处理、预测判断、内容生成层面的瓶颈——才是AI该上场的地方。

智能重构不是”把所有节点都换成AI”，而是分三个深度渐进推进：

Phase 1：节点内增强

现有的流程节点不动，只在节点内部引入AI辅助。

场景示例： - 计划员的预测环节：原来靠Excel+经验判断，现在引入AI预测模型，自动产出初稿，计划员做确认。 - 采购合同审查：原来法务逐条审，现在AI先审一遍，标注出高风险条款，法务只关注有问题的部分。 - 财务费用审核：原来逐单核票，现在AI做异常检测，只有标记为异常的单据才送给人工。

数据要求：低。只需要该节点的历史数据。

对人影响：小。人在流程中的角色不变，工作方式变了（从”自己做”到”审核AI做的”）。

Phase 2：节点间重构

修改相邻节点的连接方式，让AI成为节点之间的”智能桥”。

场景示例： - 销售报价和交期承诺：原来销售报完价→把订单交给计划员估算交期→有冲突再回头改。现在AI在报价环节同时做交期预测和产能校验，报价单生成时就带可靠交期。 - 排产和物料齐套：原来排产完→再去查物料够不够→不够就改排产，来回两三轮。现在AI在排产环节同时跑物料可用性校验，不满足条件的工单自动调整优先级。

数据要求：中等。需要跨节点数据的关联分析。

对人影响：中。流程节点数可能减少，部分节点的角色改变。

Phase 3：拓扑重构

不按原有节点走，而是重新设计流程拓扑——因为AI的能力，流程的骨架变了。

场景示例： - 质量检验：原来来料检→过程检→出货检，三个节点三个工位三个系统。现在质量检验不按”阶段”分，而是按”产品”分——每条产线配备一个AI质量闭环：在线传感器实时采集数据，AI实时预判质量异常，自动调整工艺参数或触发停机，所有数据同步回SAP QM模块。 - 异常处理：原来异常上报→逐级审批→跨部门协调→处理方案→执行→确认关闭，一套流程走下来一周。现在异常事件驱动AI第一时间诊断，自动匹配处理方案，推送到相关人确认执行，全程记录。

数据要求：高。需要跨域数据的全面数字化，最好有数字孪生基础。

对人影响：大。岗位职责重新定义，流程Owner的角色升级。

核心规则：Phase的准入门槛不达标时，强制降级。 - 数据质量不到60分的，不要尝试Phase 3 - 组织对AI信任度低的，先走Phase 1建立信任 - 不要为了”上AI”而上AI，哪个Phase能解决真实痛点就用哪个

这两个轨道不是二选一。最佳实践是做在同一个流程上做双轨并行：先用Track A做快速净化（2-4周），再做Track B的准入门槛评估，决定能走到哪个Phase。

§TOC0-3§

1.3 AI的能力边界与嵌入方式

1.3.1 两类AI的分工

在走进流程之前，先建立对AI能力的清醒认知。我把制造流程中会用到的AI分成两类：

决策式AI：擅长”判断”

本质上是模式识别任务：给我大量历史数据，我学会其中的规律，然后用在新数据上做预测或分类。

在流程中的典型应用：

决策式AI的优点是：输出确定、可验证、容易嵌入现有流程。缺点是需要结构化数据，且泛化能力有限——在一个工厂训练好的模型，搬到另一个工厂往往需要重新训练。

生成式AI：擅长”生成”

基于大语言模型的能力，理解自然语言、生成内容、知识检索、逻辑推理。

在流程中的典型应用：

生成式AI的优点是：灵活、不需要大量结构化数据、用户界面体验好。缺点是：输出不确定（每一次可能都不同）、存在幻觉风险、需要强管控的人工复核节点。

两者的关系是互补而非替代。在流程重构中，决策式AI负责”算得准”的部分（预测、分类、检测），生成式AI负责”写得好”的部分（报告、分析、沟通）。很多时候是两者协同：决策式AI判断异常，生成式AI解释异常原因并给出处理建议。

1.3.2 四色标注系统

在逐节点分析流程时，需要一套一目了然的标注方式。本书采用四色标注系统，在之后的每个流程域分析中统一使用：

• 🟢 绿色 — 适合AI完全替代 该节点的产出是标准化的，不涉及人际信任，数据是数字化的，允许机器自主执行。如：三单匹配、费用异常检测、周期性库存盘点。

• 🟡 黄色 — 适合AI辅助，人做决策 该节点需要人的判断经验，但AI可以提供建议或初稿。如：供应商评分、排产方案推荐、财务分析报告生成。

• 🔴 红色 — 必须人工处理，AI不宜介入 该节点涉及法律责任、人际信任、战略判断或创新性工作。如：重大采购合同的最终签署、组织架构调整决策、客户关系维护。

• ⚪ 灰色 — 暂不判断，需更多信息 该节点目前信息不足，无法确定AI的切入方式。需要了解更多业务上下文后再判断。

这四色标注对应着四种嵌入方式：

1.3.3 AI不是银弹

说完了AI能做什么，也必须说AI不能做什么。

AI不能在没有数据的地方工作。 很多制造企业的流程问题数据质量极差——系统里是”脏数据”，甚至根本没有数据。没有干净的结构化数据，决策式AI没法启动。这种情况下，首先要做的不是上AI，是把数据治理做好。

AI不能做价值观判断。 当流程节点涉及”这个客户值不值得花精力维护”“这批瑕疵品是放行还是报废”，背后是企业长期以来建立的价值观和风险管理偏好。AI可以给数据支撑，但不能替人做这种判断。

AI不能弥补糟糕的流程设计。 如果采购流程本身已经存在三级同质审批、频繁退回、信息断点等结构性缺陷，AI的介入只会让这些缺陷运行得更快。这也是为什么双轨优化模型中，Track A（精益净化）必须走在Track B（智能重构）前面。

§TOC0-4§

1.4 从APQC到本书的选择

1.4.1 为什么选APQC

APQC的流程分类框架（PCF）是制造业最广泛使用的流程标准参考模型。它把企业流程分为12大类、1000+个流程活动，覆盖从战略规划到运营执行的完整链路。

选择APQC的理由有三：

它不限定系统。 APQC不是SAP的、不是Oracle的、不是金蝶的。它是一套中性的流程分类语言，任何系统的流程都能映射到这个框架里。

它有层次深度。 PCF分为5个层级：类别→流程组→流程→活动→任务。这让我们可以既从宏观层面看流程架构（L1-L2），也在微观层面看具体节点（L3-L5）。

它被广泛接受。 制造业的CIO和咨询顾问基本都熟悉APQC，不需要额外解释。

但是，我不会逐条引用APQC的PCF来做”检查清单”式的分析。那会把这本书变成一本《APQC在制造业的应用指南》，这不是本书的目的。

1.4.2 本书聚焦的六大流程域

全书的实践部分聚焦于APQC框架中与制造业运营最直接相关的六个流程域。选择标准有三： 1. AI介入的可行度高：数据数字化基础好、有明确的结构化数据 2. 痛点普遍性强：大多数制造业企业在这个领域有共性瓶颈 3. 流程闭环完整：端到端的流程，不是单一部门内的局部环节

最终筛选出的六个域及其对照的APQC分类：

排列顺序遵循制造业的核心业务逻辑：先有计划才能接收订单（第2章），订单来了才能做订单管理（第3章），有订单需求才能启动采购（第4章），物料到位才能生产（第5章），产出品需要仓储物流（第6章），所有业务最终反映到财务（第7章）。

这是一个”从来到出”的自然流动。

1.4.3 SAP主线与国内ERP对比说明

本书以SAP的流程实现为主要参照系，原因很简单：SAP在全球制造业的流程架构地位，相当于英语在国际商务中的地位——不是唯一的，但谁也绕不开。如果你熟悉SAP在某条流程上的处理逻辑，你也基本上理解了制造业流程设计的标准范式。

对于国内ERP，本书的处理方式是不提具体厂商名称，而是用功能分类法标注差异：

差异化在于：

SAP强调”流程完整性”。一个订单从创建到归档，事务码之间环环相扣，缺一个环节就无法推进。好处是纪律性强，坏处是灵活性差。

国内ERP在灵活性和本地化上更强。比如发票处理，国内ERP天然支持金税接口、多税率、电票直连；更习惯”先发货后开票”或”先开票后发货”并存。这些细节在SAP里需要大量定制。

当某些流程环节上两类系统有本质差异时，书中会用”国内ERP在xx环节的处理方式不同，具体表现是…”来标注——不影响主线阅读，但国内ERP背景的读者能对号入座。

§TOC0-5§

本章小结

这一章搭建了全书的理论坐标系，四个基点：

事务逻辑的解剖：理解了ERP时代流程为什么长这样——单据→审批→过账的三段式设计。也理解了它的局限——反馈延迟、规则僵化、跨系统断点。这些局限就是AI重构的起点。

双轨优化模型：在动手重构之前，先用Track A（精益净化）把流程瘦身，再做Track B（智能重构）的分阶段推进——Phase 1节点内增强→Phase 2节点间重构→Phase 3拓扑重构。不是每条流程都需要全部走到Phase 3。

AI能力边界：决策式AI做”判断”（预测、分类、检测），生成式AI做”生成”（文本、知识、对话）。两者的互补关系，以及四色标注系统——在后续每章中，这都会是标准分析工具。

本书的路径选择：六个流程域的递进逻辑、SAP主线+国内ERP功能分类对比的处理方式。

接下来，从第2章开始，我们将逐个走进这六个流程域，看看每条流程”现状长什么样、痛点卡在哪、AI怎么改、改完什么样、真实的案例怎么做”。

这不会是一趟轻松的阅读旅程，但我保证每个流程域的分析，都建立在实际做过的诊断基础上。

【延伸阅读】

• 《精益思想》（James Womack / Daniel Jones）— 制造业流程优化的奠基之作。双轨优化模型中的Track A直接源于此。想理解”消除浪费”的底层逻辑，这是第一本书。
• 《智能制造：中国制造业数字化转型之路》（许永硕）— 从中国制造业实情出发讲数字化转型，与本章对SAP和国内ERP差异的分析形成对照。
• 「Flow Doctor企业流程诊断方法论」— 树懒老K·慢读经典专题— 本章双轨优化模型的理论来源。公众号回复「流程诊断」获取完整版诊断卡片和ECRS检查清单。

【落地工具】

ECRS流程瘦身检查表：一张A4纸，帮你快速识别当前流程中最该砍掉的浪费。

• 消除（Eliminate）：这个节点如果不做，会发生什么？
• 连续三人签字的审批单，第二人和第三人的判断标准是否完全一致？
• 每周的”例行汇报会”，最近三个月有没有人在会上做出过重要决策？
• 合并（Combine）：这几个节点能不能让同一个人做？
• 采购申请录入→审核→比价，为什么需要三个人分三步？
• 重排（Rearrange）：节点的顺序能不能变？
• 先审批再比价，还是先比价再审批？先有订单再配货，还是先配货再有订单？
• 简化（Simplify）：能不能用更少的信息做决策？
• 一份表单上30个字段，实际决策只需要5个——其他25个为什么不能后补？

第1章完

【决策者摘要】

如果全公司只有一个流程最值得优先用AI改造，就是计划与需求预测。不是因为AI在这里最”酷”，而是ROI最硬：本章案例中，月预测准确率从62%提到83%，库存周转天数从85天降到64天，安全库存减少近三成。

但注意一个反直觉的结论——这70%的收益来自数据和特征，不是模型。你不需要Transformer，不需要DeepAR。把历史数据洗干净、把促销日历对齐、把市场价格波动加进去，一个ARIMA+LightGBM的组合就能让预测脱胎换骨。迷信算法是CIO最大的成本。

设想一个典型场景：

每月第一周，计划部经理小王打开SAP IBP，跑完需求预测模型，得到一个数字——下个月A产品线预计出货1200台。他把这个数字发给销售总监，销售总监说”不对，我们下个月有个大客户要签，至少1500”。小王改到1500，发给生产总监，生产总监说”产能只有1300”。最后在S&OP会议上，CEO拍板：”折中，1400。”

这个场景在每一个制造业企业里一遍又一遍地上演。

计划流程在制造业中扮演的角色很特殊——它不直接产生价值，但没有它，其他所有流程（采购、生产、仓储、物流）都无法有效运转。它是制造业的”交通指挥中心”。

但大多数企业的”交通指挥”方式，还停留在”人站在路口看车流量，凭经验挥旗子”的阶段。

§TOC1-1§

2.1 事务逻辑下的计划流程

2.1.1 SAP的计划体系

SAP的计划体系是一个层层递进的”金字塔”，从宏观到微观分为五个层次：

SOP（销售与运作计划）→ DP（需求计划）→ MPS（主生产计划）→ MRP（物料需求计划）→ PAC（生产活动控制）

SOP（Sales & Operations Planning） 这是计划体系的最顶层，通常是月度或季度级。输入是企业级的销售预测和经营目标，输出是一个粗略的产能和库存计划。SOP不关心具体的产品SKU，只看产品族（Product Family）层面的供需平衡。

在SAP IBP中，SOP模块跑的是统计预测模型——移动平均、指数平滑、季节性分解。这些模型在上线初期效果尚可，但随着产品线扩张、SKU数量增长，统计模型的预测精度持续下降。

DP（Demand Planning） 在 SOP 确定产品族层面的框架后，DP 将其分解到 SKU 层面。DP 的核心输入是历史销售数据，加上一些外部因子（促销计划、市场价格变化等）。

DP 的输出是一个”基线需求预测”，但这个预测在大多数企业里只作为”参考值”，真正的需求数字要经过销售团队的手工调整——因为系统不知道哪些客户要签新合同、哪些竞争对手在降价。

MPS（Master Production Scheduling） MPS 把 DP 的需求预测转化为生产计划——什么时间、生产什么产品、生产多少。MPS 的约束条件是有限产能（Rough-cut Capacity Planning），也就是说MPS知道工厂一天最多能产多少台。

MRP（Material Requirements Planning） MPS 确定”要产什么”之后，MRP 算”需要什么物料、什么时候需要”。MRP 展开BOM（物料清单），结合库存水平、在途订单、采购提前期，生成采购建议和内部生产工单。

PAC（Production Activity Control） 最底层的执行层。PAC 把 MRP 生成的工单落实到具体的产线、机台、人员，控制工单的开工和完工。

这套五层体系在逻辑上是完美的——需求从宏观到微观层层分解，物料从微观到宏观层层追溯。但它的运作依赖于一个关键假设：每个层次的输入都是准确且及时的。

真实情况是：SOP 用的统计模型跟不上市场变化，DP 被销售”拍脑袋”带偏，MPS 受制于不透明的产能信息，MRP 因为BOM不准而频繁建议异常，PAC 在工单下达后才发现物料不齐套。

每一层都有误差，误差层层叠加，到了最底层的 PAC，偏差已经大到需要人在每一个节点做”人工校正”。

2.1.2 国内ERP的产销协同逻辑

国内ERP在计划领域的处理方式，与SAP有明显的差异。

SAP是”推拉结合”：SOP/DP作为”推式”（基于预测），MPS/MRP作为”拉式”（基于订单）。预测和订单并行，用ATP（Available-to-Promise）做交期校验。

国内ERP偏”推式主导”：很多国内ERP的MRP逻辑非常接近SAP，但在SOP/DP层面，预测往往是一个Excel文件放在共享文件夹里，由计划员手工维护。产销协同不是系统功能，而是一个”月度会议”流程。

差异的根源在于：

财务导向的系统设计：国内ERP很多从财务软件起家，计划模块是后加的。系统的核心关注点是”出数”（生成采购建议、生成工单），而不是”对齐”（销售、生产、采购多方对齐）。S&OP 这个在 SAP 中由 IBP 支撑的关键流程，在国内ERP中通常不存在系统级支持。

中小企业的业务特征：服务国内制造企业的ERP厂商面对的客户群体，大量是订单驱动的中小企业——接到订单才生产，不做预测库存。在这种情况下，复杂的预测和计划体系不但没有价值，反而增加了系统维护成本。

但当这些企业规模扩大、产品线增多、客户需求多样化时，”不做预测”的模式就撑不住了。这就是为什么很多成长中的制造企业，在上规模后遇到的第一个管理瓶颈就是”计划模块”。

2.1.3 节奏：月计划→周调整→日执行

不论使用什么系统，制造企业计划流程的典型节奏是一致的：

月度：S&OP会议（或产销协同会），确定下个月的总体需求和产能安排。

每周：产销协调会，根据上周的实际销售和产能情况，微调下周的计划。

每日：调度会，解决当天的排产和物料问题。

这个节奏在制造业已经运行了三十年，但它的核心瓶颈一直没有解决：每月的计划是否靠谱，取决于预测的准确度；每周的调整是否及时，取决于信息的获取速度；每日的执行是否有偏差，取决于计划的颗粒度够不够细。

而这三个”取决于”，事务逻辑一个都没解决——月计划靠人拍、周调整靠Excel传、日执行靠老师傅的经验。

§TOC1-2§

2.2 三大核心痛点

痛点一：预测算不准

每个制造业CIO都经历过这样的场景：

上季度花了一个月做了一个年度预测，精确到每个SKU、每月的出货量。结果第一个月结束，实际出货和预测差了30%。

计划员开始”调预测”——不是重新建模，而是在Excel里手动改数字。把”按统计模型出的值”乘以一个”经验系数”（通常是0.7到1.3之间），让数字看起来”更合理”。

这套方法在稳定市场里勉强可用，但在需求波动大的环境下，等于在增加噪声：

• 季节性需求（如空调、服装）——统计模型可以处理，但促销活动会打乱季节规律
• 新产品上市——没有历史数据，模型失效
• 客户集中度高（比如一个客户占了30%的订单）——单个客户的订单波动会被放大为整个预测的偏差
• 经济周期影响——模型基于历史推未来，但历史不能代表新常态

本质上，问题不在于”用什么模型”，而在于预测需要的信息不在系统里——销售知道客户动向、市场知道竞品价格、PM知道产品升级节奏，但没有人把”知道的内容”结构化地进入预测系统。

痛点二：产销协同慢

一个S&OP会议的典型流程是这样的：

1. 销售输出预测（一份Excel）→ 发给计划
2. 计划把销售预测导入SAP → 跑MPS/MRP → 输出产能和物料约束分析
3. 计划把约束分析发回给销售 → “你们的预测做不了，缺产能”
4. 销售调低预测 → 再发给计划
5. 计划再跑MPS/MRP → “这次可以了，但原材料交期跟不上”
6. 采购介入 → “这个物料的供应商交货周期是6周，来不及”
7. 销售再调预测 → …

这中间的每一轮”传话”，少则2天多则1周。从预测初稿到最终敲定，一个完整的S&OP流程走下来，2周是常态。

问题出在信息不对称和无预案机制。如果销售提交预测时，系统能立刻告诉他”这个预测会导致缺产能，你可以做以下选择：A调低预测、B接受延期、C启用加班”，就不用来回传话。

但传统ERP的事务逻辑不支持”即时反馈”——它只能等单据填完、系统跑完，再告诉你结果。

痛点三：数据孤岛

计划流程需要的数据来源极其分散：

这些数据分散在不同的系统和格式中，没有统一的”数据总线”把它们汇集到一个预测模型里。计划员要从5个以上的系统/渠道获取数据，手动整理到Excel里，再导入预测工具。

更麻烦的是：跨系统的数据一致性。SAP里的客户订单数量和CRM里的商机数量，对不上是常事。连基础数据都对不上，更别提做预测了。

这三个痛点叠加在一起，结果就是：计划流程花费了大量时间在”找数据”“对数据”“开会对齐数据”上，真正用在”做判断”上的时间反而很少。

§TOC1-3§

2.3 AI重构方案

2.3.1 四色标注分析

我们先把计划流程中的核心节点逐一过一遍，用四色系统标注：

2.3.2 决策式AI的应用

计划与预测是决策式AI最成熟的落地领域。核心应用有三个：

场景一：需求预测

不用Transformer、不用复杂模型。一个实践中验证有效的组合方法是：

• 基础层：用传统时序模型（ARIMA、指数平滑）处理平稳需求——规律明显的SKU，不需要复杂的AI
• 增强层：用GBDT（LightGBM/XGBoost）加入外部因子——促销、价格、天气、经济指标，捕捉非线性关系
• 修正层：用N-BEATS或DeepAR处理高波动SKU——新产品、促销品、生命周期短的产品

这个组合方法比单一模型预测准确率高出15-25个百分点。而且可解释性强——你永远能说清楚”这个预测为什么是这个数字”。

实施条件： - 至少24个月的历史数据（月度级） - 至少清洗到95%的数据质量 - 外部因子的历史数据也要对齐（比如促销日历要去重、校正）

场景二：MPS优化

在SAP的标准MPS逻辑中，产能校验是”事后”的——MPS排完→发现超产能→人工调整→重新排。这中间至少浪费一个迭代周期。

AI的做法是：把产能约束作为优化器的条件之一，直接跑一个约束满足问题（CSP）。输入MPS方案+产能约束+物料约束+交期优先级→输出一个满足所有约束的方案。

这本质上是用优化算法替代了”先跑后调”的两步法。很多企业在这个环节上节省了40-60%的排程时间。

场景三：动态安全库存

传统做法是ABC分类定安全库存——A类备20天、B类15天、C类10天。这在一个季度内不会改变。

但需求波动不是按季度来的。AI的做法是：每周重新计算每个SKU的安全库存，基于最近4周的预测误差、供应商交期波动、在途库存三因素。

动态安全库存的效果数据：在保证97%的订单满足率的前提下，库存金额平均下降15-25%。

2.3.3 生成式AI的应用

在计划领域，生成式AI的作用更多在”辅助沟通”而非”替代计算”。

场景一：S&OP会议纪要自动生成

每次S&OP会议，最耗时的不一定是会议本身，而是会后的”纪要整理”和”行动项跟进”。一个会议催出3个小时的文档工作在制造业很常见。

生成式AI可以：实时转写会议内容 → 按结构整理（上期回顾/当期数据/争议焦点/行动项/责任人/截止日期） → 自动发送给与会者。

这不是什么高深的技术方案，只是一个RAG应用+模板。但它的ROI非常直接：一个会议省3小时文档时间。

场景二：预测异常解释

当AI预测和实际销量偏差超过阈值时，传统系统只会弹出一条警告：”预测准确率低于70%”。

生成式AI可以自动生成一段解释：

“A产品线本月预测准确率68%，低于目标值80%。主要偏差来源：SKU A1002（占比偏差的40%），该SKU在过去2周有3笔异常大单来自同一客户。建议：与该客户确认是否为周期性大单，若是则调整下月预测。”

这段解释不复杂，但它把”异常数据”变成了”可行动的信息”。计划员不需要自己去翻数据找原因——AI已经告诉他原因和建议。

场景三：产销协同对话界面

把”我要调预测”的操作从”在系统里改数字”变成”跟AI说一句话”：

“下个月A产品线客户X要加单20%，同时客户Y要延迟2周出货，帮我重新跑一下MPS。”

AI理解这句话后，自动在系统后台做：修正A产品线的需求预测 → 重新跑MPS/MRP → 输出新的产能和物料约束报告。整个过程不需要人进系统操作一个事务码。

这种对话界面不是必需的——硬编码的API也能实现同样的功能。但它的价值在于：把”只有计划员会用系统做的事”变成了”任何相关方（销售、采购、生产）都可以自己做”。拆掉了系统的使用门槛。

2.3.4 四类嵌入方式总结

§TOC1-4§

2.4 重构后流程

Before：传统计划流程

[销售提预测初稿] → [计划整理数据] → [跑MPS/MRP看约束]
    → [发现冲突] → [销售调预测] → [再跑MPS/MRP] 
    → [采购反馈物料交期] → [再调整] → [S&OP会议确认]

典型耗时：2周 问题：信息不对称导致的多轮来回；预测靠人拍；调整周期长

After：AI增强的计划流程

[AI自动汇集数据] → [AI生成预测初稿（含多版本）] 
    → [AI校验产能+物料约束] → [AI突出核心冲突]
    → [销售/计划/采购并行调测] → [AI实时反馈调整结果]
    → [S&OP会议（聚焦讨论冲突点）] → [AI生成MPS/MRP]
    → [AI持续跟踪执行偏差]

预期耗时：3-5天 关键变化： - 预测不再靠人”拍”，而是AI出+人调 - 产能物料约束在预测生成瞬间完成校验，不等迭代 - S&OP会议从”报告数据”变成”讨论决策” - 调整方案不再是”改了试试看”，而是”改了立刻知道结果”

2.4.1 新流程解读

第一步：数据汇流

AI自动拉取所有相关数据源：历史销售、当前订单、渠道库存、促销计划、供应商交期、季节性因子。不是让计划员去5个系统分别导出Excel，而是在后台自动完成数据对齐。

第二步：预测生成+多版本

AI不输出一个单一的预测数字，而是输出三个版本： - 基线版：基于历史数据的统计预测 - 乐观版：假设促销效果最大化的高值 - 保守版：假设客户订单不确定性的低值

每个版本附带置信区间，让决策者知道”这个预测有多可靠”。

第三步：即时约束校验

预测生成的同一秒，AI跑完产能校验、物料可用性校验、供应商产能校验。输出：

“基线预测可行。乐观预测需要X车间加开周末班，产能缺口12%。保守预测可行，但建议减少MPS中A产品线的计划量。”

第四步：人机协作调优

销售在系统里改预测→AI实时计算影响→立刻给出反馈（”这样调会导致Y产线超负荷，建议调整”）。

计划员不用再”跑一次MRP等一小时”，每一次调整的反馈在秒级完成。

第五步：S&OP聚焦决策

S&OP会议不再是”所有人听计划员念一遍数据”，而是：

“大家好，本月有三个冲突需要确认：一是乐观预测需要加班，销售是否确认？二是A物料交期可能延后，采购是否启动备选供应商？三是不确认的大单需要确认是否要备安全库存。”

决策时间从半天压缩到1小时。

第六步：MPS/MRP自动执行

会议确认后，AI直接更新MPS，触发MRP，生成采购建议和生产工单。不需要计划员再手动操作SAP的T-code。

第七步：持续跟踪

AI每天监控实际产出vs预测的偏差。当偏差超过阈值时，自动预警并建议调整。不是等月底再开S&OP会议发现”上个月的预测错了”。

§TOC1-5§

2.5 实操案例

案例一：某电子制造企业的需求预测重构

背景

企业规模：年营收约40亿，生产电子元器件，3000+个SKU 使用系统：SAP ECC 6.0 + 自定义Excel预测模型 核心痛点：月预测准确率平均62%，导致安全库存居高不下，库存周转天数85天

诊断结果

用双轨模型做分析后，发现：

Track A（精益净化）层面： - 销售提交的是Excel，计划再手动导入SAP → 每周浪费6小时在数据搬运上 - S&OP会议前，计划员花2天整理数据 → 实际有效时间50% - 三级预测签字（销售总监→计划总监→总经理） → 第二级的签字从未改过第一级的数字

Track B（AI介入）层面： - 预测不准的核心原因：历史数据+经验系数，没有考虑促销、市场价格、宏观经济 - 没有”预测误差反馈机制”——上月预测偏了多少，没人系统性地归因

AI方案

1. 数据清洗：
2. 清洗36个月的历史销售数据
3. 对齐促销日历、节假日、市场价格变动数据

4. 识别并去除”噪声订单”（一次性的异常大单，不做为预测输入）

5. 模型搭建：

6. A类SKU（占销量70%的200个SKU）：组合模型（ARIMA+LightGBM）
7. B/C类SKU（占销量30%的2800个SKU）：简化的时序模型

8. 加入7个外部因子：促销强度、市场均价、GDP增速、PMI指数、节假日、天气温度、竞品新品节点

9. 嵌入方式：

10. AI出预测初稿 → 销售团队在线调整 → AI实时反馈产能约束 → S&OP聚焦冲突点

11. 实施路径：

12. 第1-2个月：并行跑（AI预测 vs 人工预测），不做切换，只对比
13. 第3个月：选定A类SKU切换为AI主预测，人工做微调
14. 第4-6个月：扩展到B类SKU，同时建立预测误差反馈机制

效果

关键经验

• “不要一次性铺开”：先跑A类SKU验证效果，建立信心后再扩展
• “外部因子比模型更重要”：增加促销数据后，预测准确率提高了12个百分点，比换模型收益大
• “人需要时间适应”：前3个月计划员还是习惯性地调预测，不是因为AI不准，是因为”不放心”。三个月后误差反馈数据证明AI更准，信任才建立起来

案例二：某快消企业的S&OP AI辅助

背景

企业规模：年营收约15亿，生产食品调味品，1000+个SKU 使用系统：国内某主流ERP（财务供应链导向） 核心痛点：S&OP会议每月开2天，但60%的时间在”对数据”——销售的数据和计划的数据永远对不上

诊断结果

Track A层面： - 销售预测和SAP数据的一致性检查，双方各有一个Excel “基准版”，每次开会前发现版本不同 - 会议纪要没人整理，上个月的决议经常被”忘掉” - 行动项跟进靠邮件，经常漏

Track B层面： - 预测模型几乎没有——销售说多少就是多少 - 没有历史偏差的归因机制

AI方案

1. 数据对齐（最简单的方案反而最值钱）：
2. 一个自动脚本，每周从ERP拉出实际销售数据，和销售团队的预测Excel自动对比

3. 不一致的地方自动标注，AI生成差异报告

4. S&OP会议优化：

5. AI在会前生成数据简报（过去1个月的实际vs预测差异、当前库存水位、产能利用率）
6. 会上用AI实时转写，自动生成纪要+行动项

7. 会后AI自动追踪行动项完成情况

8. 预测增强（Phase 1）：

9. 先用简单时序模型给销售提供”参考预测”
10. 销售的最终预测可以偏离参考值，但需要备注原因

效果

关键经验

• 对于国内ERP企业，”数据对齐”比”预测模型”更迫切——基础数据都对不上，再好的AI模型也是白搭
• S&OP会议的AI辅助（纪要+跟踪）投入最小、见效最快，是做数字化转型时最容易被忽略的”低垂果实”
• 不要一上来就追求”全自动AI预测”——先让人习惯用AI提供”参考值”，再逐步提高AI的参与度

§TOC1-6§

本章小结

计划与需求预测是AI在制造业中最成熟的应用领域之一。决策式AI的预测模型已经在数千家企业验证了效果，生成式AI在会议辅助和异常解释上也有明确的ROI。

但本章想强调的不只是技术方案，而是三个更重要的认知：

第一，预测准确率的提升，70%来自数据和特征，30%来自模型。 不要迷信算法。花时间清洗数据、对齐外部因子、做误差归因，收益远大于换一个”更先进”的模型。

第二，产销协同的瓶颈不在于”没有工具”，而在于”信息不对称”。 AI不能直接解决”销售乱拍、生产绷紧”的人际博弈。但AI可以提供一个”共同的事实基础”——所有人都基于同一份数据讨论。这个基础建立起来，协同效率的根本提升才可能发生。

第三，做预测不要追求”完全准确”。 预测本身就是应对不确定性的。只要预测的准确性高于”不做预测”，同时你能快速跟踪偏差、快速调整，这个系统就是成功的。追求100%准确的预测，反而会让系统变得脆弱——因为真实的商业世界不允许100%。

接下来第3章，我们将从”计划”进入”执行”——看看订单到回款这条最频繁的流程，AI能做什么。

【延伸阅读】

• 《需求预测与库存优化：数据驱动的供应链管理》（Nicolas Vandeput）— 一本讲预测实战的书，没有花哨理论，全是”这个SKU用什么模型、数据不够怎么办”的实操方法，与本章的”组合模型+外部因子”思路高度一致。
• 《SAP IBP需求计划实施指南》（SAP Press）— SAP官方IBP实施参考，帮你理解本章讨论的SOP→DP→MPS→MRP体系在企业中的实际配置方式。
• 「产销协同S&OP改造实录：从2天会议到0.5天」— 树懒老K·慢读经典专题— 本章案例二的深度版。公众号回复「产销协同」获取S&OP会议改造全流程模板。

【落地工具】

预测项目启动三问检查清单：在动手搭建AI预测模型之前，先用三个问题判断你准备好了没有。

• 数据基础检查：
• 是否有至少24个月的历史销售数据？（月度级）
• 数据清洗程度是否达到95%以上？
• 是否有系统化的”噪声订单”剔除机制（如一次性异常大单标记）？
• 外部因子检查：
• 是否对齐了促销日历和节假日数据？
• 是否纳入了市场价格/竞品信息/宏观经济指标？
• 外部因子和销售数据的时间颗粒度是否一致？
• 组织准备检查：
• 是否有”并行跑”阶段（AI预测 vs 人工预测，不做切换先对比）？
• 是否建立了预测误差归因机制——每月分析”为什么偏了”？
• 业务部门是否接受了”AI出初稿、人做确认”的工作模式？

第2章完

【决策者摘要】

OTC（Order-to-Cash）是制造业”流量最大”的流程——从询盘到收款，横跨5个部门、9个角色、6套系统。也是最容易让客户骂娘的流程：报价3.5天出不来、交期靠销售”猜”、月底财务加班对账。

本章的两个案例给出了硬数字：智能定价把报价响应时间从3.5天压到实时，特批比例从30%降到8%；智能对账把三方匹配异常率从18%砍到3.5%。而且——这两个项目的第一阶段都不需要新系统，只是把分散在各处的规则集中到定价引擎里，把人工对账的工作方式改成AI分类+人确认。

每次给制造业CIO做流程诊断，我都会让他们做一个小测试：

“打开你们SAP的VA03（销售订单显示），随机找一张三天前的订单——你能不能在一分钟内说清楚这个订单现在走到哪一步了？”

答案通常是：不能。不是因为订单丢了，而是因为维度的碎片化——销售看”客户已确认”，计划看”排产中”，仓库看”已拣货”，财务看”未开票”。同一个订单，在不同人眼里是”不同的订单”。

OTC（Order-to-Cash）是制造业最核心、最频繁的业务链条。从销售跟客户谈下订单那一刻起，到钱到公司账户那一天止，中间横跨销售部、计划部、仓库、物流、财务五个部门，六到十二个人的手。

这个链条上，每多一个环节，就多一次出错的机会。

§TOC2-1§

3.1 事务逻辑下的OTC流程

3.1.1 SAP的完整OTC链路

SAP的OTC流程是全系统设计得最精细的端到端链路之一，从销售订单创建到收款核销，一共六个核心事务码：

VA01（销售订单创建）→ VL01N（发货过账）→ VF01（开票）→ F-28（收款清账）

让我们逐节点拆开看：

节点1：询价与报价

流程起点是客户询价。销售员创建报价单（VA11），包含产品、数量、价格、交期。

这个环节看似简单，实则花时间——销售要查历史订单价格、查客户合同价格、找销售总监批特价、问计划部能不能在客户要求的交期内交货。一个报价三四天出不来是常事。

节点2：销售订单创建（VA01）

客户确认报价后，销售员创建正式销售订单。VA01有几十个字段，但核心数据是：客户信息、物料、数量、价格、交期、付款条件。

订单创建时，系统自动做信用检查——如果客户信用额度不够，订单被冻结（信贷冻结），需要信用专员或销售总监释放。

这是OTC流程中的第一个”人工瓶颈”——信用解冻。

节点3：交货创建（VL01N）

订单通过信用检查后，系统建议交货计划。仓库根据交货单准备货物，生成拣货单、做发货过账。

发货过账是OTC流程中的一个”状态翻转”节点——货物离开仓库，库存减少，同时在财务上产生应收款（未清项）。

节点4：开票（VF01）

发货后，开票员创建发票。SAP支持多个开票模式：基于发货单开票、基于订单开票、基于收货确认开票。

开票后，SAP自动生成会计凭证：借：应收账款，贷：销售收入。

节点5：收款与清账（F-28）

客户付款后，财务做收款清账。如果客户的付款金额和发票金额完全一致，清账是自动的。如果部分付款、多付款、少付款——“不一致”的概率大概在15-30%——就需要人工干预。

节点6：争议与退换货

如果客户对货物不满意，或价格有争议，触发贷项凭证（退货单），走反向流程。

以上六个节点，就是一条从”客户要买东西”到”钱进公司账户”的完整链路。在理想状态下，这个流程可以在几天内跑完。但”理想状态”在现实中很少出现——每一个节点都有权”暂停”流程。

3.1.2 国内ERP的差异

国内ERP在OTC流程上的处理逻辑，与SAP有三个关键差异：

价格体系的灵活性与混乱度

SAP的价格体系是”条件技术”——价格、折扣、附加费都是”条件记录”，通过条件表和时间轴控制。结构严谨，但调整复杂。

国内ERP的定价通常比SAP灵活——销售人员可以直接在订单上改售价、改折扣率。灵活性带来的是执行效率，但代价是”盘点的时候，销售部门的数据和财务部门的数据对不上”。

信用管理的刚性

SAP的信用管理严格按配置走——超了就是冻结。国内ERP的信用管理在设计上更”柔性”——通常允许”特批通道”，销售总监一个电话就能解冻。

柔性看起来有效率，但它会掩盖真正的问题：如果90%的订单都在用”特批通道”，那信用额度设了等于没设。

发票处理的本地化优势

国内ERP在发票处理上有天然优势——金税接口、多税率、电子发票直连、发票查验，这些都是SAP通过第三方中间件才能实现的功能。

国内客户习惯了”先开票后付款”，SAP的标准流程是”先发货后开票”。这一个小小的顺序差异，在很多国内制造企业里引发了大量的SAP定制。

3.1.3 谁参与了这条链

把OTC流程中涉及的所有角色列出来，才能理解它的复杂性：

一条订单从创建到关闭，经过9个角色、6个以上的系统节点。任何一个节点卡住，整条链就停。

§TOC2-2§

3.2 四大核心痛点

痛点一：报价太慢

报价是OTC的起点，但在很多企业里，它却是最短的板。

一个典型的报价流程： 1. 销售拿到客户询价 → 翻历史订单找上一次的报价 2. 找销售总监问：”这个客户能不能给特价？” → 等半天回复 3. 找计划部问：”这批货什么时候能做出来？” → 等一天回复 4. 把价格和交期凑到一起 → 做成报价单 → 发给客户

一轮报价2-3天。

如果客户不确认，往返调整一轮再2-3天。

如果一个客户同时询5个产品，每个产品都要走这个流程。

我见过最极端的情况：一个中型制造企业，月均询价1500+条，其中30%的报价因为响应太慢而丢失了客户。

报价慢的根因不是”销售偷懒”，而是信息分布在不同人的脑子里——价格逻辑在销售主管脑子里，产能信息在计划部脑子里，信用额度在财务部系统里。销售一个人拿不到所有信息，所以只能逐个问。

痛点二：交期承诺不靠谱

“客户问什么时候能交货，销售承诺了一个日期，到了那天交不出来。”

这大概是在制造业内部最常听到的投诉——来自客户的投诉。

交期承诺不可靠的根因有两个：

第一，销售承诺交期时，看不到产能负荷。

销售在创建订单时，系统里有”交货日期”字段。他填一个日期进去，系统不会告诉他”这个日期工厂排满了”。因为SAP的标准流程里，交期校验是订单创建之后的事——订单创建完→跑MRP/ATP→才知道能不能做。

销售是按照”猜”来承诺的。

第二，订单执行过程中没有主动预警。

订单承诺了30天交货，但第15天的时候，生产发现某个物料延期到货——这时候没有人告诉销售。到了第29天，仓库发现货还没做完，销售才从客户电话里知道：”你上次说的30号交货，能按时吗？”

OTC流程中没有”AI主动告警”这个机制。事务逻辑只响应”已经发生的事”——单子到了这一步，才触发下一步。

痛点三：对账效率低

对账=PO（采购订单/客户订单）→ GR（收货/发货记录）→ IV（发票）的三方匹配。

在SAP中，标准的三单匹配流程是：

1. 收到客户采购订单 → 创建SAP销售订单
2. 发货 → 生成发货单
3. 开票 → 生成发票
4. 自动匹配：销售订单号 + 发货单号 + 发票号 —— 对上了，自动清账

但在现实中，这三张单子经常对不上——单价变了、数量有差异、合同号填错了、折扣没同步。

对不上怎么办？系统搁置，等人来处理。这些搁置的差异会越积越多，到了月底财务对账的时候，变成一堆”待处理异常”。

数据说话：我见过的制造企业中，三单匹配异常率普遍在10-20%之间。一个年处理10万张订单的企业，意味着每个月有800-1600张异常单等着人工处理。

痛点四：催款被动

“谢谢您，发票已开，请安排付款。”——这是每一家制造企业财务部每天重复最多的一句话。

催款的问题不在于”不催”，而在于：

• 催得太晚：发票开出去30天，客户还没付，财务才发现”哦，这个客户好像逾期了”
• 催得不对：客户的付款周期是60天，财务在第30天就催——催了也白催
• 催得不系统：靠财务翻系统找”逾期超过30天的客户”，手工发邮件。大客户300家，根本催不过来

催款不力带来的结果：应收账款周转天数居高不下，直接影响现金流。

§TOC2-3§

3.3 AI重构方案

3.3.1 四色标注分析

先逐节点做标注：

3.3.2 决策式AI的应用

场景一：智能定价

定价不是”定一个数学上最优的价格”，而是在多个约束下做出权衡。

一个制造企业的报价，受到以下因素约束： - 成本底线：材料成本+人工+制造费用+物流——低于这个不能卖 - 合同约束：框架合同里约定了价格区间 - 历史惯例：同一个客户、同一个产品，上次卖多少钱 - 市场竞争：竞品报价多少 - 客户价值：大客户可以给折扣，一次性客户按标准价 - 订单量级：批量大可以降单价

AI的做法是：把所有约束输入一个定价引擎，输出”建议价区间”——最低价、建议价、最高价。销售在这个区间内做微调。

这样做的好处不是”算出完美的价格”，而是“确保每一单报价都符合公司政策，不出现亏本买卖”。

实际操作中，可以分步走： 1. Phase 1：规则的规则化——把”什么情况下打几折”做成规则表，AI按规则报价，人只处理规则外的特价 2. Phase 2：用历史数据训练一个价格弹性模型——预测”如果报这个价，成交概率是多少”（决策式AI） 3. Phase 3：在Phase 2基础上，生成式AI自动撰写报价方案——含定价依据、价格弹性分析、风险提示

场景二：交期预测

传统的交期承诺是”统一交期”——不管客户要什么产品、不管当前产线负荷多少，销售统一说”30天”。

AI的做法是：在订单创建瞬间，实时计算：

• 物料可用性：当前库存+在途订单+供应商交期 → 够不够？
• 产能可用性：当前产线负荷+排产计划+瓶颈工序 → 排得开吗？
• 物流时间：目的地+运输方式 → 路上走几天？

三个数据汇到一起，AI给销售一个动态交期建议——不是固定的30天，而是基于实时数据的”最早可交货日期”和”建议交货日期”。

这个建议不是最终承诺（最终由销售和客户协商），但至少让销售在报价时有一个”靠谱的起点”，而不是靠猜。

场景三：信用风险动态评估

SAP的信用管理是”刚性”的——额度超了，冻结。

AI可以在SAP的信用管理上叠加一层”柔性层”：

• 客户行为监控：监控客户付款记录、订单行为、社交媒体负面信息
• 动态信用评分：不是”额度够不够”的二元判断，而是”客户当前的风险等级是A/B/C”——A级客户超额度了也可以自动释放，C级客户在额度范围内也建议冻结
• 自动释放：对低风险客户，超额度15%以内自动释放，不需要人工审批

场景四：三方匹配自动化

异常匹配的常见模式其实是有规律的：

• 单价差异：客户在PO里的单价和开票价差了0.5——大概率是价格更新没同步
• 数量差异：客户PO写了100个，发货了98个——大概率是发货少了，需要补发或记账
• 折扣未同步：框架合同里写了5%折扣，系统没体现

AI的做法是：每出现一个异常匹配，系统不要直接搁置等人处理，而是先尝试”自动建议”：

• 如果是单价差异：AI检查最近的价格变更记录，确认是否是更新滞后，建议”按最新价格匹配，差异转价格调整凭证”
• 如果是数量差异：AI检查发货记录和客户签收记录，建议”按实际发货数量开票，差额做信用单”
• 如果是折扣差异：AI检查合同条款，建议”追加减让”

目标是把10-20%的异常匹配率降到2%以下——剩下的2%才是真正需要人工处理的”疑难杂症”。

3.3.3 生成式AI的应用

场景一：自动生成报价单和方案（辅助生成 🟡）

当AI定价引擎算出建议价格后，生成式AI自动撰写完整报价单——不仅列出价格，还包含：

• 产品说明和技术参数
• 交期承诺（以AI的交期预测为依据）
• 付款条件和信用条款
• 质保和售后条款
• 报价有效期

销售只需要确认内容、调整语气、发给客户。

场景二：催款函个性化生成（辅助生成 🟡）

不是”尊敬的客户，您有一笔逾期款项”的千篇一律。AI根据客户类型生成不同风格的催款函：

• 长期合作客户：”王总，A公司有一笔356,000元的发票（编号INV-2024-xxxx）已逾期15天，方便安排一下吗？如果是发票核对上有问题，可以随时联系我。”
• 新客户/信用记录一般的客户：”尊敬的客户，贵司有一笔款项（发票编号INV-2024-xxxx，金额356,000元）已于X月X日到期。请于3个工作日内完成付款，避免影响贵司信用等级。如有疑问请联系我司财务部。”

场景三：客户争议处理建议（辅助决策 🟡）

客户投诉”价格不对”“数量少了”“货有问题”——客服/销售收到后，AI自动检索历史同类争议的处理方案，给出建议：

“客户A反馈货号X-200的到货数量比订单少了12件。根据签收记录，物流公司签收确认是98件（订单100件）。建议：先联系物流确认运输中是否有损失。如果是物流问题，由物流赔偿；如果是仓库发货遗漏，补发+提供折扣券。”

3.3.4 四类嵌入方式总结

§TOC2-4§

3.4 重构后流程

Before：传统OTC流程

[询价] → [销售查历史报价] → [线下等特批] 
    → [邮件问交期] → [出报价] → [客户确认]
    → [创建订单VA01] → [信用检查] → [信冻结，找人放]
    → [发运] → [开票] → [对账异常，搁置] → [催款]

典型耗时：2周（报价占3-5天，信用解冻占1-2天，对账占2-3天） 问题：报价慢、交期不可靠、对账积压、催款被动

After：AI重构的OTC流程

[客户询价] → [AI秒出报价（含建议交期）] 
    → [销售确认] → [AI自动创建订单]
    → [AI信用检查 → 自动放行（低风险）] 
    → [AI监控交期 → 异常自动预警]
    → [发运] → [开票] → [AI自动三方匹配 → 仅例外转人工]
    → [AI动态催款策略 + 个性化催款函]

预期耗时：3-5天（报价实时、信用自动、对账秒级） 关键变化： - 报价从”逐级问”变成”AI一次出”——分钟级 - 交期承诺从”猜”变成”算”——准确率提升 - 信用检查从”卡”变成”管”——低风险自动放行 - 对账从”等人处理”变成”AI处理+人管例外” - 催款从”被动的月末行动”变成”策略驱动的持续管理”

§TOC2-5§

3.5 实操案例

案例一：某机械装备企业的智能报价系统

背景

企业规模：年营收约30亿，生产工业用压缩机，年订单量约5万张 使用系统：SAP ECC 核心痛点：30%的报价需要特批，平均报价响应时间3.5天，客户投诉”你们报价太慢了”

诊断结果

Track A（精益净化）层面： - 报价流程中，”查历史价格”是一个重复性极高的工作——同一客户、同一产品，每次报价都要查一遍 - 特批流程：销售先填特批申请表 → 销售总监批 → 如果超过一定金额还要总经理批。三级审批平均耗时1.8天 - 其中30%的特批，最终批下来的价格和上一次的特批价格完全一样——说明”特批”没有创造新信息

Track B（AI介入）层面： - 公司的定价规则是”有框架的”——每个产品有标准价、批量折扣区间、大客户优惠系数 - 但规则放在不同的Excel里，没有集中执行

AI方案

1. 规则数字化：
2. 把所有报价规则整合到一个定价引擎中：标准价→合同折扣→批量折扣→特批权限
3. 销售输入客户和数量，AI自动算出”建议价区间”——标准价/最低价/最高价
4. 在区间内的报价，不需要审批，直接走

5. 超出区间的报价，AI自动生成”特批说明”（含超出的原因、风险分析、历史定价对比），缩短审批环节的决策时间

6. AI定价模型（Phase 2）：

7. 用过去36个月的报价-成交数据，训练一个价格弹性模型
8. 输入：产品、数量、报价价格、竞争对手价格、客户行业、客户规模
9. 输出：该价格的成交概率

10. 把成交概率整合到报价界面上——销售能看到”按这个价格报，成交概率约76%”

11. 实施路径：

12. 第1步：规则数字化（2周）
13. 第2步：在区间内报价走自动化，不审批（第3周上线）
14. 第3步：跑价格弹性模型，整合到报价界面（第5-8周）

效果

关键经验

• 定价的优化杠杆80%来自”规则的规则化”，20%来自AI模型——先把规则理清、集中、自动化，比做价格弹性模型收益更大、更快
• 区间内自动审批带来的不仅是效率提升，更是文化转变——销售从”求人批价格”变成了”我的地盘我做主”
• 很多企业对”价格弹性模型”感到畏惧——“用算法定价会不会把客户赶跑？”——解决方案是”建议不强制”，AI给建议，销售做最终决定

案例二：某汽配企业的智能对账

背景

企业规模：年营收约50亿，为多家主机厂供货 使用系统：国内某主流ERP（财务供应链导向）+ 主机厂EDI对接 核心痛点：月均12000张发票，三方匹配异常率约18%，月底财务加班2-3天对账

诊断结果

异常匹配的三种模式占总异常的87%： 1. 价格差异（占45%）：同一物料在ERP中的价格和主机厂PO中的价格不一致——原因是价格变更没有在两个系统同步 2. 数量差异（占32%）：发货数量与主机厂收货确认数量不一致——运输损耗/仓库发货差异 3. 费用差异（占10%）：运输费、包装费没有被包含在发票中

AI方案：

1. 自动分类+建议匹配：
2. AI识别异常类型（价格/数量/费用/其他）
3. 对每种异常类型，自动给出建议匹配方案

4. 财务人员只需点击”确认”或”拒绝”

5. 源头预防：

6. 对”价格差异”——AI监控价格变更记录，在开票前预检，发现价格不一致时自动提醒：”该物料的系统价格自X月X日由Y变更至Z，与客户PO价格不一致，是否确认？”

7. 对”数量差异”——AI比对发货记录和客户签收记录，差异超过1%时自动标注

8. 实施路径：

9. 第1步：跑AI自动分类+建议匹配（1周数据训练+1周上线）
10. 第2步：加入源头预防（第3周）
11. 第3步：建立异常原因跟踪看板（第4周）

效果

关键经验

• 国内ERP企业的对账问题，很多时候不是”AI不够聪明”，而是”数据口径不一致”——先把接口数据对齐，AI才能发挥
• 源头预防的价值大于事后处理——在开票前发现价格不一致，比开完票再匹配效率高得多
• AI的异常分类能力是它在这类场景中最直接的ROI——不需要”全自动匹配”，只需要”帮我分好类、告诉我这是什么问题”，已经省了80%的人工

§TOC2-6§

本章小结

OTC是制造业最”痛”的流程之一——不是因为做不了，而是因为效率太低。

报价慢2-3天、交期靠猜、对账积压月底加班——这些问题在事务逻辑的框架下很难彻底解决，因为它们本质上不是”执行不力”，而是”信息分布不均”。

AI在OTC中的角色是信息整合者和决策加速器——把分布在销售、计划、仓库、财务之间的信息集中起来，变成每一笔订单执行过程中的”即时反馈”。销售在报价时就知道交期是否可行，财务在对账时发现异常就有AI建议，催款不再靠人工翻系统。

但有一条教训要记住：AI不能替代商务判断。

你的客户值不值得给折扣、这个单接还是不接、那个客户逾期了要不要发货停——这些是商业决策，不是算法问题。AI可以做的是把决策所需的”数据基础”准备好，让决策者在信息充分的情况下做判断。

第4章我们将进入采购到付款流程——如果说OTC是”赚钱的流程”，那P2P就是”花钱的流程”。花钱的流程，往往最容易出问题。

【延伸阅读】

• 《SAP SD模块实施指南》（SAP Press / Matt Foy）— OTC流程在SAP中的标准实现参考。要理解VA01→VL01N→VF01→F-28这条链，这是最权威的手册。
• 《制造企业的应收账款管理》（葛家澍）— 一本经典但被遗忘的小册子，讲透了催款策略、信用管理、账期设计的财务逻辑。AI改造催款流程之前，先弄懂财务到底在担心什么。
• 「智能对账实操：从18%异常到3.5%」— 树懒老K·慢读经典专题— 本章案例二的完整复盘，含三方匹配异常分类指南和源头预防流程设计图。公众号回复「智能对账」获取。

【落地工具】

OTC流程瓶颈自检表：拿这份清单去问你的销售总监、计划经理、财务负责人，5分钟就知道你的OTC卡在哪一关。

• 报价环节：
• 销售报价时需要问几个人才能出价？（超过1个人，说明价格规则没有集中化）
• 特价审批平均耗时多久？（超过半天，说明权限设计不合理）
• 订单执行环节：
• 订单创建后，有没有主动预警机制通知销售”可能要延期”？（没有，说明事务逻辑只响应已发生的事）
• 信用检查超额度时，走特批的比例是多少？（超过30%，说明信用额度设定形同虚设）
• 对账与收款环节：
• 三方匹配（PO-GR-IV）的异常率是多少？（超过10%，这就是AI最能立竿见影的地方）
• 催款是什么时候开始的？（等到逾期30天才发现，说明没有系统化催款策略）

第3章完

【决策者摘要】

采购占制造业总成本的50-70%，但多数企业的采购流程不是为效率设计的，是为”防出事”设计的——十年前某采购员舞弊，今天所有采购都跟着变慢。本章最值钱的观点不是”AI能做什么”，而是”你可能有50%的审批节点是无效的”。

一个汽车零部件企业的案例给出了直接的证据：5级审批中，第2、3级的通过率是100%——这说明这两级审批除了浪费两天时间，没有产生任何价值。取消它们，再加上AI自动放行低风险采购申请，采购周期直接砍半。

“你们采购审批太慢了，从需求发起到下单平均要5天，能不能用AI加速？”

这是我在企业流程诊断中最常听到的一句话。每次听到这句话，我都会先做一个调查——不是看流程，是看制度：

“公司对采购流程的要求是什么？”

答案通常是：单价超过3000元的走三家比价，超过5万元的要招投标，超过20万元的报总经理审批。

“那你觉得这个3000元和5万元的门槛，是怎么来的？”

沉默。

大多数制造企业的采购制度，是”条件反射式”制定的——十年前有一个采购员在外面开了家公司，把货卖给自己；然后公司出了一条规定”采购金额超过X元必须部门经理审批”。制度不是基于业务效率设计的，而是基于”防止出事”设计的。这本身没问题，但问题是：制度一旦定下来，就没人再回头想”这个门槛现在还合理吗”。

采购流程在制造业中是最矛盾的。它一边承担着”降本”的压力——采购成本通常占制造业总成本的50-70%；一边又承担着”合规”的重压——采购是制造业审计最密集的环节。效率和合规两股力量撕扯的结果就是：流程越来越长、签字越来越多，但效率和合规都没改善。

§TOC3-1§

4.1 事务逻辑下的P2P流程

4.1.1 SAP的采购链路

SAP的采购到付款流程围绕采购订单（PO）这个核心单据展开。标准的链路是：

采购申请（ME51N）→ 采购订单（ME21N）→ 收货（MIGO）→ 发票校验（MIRO）→ 付款（F-53/F-58）

第一步：采购申请（PR / ME51N）

流程的起点。需求部门在系统里创建采购申请，填写物料、数量、期望交期、收货工厂等信息。

采购申请在SAP里走审批策略——根据申请金额、物料组、采购组等维度触发不同级别的审批。一个5万元以上的采购申请可能要走部门经理→采购经理→财务审批→总经理的四级流程。

审批策略是SAP采购模块中最强大的合规工具，也是最容易导致流程变慢的地方。每多一级审批，平均增加0.5-1天的等待时间。

第二步：询价比价

采购申请审批通过后，进入采购执行阶段。

• 如果是框架合同下的采购：直接引用合同价格创建采购订单
• 如果是一次性采购：采购员向多家供应商发出询价（RFQ），收集报价，做比价表，选择供应商

比价是这个环节最耗时的操作——不是”没有比”，而是”比的方式太原始”。在我见过的企业里，90%的比价操作是这样的：采购员把供应商报价复制进Excel → 手动算总成本（含运费、税、关税） → 截图发给经理 → 等经理回复”同意” 或 “再问问那家能不能便宜点”。

第三步：采购订单创建（PO / ME21N）

选定供应商后，采购员创建正式采购订单。PO是整条P2P链路上最关键的单据——所有的后续操作（收货、校验、付款）都基于PO进行。

PO创建后需要再做一次审批（视金额而定），审批通过后发送给供应商确认。

第四步：收货（MIGO）

供应商交货到仓库，仓库人员做收货入库（MIGO）。收货后库存增加，同时在SAP中产生一个物料凭证。

如果收货后发现质量不合格，走退货流程（创建退货PO或做退货凭证）。

第五步：发票校验（MIRO）

供应商开票后，财务做发票校验。MIRO的核心操作是三单匹配：

• 采购订单（PO）：订货了XX物料、YY数量、ZZ单价
• 收货凭证（GR）：实际收到了AA数量
• 发票（IV）：供应商开来了BB数量、CC单价

三个数据对上→自动过账、产生应付账款。 对不上→冻结、等人处理。

第六步：付款（F-53 / F-58）

发票校验通过后，供应商进入付款队列。财务根据付款条件（30天/60天/等等）安排付款。付款完成后，P2P流程结束。

4.1.2 国内ERP的差异

审批流更复杂

国内ERP在采购审批上通常比SAP更”重”。原因是国内制造企业大多采用集团管控模式——集团公司对子公司的采购有严格的”集采监管”要求。

一个集团制造企业常见的采购审批结构是：

子公司采购员 → 子公司经理 → 集团采购部 → 集团财务部 → 集团总经理

五级审批在制造业里并不罕见。如果遇到”超预算需要额外审批”，再加两级。

这些审批层级不是系统设计决定的，是”企业管理风格”决定的。但结果是：采购周期拉长，需求部门抱怨”买个螺丝钉都要批五天”。

供应商管理更”柔性”

SAP的供应商管理模块（SAP SRM / Ariba）强调流程的刚性——供应商必须经过认证、评分、合同签署三个环节才能进入主数据。

国内ERP在供应商管理上的灵活性更高——一个紧急采购任务，临时供应商可以”先入库后补流程”。这在效率上是优势，但在合规上是风险。

三单匹配的本地化差异

SAP的三单匹配（PO-GR-IV）逻辑很严格：数量不一致→冻结；价格不一致→冻结。冻结后必须人工处理。

国内ERP的匹配通常在”刚性”和”柔性”之间有一个中间态——“差异在一定范围内自动过账”。比如：

• 单价差异在±3%以内：自动过账
• 数量差异在±5%以内且金额低于500元：自动过账

这种”带容差的匹配”更务实——因为实际上很多”差异”不是错误，而是可以接受的操作偏差（比如运输损耗、装卸短少）。但SAP的标准逻辑不提供这个弹性。

4.1.3 采购的”两股力”

讲完流程和系统差异，回到一个更本质的问题：为什么采购流程这么难优化？

因为采购流程永远在两股力之间拉扯：

效率力：快速响应需求、降低采购周期、减少流程成本 合规力：防止舞弊、确保公平、保留审计证据

这两股力在流程设计的每一个节点上都会冲突。简化审批可以提高效率，但增加了合规风险。增加审批节点可以加强控制，但吞噬了效率。

事务逻辑本身不会做权衡——它只会把所有规则都刚性执行。 规则越多，流程越长，效率越低。制造业采购的困境不是”没有制度”，而是”制度太多，但没有办法区分哪些制度是真正必要的”。

§TOC3-2§

4.2 四大核心痛点

痛点一：供应商选择靠”熟悉的”而不是”最好的”

制造业采购有一个潜规则：采购员对”老供应商”有路径依赖。

不是因为老供应商价格最低，而是因为”用习惯了”——质量稳定、交期靠谱、沟通顺畅。换一家新供应商，可能要花几个月磨合期。

但这个”路径依赖”导致的问题是：

• 新供应商即使报价更低，也很难”挤进来”
• 现有供应商知道自己的”地位”，降价动力不足
• 采购部门对供应商的真实绩效缺乏系统性的评估——“上一年的准时交付率是98%”不一定说明问题，因为没有对比基准

核心矛盾：供应商评估需要多维数据（质量、成本、交付、服务、财务健康），但这些数据分散在ERP（订单数据）、质检系统（来料合格率）、财务系统（付款记录）、邮件沟通记录（服务响应速度）里，没有统一的视图。

采购员做”供应商年度评估”时，通常是从ERP导出订单数据 → 手工整理成Excel → 打勾打分。数据滞后、维度不全、每个采购员的打分尺度不一致。

痛点二：比价议价靠人肉

比价是采购环节中最需要”信息处理”的节点，但大多数企业的比价流程基本上是这样的：

• 采购员用邮件/微信向3-5家供应商询价
• 供应商回复报价（格式不一：有的发PDF、有的在邮件正文写、有的用微信截图）
• 采购员把报价手工填入Excel比价表
• 输出比价结果，发给采购经理审批

一个比价周期平均2-3天。

这不是采购员效率低——是信息获取和整理的成本太高。每一家供应商的报价格式不一样，采购员要逐条”翻译”成统一的比价表。而且供应商的报价策略（折扣阶梯、淡旺季差价、其他隐性成本）不会主动写在报价单上——需要采购员”问出来”。

痛点三：合同审查耗时

采购合同审查是P2P流程中最”吃专家”的环节。一份中等复杂度的采购合同（约20页），法务从阅读到出意见平均需要1.5天。

如果涉及以下情况，审查周期还会延长：

• 国际采购合同（附带Incoterms条款、ICC仲裁条款）：需要法务找外部律所支持
• IT/软件采购合同（附带许可协议、IP条款）：法务需要和IT联合审查
• 设备采购合同（附带技术规格书、验收标准）：法务需要技术部门确认

合同审查的瓶颈不是法务不努力，而是信息量太大——法务要看懂每一条条款的潜在风险，尤其是那些隐藏在”标准格式”中的不利条款。

在制造业采购中，合同审查的”不均衡性”非常显著：一份60页的长合同和一份3页的短合同，审查时间往往相差不大——因为法务必须一样仔细地逐条看。 而大量中小金额的采购合同（占采购合同总量的80%以上）挤占了法务的大部分时间。

痛点四：三单匹配异常

和OTC中的匹配问题类似，P2P中的三单匹配（PO→GR→IV）同样存在大量异常。而且因为采购涉及”钱往外花”，财务对采购的匹配要求比对销售的更严格：

这些异常的处理方式通常是：财务在MIRO中发现异常 → 冻结 → 发邮件给采购部 → 采购部联系供应商确认 → 改发票或做凭证 → 重新提交。一个异常平均处理周期2-3天。

§TOC3-3§

4.3 AI重构方案

4.3.1 四色标注分析

4.3.2 决策式AI的应用

场景一：供应商绩效评分

把分散在不同系统中的数据汇集到统一的供应商评分矩阵中：

AI自动从各数据源拉取数据，生成供应商综合评分卡，每个月更新一次。

这个评分卡的作用不是”替代采购员的判断”，而是”给采购员一个数据基础”——当他说”供应商A比供应商B好”时，他有数据支撑。

进阶用法：AI基于评分卡做供应商分群： - 战略供应商（高评分+高重要性）：保持关系、优先分配订单 - 核心供应商（高分+中重要性）：正常合作、定期复核 - 待观察供应商（中低分）：限制订单量、要求改进计划 - 淘汰候选（低分）：逐步减少采购量、准备替代方案

场景二：战略寻源推荐

“要采购一个新的物料，以前没买过，该找谁？”

AI的做法是：基于该物料的产品类别，自动匹配之前采购过同类物料的供应商，按照综合评分排序推荐Top-5。

这个功能看起来很”简单”，但它解决了一个真实的痛点——新物料的供应商选择没有历史参考，采购员要么问同行、要么靠搜索，费时且不可靠。

场景三：采购需求预测

基于历史消耗数据和未来生产计划，AI自动预测各物料/品类的采购需求。预测结果直接生成”建议采购申请”——需求部门只需要确认或调整，不需要从零创建。

这个功能在MRO（维护、维修、运营）品类上效果最显著——MRO物料的需求规律性强（设备保养周期+历史消耗趋势），预测准确率高，而且MRO采购占用了大量采购员的精力（通常占总采购订单量的60%以上，但占总采购金额的不到20%）。

4.3.3 生成式AI的应用

场景一：合同条款智能审查

AI自动审查采购合同，执行三层分析：

1. 条款合规性检查：检查合同条款是否符合公司的标准合同模板，标注偏差项
2. 风险条款识别：识别对采购方不利的条款——过高的违约金、不利的付款条件、过长的合同绑定期
3. 修改建议生成：对每个标注的风险条款，生成修改建议

实际效果：用AI做首轮审查后，法务的审查时间可以从1.5天压缩到2-3小时。

场景二：RFQ自动生成与报价回复处理

采购员在系统中选择物料、数量、交期要求 → AI自动生成标准格式的询价单（RFQ）→ 自动发送给候选供应商。

供应商回复报价邮件时，AI自动提取关键信息（价格、交期、付款条件、有效期）→ 自动填入比价表。

场景三：采购谈判要点生成

当供应商的报价和公司目标价存在差距时，AI自动给出谈判建议：

“供应商A对电机X-200的报价为12,500元/台，目标价为11,000元。过去12个月供应商A的报价平均溢价率为8%，该次报价溢价13.6%，偏高。建议关注以下三个谈判杠杆：1）承诺年度采购量200台以上，要求折扣至11,500元；2）对比供应商B的同期报价（11,800元）作为议价依据；3）建议将付款条件从‘30天’调整为‘15天’，换取价格优惠。”

4.3.4 四类嵌入方式总结

§TOC3-4§

4.4 重构后流程

Before：传统P2P流程

[需求部门填PR] → [四级审批（2-3天）] 
    → [采购员查供应商/询价（2天）] 
    → [比价表手工制作] → [经理审批比价结果] 
    → [创建PO → PO审批] → [合同审查（1.5天）] 
    → [供应商发货] → [收货] → [三单匹配 → 异常 → 搁置]
    → [付款]

典型耗时：7-12天（不含收货和付款周期） 问题：审批层级多、询价比价手工操作、合同审查瓶颈、三单异常堆积

After：AI增强的P2P流程

[AI基于消耗预测自动创建PR] → [AI自动审批（符合条件的）] 
    → [AI推荐供应商+自动比价] → [采购员确认] 
    → [AI自动生成RFQ → 解析供应商回复] 
    → [AI辅助合同审查（2小时）] → [法务确认]
    → [采购员确认PO] → [供应商发货] 
    → [RFID自动入库] → [AI自动三单匹配]
    → [AI排付款计划 → 到期自动付款]

预期耗时：3-5天（不含收货和付款周期） 关键变化： - 采购申请从”人等审批”变成”系统自动放行+人管例外” - 询价比价从”采购员手工操作”变成”AI执行+人确认” - 合同审查从”逐条审”变成”AI初筛+人聚焦高风险” - 三单匹配从”堆积等着处理”变成”自动过账+仅例外转人”

§TOC3-5§

4.5 实操案例

案例一：某汽车零部件企业的采购AI辅助

背景

企业规模：年营收约50亿，生产汽车传动系统零部件，年采购额约25亿 使用系统：SAP ECC + 自主开发的采购协同平台 核心痛点：采购周期长（平均12天），供应商绩效评估靠年度打分数、滞后、维度单一

诊断结果

Track A（精益净化）层面： - 采购申请审批：5级，其中第2级（部门经理）和第3级（采购经理）的审批通过率100%——说明这两级是”无效审批” - 比价：采购员花45%的时间在Excel操作和邮件沟通上 - 三单匹配异常率约15%，月底集中处理

Track B（AI介入）层面： - 供应商绩效数据散落，没有统一的评分系统 - MRO物料的采购需求有规律，但从未被利用 - 合同审查是瓶颈（法务部4个人，月均审查120+份合同）

AI方案

1. 采购审批精简+自动放行：
2. 取消第2、3级审批（Track A）
3. 对3万元以下的采购申请，AI自动放行（Track B）

4. 异常模式识别：同一物料频繁申请、同一个需求部门超预算幅度大——自动标记

5. 供应商评分系统：

6. 从SAP、质检系统、售后系统中自动抽取数据
7. 每月更新综合评分卡

8. 采购员下单时，系统自动显示该供应商的评分变化趋势

9. MRO自动补货：

10. 基于设备保养计划和历史消耗数据，AI每周生成MRO物料建议采购清单

11. 需求部门只需要确认，不需要从零创建PR

12. 合同AI初筛：

13. 导入过去3年的历史合同作为训练数据
14. AI自动标注高风险条款
15. 法务审查时间从1.5天降到2小时

效果

关键经验

• 采购流程优化的最大杠杆不是AI，是取消无效审批。有些审批节点存在了10年，没有人敢去动它——不是因为它在发挥作用，而是因为”上次审计说要保留”。Track A（精益净化）在这个环节上的ROI远大于Track B
• MRO自动补货的实施周期最短（2周）、见效最快——因为这个品类的需求规律性强、风险低
• 供应商评分系统的核心挑战不是技术，是”评分维度谁说了算”——采购部、质量部、生产部对供应商的评价标准不一样。教练的角色就是拍板定标准

案例二：某电子制造企业的采购AI辅助

背景

企业规模：年营收约20亿，生产消费电子零部件 使用系统：国内某主流ERP 核心痛点：采购制度严格但执行率低——制度要求三家比价，但实际50%的采购是”以前的供应商直接下单”

诊断结果

Track A层面： - 比价制度执行率只有50%的原因不是采购员偷懒——而是因为”走制度太慢”：提交PR→等审批→询价→等回复→比价→再次审批。而”直接下单”一天就搞定 - 制度设计没有区分”关键物料”和”非关键物料”——一个螺丝钉和一个芯片走同样的比价流程

Track B层面： - 供应商数据不完整：系统里有800+个供应商，但有效绩效记录的不到300家 - 历史采购数据可以用于”可接受价格区间”的自动计算

AI方案

1. 分类管理替代”一刀切”：
2. 按物料类别+采购金额+供应风险三维分类，制定不同的采购策略
3. 关键物料（芯片、定制件）：提前锁定框架合同
4. 一般物料（电子料、五金件）：AI自动比价推荐

5. 低值易耗品（螺丝、包材）：AI自动补货+指定供应商

6. 自动比价+价格合理性检查：

7. 对一般物料，AI从历史订单中计算”基准价格区间”
8. 当采购员输入采购单时，AI自动显示该物料的基准价和历史成交价趋势

9. 如果当前报价超出基准区间，AI自动触发更严格的审批

10. 实施路径：

11. 第1-2周：物料分类体系搭建
12. 第3-4周：基准价格区间计算
13. 第5-8周：系统改造+试运行

效果

关键经验

• 国内ERP企业在采购上的核心问题不是”缺技术”，而是”制度太粗”——一套制度管所有物料，导致人要么不管、要么绕过制度。物料分类是AI介入的前提
• “基准价格区间”是比价最简单最有效的AI应用——不需要复杂模型，一个统计计算方法就够用
• 制度执行的改善不等于”管死人”——把关键物料管好、非关键物料放活，才能既合规又高效

§TOC3-6§

本章图表

§TOC3-7§

本章小结

采购流程是制造业所有流程中”最不平衡”的一个。

一方面，它的合规要求最高——审计、内控、制度、流程，所有人都在强调”采购不能出事”。另一方面，它的效率提升空间最大——因为太多制度是”防小人”设计的，为了防止那5%的舞弊，让95%的采购都变慢了。

AI在采购中的角色不是”让采购更合规”，而是“让合规的部分自动化，让人只关注例外和异常”。

自动审批、自动比价、自动三单匹配、自动付款排程——这些AI应用都不需要复杂的模型。它们做的是同一件事：把”规则明确但被重复劳动淹没”的工作，从人手里接过来。

但有一条底线必须讲清楚：AI不能解决”关系采购”。

如果你的企业里有”必须用某家供应商”的潜规则——哪怕这家供应商价格高、质量差——算法再厉害也改不了。AI可以做的是：把”不用这家供应商”的决策成本和风险都说清楚——谁否决了AI推荐的更低价的供应商，谁就需要在系统里签字承担这个差价。 让决策成本显性化。

第5章我们进入制造业最复杂的环节——生产执行与质量。这是全书最长的一章，也是AI重构深度最高的一章。

【延伸阅读】

• 《采购4.0：数字化时代的战略采购》（Bernard Gracia）— 将采购从”交易执行”升级为”战略职能”的框架。书中提出的”品类管理+供应商协同”体系，是本章AI方案落地前需要先搭好的管理基础。
• 《供应链管理：高成本、高库存、高重资产的精益之道》（刘宝红）— 国内供应链领域最务实的作者。书中对”供应商管理不是打分而是分群”的论述，与本章的供应商评分卡逻辑直接呼应。
• 「采购审批：谁创造了这些无效节点？」— 树懒老K·慢读经典专题— 深度拆解制造业采购审批中的”僵尸节点”问题，提供了识别和清除无效审批的具体方法。公众号回复「采购审批」获取。

【落地工具】

供应商评分卡模板（月度更新）

用法：采购员下单时，系统自动展示该供应商的评分卡和趋势曲线，低于阈值（例如综合分<70）的供应商需在系统中录入”选此供应商的理由”才能继续。

第4章完

【决策者摘要】

这一章是全书最长的一章——不是因为作者写得多，而是因为制造业最复杂的问题都集中在车间。如果你只读一章，读这章。

生产执行中AI最值钱的应用不是排产、不是参数推荐、不是预测性维护，而是在线质量预测。在工业涂料企业的案例中，AI在生产开始后2小时就能预测这一批会不会不合格——传统的做法是等10小时做完才知道。这意味着”质量控制”这个节点从工序”之后”移到了工序”之中”。流程的拓扑结构变了，不是优化，是重新设计。

但有一个前提你必须清醒认识：所有生产端的AI方案都建立在数据能采得到的基础上。没有DCS数据，在线质量预测是空谈。如果你们的车间连设备联网都没做，看完这章先放下，回去做数据采集基础——这个顺序不能错。

在所有制造业流程中，生产是最”实体”的一个——它不处理数据、不流转单据、不审批付款。它处理的是物理世界的物料、设备、人。铁削、油污、噪音——任何一个做过工厂的人都明白这比看ERP界面的复杂度高出一个数量级。

制造业的CIO们常说一个现象：

“做数字化项目，供应链上ERP跑得挺好，财务模块也很顺，一进到车间就哑火了。”

不是因为车间的人不懂IT，而是因为车间的问题不是IT问题。是排产排不开、设备总停机、换线要调半天参数、质检发现废品时已经做完了。这些问题，不是上套系统就能解决的。

但这些问题，恰恰是AI最能发挥作用的地方。

§TOC4-1§

5.1 事务逻辑下的生产流程

5.1.1 SAP PP模块的生产执行链路

SAP PP模块将生产执行划分为六个阶段：

工单创建 → 物料齐套检查 → 工单下达 → 报工 → 完工确认 → 成品入库

第一阶段：工单创建（CO01）

工单是生产执行的”核心单据”——它告诉车间：做什么产品、做多少、什么时候做、用什么物料、走什么工艺路线。

工单的来源有两个： - 计划订单转化：MPS运行的排产结果自动转化为生产工单 - 手工创建：紧急订单、返工、样品生产

在工单创建的同时，系统自动展开BOM，计算出”标准物料消耗”。同时调用工艺路线，计算出”标准工时”和”标准工序”。

第二阶段：物料齐套检查

工单创建后，系统检查物料是否齐套——BOM里需要的物料，库存够不够？

SAP的标准逻辑是：工单下达需要满足”物料可用性检查”——检查通过才能下达，否则系统提示物料短缺。

但现实中的操作往往是：明知道物料不齐套，工单也先下达到车间——因为不先占着产能，后面更排不开。系统说”物料不够”，人回答”我知道，先下再说”。

这就是事务逻辑和现实操作之间的第一个裂缝。

第三阶段：工单下达（CO02）

工单下达后，车间开始投料生产。在SAP中，下达操作触发： - 组件从库存转为”生产消耗”状态 - 工单状态从”已创建”变为”已下达” - 车间可以开始报工

第四阶段：报工（CO11N）

每完成一个工序，产线工人通过报工事务码向SAP报告：某个工序完成了多少件、用了多少时间、消耗了多少物料。

报工是生产执行中最”琐碎”的操作——工人需要停下手里的活去终端前操作。因此大多数制造业企业采用的做法是：批量报工——白班结束后，班长统一报一次。这意味着系统里的”实时进度”至少滞后一个班次。

第五阶段：完工确认（CO02 → 技术性完成）

所有工序完成后，工单做”技术性完成”确认——SAP将这个工单标记为”已完工”。

这个操作触发： - 成品库存增加 - 生产消耗从”暂记”转为”实际消耗” - 财务上的生产成本归集结算

第六阶段：成本核算（CO88 / KKS2）

工单完工后，SAP运行生产成本结算——把实际发生的材料、人工、制造费用归集到这个工单上，算出实际的单件生产成本。

SAP的生产执行链路在逻辑上是闭环的。但它的闭环是”事后”的。 所有数据都在完工之后才能完整归集——你只知道自己”上一批产品花了多少成本”，但无法知道”正在做的这批产品会不会超成本”。

质量管理的环节（SAP QM模块）：

与PP并行的是QM模块的质检流程：

来料检验（IQC）：供应商物料到货后，根据检验计划做抽检。检验结果录入系统，合格→库存放行，不合格→退货或让步接收。

过程检验（IPQC）：生产过程中的抽检（按工序设置检验点）。工序报工前必须完成该工序的质检。

出货检验（OQC）：成品出货前做最终检验。

不合格处理：当检验判定不合格时，触发不合格处理流程——是返工、报废还是让步使用，需要质量管理团队决策。

SAP QM的问题和PP如出一辙：检验发生在产品已经制造完成之后。 来料检还能在”用之前”发现问题，但过程检和出货检都是在”做完之后”发现废品——浪费已经造成了。

5.1.2 国内ERP与MES集成的差异

国内制造业企业在生产管理上，存在着一条鲜明的”分界线”：有MES的和没有MES的。

没有MES的企业：

生产数据靠人工记录 → 班长汇总 → 录入ERP。SAP的报工时序滞后一个班次是”正常”的——国内ERP的报工可能滞后一天。

排产靠Excel → 经验 → 口头传达。ERP里有排产功能，但车间的排产实际上是一个Excel文件在几个人之间流转。

质量记录靠纸质检验单。检验员手写单子，月末汇总归档。如果想查一个月前的某批货的检测数据——要去仓库翻纸质的质检报告。

有MES的企业：

MES承担了生产执行层的数据采集和实时控制，ERP作为”计划层”和”财务层”存在。

但在国内制造企业里普遍存在的一个现象是：MES是MES，ERP是ERP，两边数据不互通。

• MES记录的生产进度，ERP不知道——计划员要跑去MES界面看”今天做了多少”
• MES记录的报工数据，月底才导入ERP做成本核算——月中产生的任何成本偏差，没人知道
• 质检数据在MES里，ERP的质量模块是空的

“两个系统的数据对不上”在制造业几乎是常态，而不是例外。

5.1.3 为什么生产流程最难数字化

生产流程是制造业中变量最多的流程。当你在ERP界面上处理供应链问题时，你面对的是单据和状态——逻辑清晰。当你进到车间时，你面对的是：

• 物料：同一批物料不同供应商的批次可能质量有差异
• 设备：同一型号的设备在不同工况下表现不同，而且设备有”脾气”——新设备稳定，用了三年的老设备需要特殊调参
• 人：同一个工序，不同操作工的手法和效率不同
• 环境：温湿度会影响某些物料的加工精度
• 时间：上午产的良品率和下午产的良品率可能不一样（设备温升的影响）

这些变量，事务逻辑一样都抓不住。

§TOC4-2§

5.2 五大核心痛点

痛点一：排产靠老师傅

在很多制造企业，排产是一个”黑盒子”——只有一两个老师傅会排。他们不在的时候，排产就乱了。

老师傅排产的方式是：翻开工单列表 → 看设备状态 → 看物料齐套 → 在脑子里”排一排” → 写在白板上或录入Excel。排程的逻辑是”经验公式”——“A设备最适合做B产品，C设备的换线成本最低，D工单的客户最急”。

这套方法在稳定环境下是有效的——产品种类不多、订单量稳定、客户交期宽裕。但当产品线扩张到几百上千个SKU、订单波动大、客户交期紧时，一个人的脑子装不下这么多维度。

排产困难带来的后果很直接： - 产能利用率低——排不满设备、频繁换线 - 交期达成率低——排进去的工单发现物料不齐套，临时调整 - 生产计划部门变成”救火队”——每天都在处理”这个单子插不插得进去”

痛点二：工艺参数靠经验调

“每换一次产品，调参数要折腾半天。”

这是制造业最隐性的浪费之一。当你从生产A产品切换到B产品时，设备需要调整温度、压力、速度、进给量等一系列工艺参数。老师傅凭经验调参数——“这个材料偏硬，温度加5度”“这个模具上次用的时候出过问题，压力调低一点”。

调参数的效率取决于：老师傅的经验积累。新员工调一次要2-3小时，老师傅30分钟搞定。而且即使老师傅调好了，到最优参数往往还需要2-3个试制批次来”逼近”——这个过程产生的废品和调试工时，没人记录、没人量化。

工艺参数的问题还在于它不可复制——老师傅调的参数只在他脑子里。他退休了，参数就带走了。

痛点三：质量检验滞后

“产品做完了才知道是废品。”

这不是一句夸张的话——在传统的批次检验模式下，一件产品从加工到检验，中间隔了几个小时甚至几天。当你发现它不合格的时候：

• 生产线可能已经生产了更多的不合格品
• 不合格的原因可能已经无法追溯
• 不合格品产生的材料、工时、能耗全部浪费

质量检验的滞后性不仅增加了浪费，还使得根因分析变成猜测——因为检验的时候已经不知道当初的操作参数和环境条件是什么了。

痛点四：设备意外停机

设备停机是制造业最直观的损失——停一分钟，少产一件货。

设备停机的根因通常是： - 计划外的：故障、破损、老化（占70%以上） - 计划的：换模、保养、调试

计划外停机之所以”意外”，是因为没有提前预警。设备的振动异常、温度升高、电流波动——这些信号在故障发生之前就已经存在了，但因为没有被持续监测和分析，所以没有人知道”这个设备快要出问题了”。

痛点五：数据拼凑成本核算滞后

生产执行中产生的数据——报工、物料消耗、设备工时、质量损失——是月底做成本核算的基础。

但在传统流程中，这些数据的归集方式是： - 报工数据：MES（如果有）或班长的手工记录 → 月底导入ERP - 物料消耗：ERP里的物料领用记录 → 月底和生产报工对账 - 质量损失：检验记录 → 手工统计 → 月底归集

所有数据都在月底才能汇总。那时候财务会告诉你：上个月A产品线的生产成本超标了12%。

但”上个月”已经结束了。超标的原因——是某个物料不良率高了、还是某台设备效率低了——需要再花一个星期去核查。

成本核算不是”算成本”，是”复盘损失”。

§TOC4-3§

5.3 AI重构方案

5.3.1 四色标注分析

5.3.2 决策式AI的应用

场景一：智能排产（约束满足优化）

排产的本质是一个约束满足问题：在设备、物料、人员、交期之间找到一个最优的排列组合。

约束条件包括：

AI排产的做法是：把所有约束和目标输入一个优化引擎，让算法搜索最优解。不是”先排看看，有问题人工调”——而是”一次性排出一个满足所有硬约束、尽可能满足软约束的方案”。

SAP本身有PP/DS（生产计划和详细排程）模块，可以做约束优化。但很多企业没有买这个模块，或者买了但没用——原因是配置复杂、维护成本高。外部AI排产引擎可以作为SAP的补充，通过API接口与SAP交互：从SAP获取工单数据和约束条件 → AI跑排产 → 把排产结果写回SAP。

Phase 1：AI排产初稿 → 排产员确认调整 Phase 2：AI排产自动执行 → 紧急插单等异常触发人工介入 Phase 3：AI排产+动态重排 → 每出现一次变化（物料延期/设备故障/紧急插单），AI自动在30秒内重新优化排程

场景二：工艺参数推荐

工艺参数优化的目标：在给定产品、材料、设备、环境条件下，推荐最优的工艺参数组合。

做法是：收集过去所有工单的工艺参数和对应的质量数据（良品率、效率），用回归或强化学习模型，学习”参数组合→质量/效率”的映射关系。

当一个新工单下达时，AI基于该工单的产品、材料、设备组合，推荐一组工艺参数——不是”猜测”，而是”基于历史成功案例的概率推荐”。

一个典型的案例效果：电子元件的SMT回流焊参数优化——AI推荐的参数对比人工调试参数，将一次通过率从92%提升到97.5%，换线时间从45分钟压缩到15分钟。

场景三：在线质量预测

最”值钱”的AI应用之一——在产品做完之前，能预测它合不合格。

做法是：在加工过程中，持续采集传感器数据（温度、压力、振动、电流）和操作参数，输入一个预测模型，模型输出”当前产品的合格概率”。

当合格概率低于阈值（比如95%）时，系统立刻报警——不用等成品做完再检测。报警的同时，AI给出”最可能导致不合格的因素”——“温度偏高，建议降低3度”或”振动异常，建议检查刀具磨损”。

这个应用的价值不只是在”缩短检测周期”，而是在改变质量管理的范式——从”检出来再处理”变成”预测到不良就干预”。

实施条件：需要加工过程中的实时数据采集。没有传感器基础的企业，至少需要把设备接入数据采集系统（通常需要IIoT网关）。

重构深度：Phase 3（拓扑重构）——因为质量检验这个流程节点被重新设计了，不再在工序结束后做抽检，而是在加工过程中持续评估。

场景四：预测性维护

用设备的历史运行数据和故障记录训练模型，预测设备在未来一段时间内的故障概率。

当故障概率超过阈值时，AI自动建议保养或维修，并给出建议保养时间——不是”固定周期保养”，而是”基于设备实际状态的动态保养”。

效果数据：计划外停机时间平均减少30-50%，设备可用率提升5-15%。

5.3.3 生成式AI的应用

场景一：生产异常诊断报告（辅助生成 🟡）

当生产出现异常（质量偏差/设备故障/物料短缺）时，AI自动生成诊断报告：

“产线A在14:32-15:10期间发生批次X-203的良品率下降（从97.2%降至88.5%）。关联数据分析：该时段B设备（注塑机#3）温度波动±4度（标准±1.5度），与工艺参数中的设定值偏差显著。建议：1）检查B设备的温控传感器；2）复查该批次物料X-203的批次号，确认是否为新批次导致的参数偏移；3）对该时段产出的产品做加严抽检。”

报告的生成基于AI对多维度数据的综合分析——设备数据、质量数据、工艺数据、物料批次数据——不需要人工去翻系统找原因。

场景二：SOP自动更新（辅助生成 🟡）

当一个新的工艺参数组合被验证为”优于历史参数”时，AI自动生成SOP更新建议——不是直接改SOP，而是生成”参数变更建议书”，供工艺工程师确认后更新。

场景三：质检结果自然语言查询（辅助决策 🟡）

“上个月的A产品线，因为质量问题退货最多的是哪个客户？” “X-200物料的最近12批次的来料合格率趋势怎么样？” “B设备的故障率比A设备高多少？”

这些查询不需要IT写SQL——一线管理人员可以直接用自然语言向系统提问，AI将问题转换为查询，返回结果。

5.3.4 四类嵌入方式总结

§TOC4-4§

5.4 重构后流程

Before：传统生产执行流程

[计划工单下达] → [排产员手工排程（Excel/白板）] 
    → [物料齐套检查（纸单核对）] 
    → [工单下达到车间] → [技术员调参数 → 试制]
    → [生产] → [报工（滞后）] → [检验（滞后）]
    → [发现不合格 → 返工/报废] → [不达标归因（事后）] 
    → [完工确认 → 成本核算（月底）]

典型问题： - 排产依赖老师傅的”脑子”，不可复制 - 调参数靠”试错”，产生废品和调试损耗 - 质检滞后，发现不合格时损失已成 - 设备停机只有”事后响应” - 成本核算在月底才能出来，是”复盘”不是”控制”

After：AI驱动的生产执行流程

[AI排产引擎自动排程 → 约束校验 → 输出方案]
    → [排产员确认] → [AI推荐工艺参数]
    → [工单自动下达 → 设备自动加载参数]
    → [生产过程中：传感器持续采集 → AI实时预测质量]
    → [AI监控设备状态 → 预测性维护建议]
    → [AI自动报工] → [AI实时成本跟踪 → 偏差预警]
    → [异常时：AI自动诊断 → 生成处理建议]
    → [完工确认 → AI自动归集成本]

关键变化： - 排产从”人排”变成”AI出方案+人确认” - 工艺参数从”调一次废一批”变成”AI推荐+微调” - 质量检验从”做完再检”变成”边做边预测” - 设备维护从”固定周期”变成”预测性动态” - 成本从”月底算账”变成”实时跟踪”

§TOC4-5§

5.5 实操案例

案例一：SMT产线智能排程

背景

企业规模：年营收约35亿，电子制造服务（EMS），10条SMT产线 使用系统：SAP ECC + 自研MES 核心痛点：每条产线日均排产10-15个工单，排产员每天花3小时排程，遇到插单需要2小时重新排。

诊断结果

Track A（精益净化）层面： - 排产员每天花2小时在”同一件事”上：核对物料齐套信息——本应由MES完成的齐套检查，因为MES和ERP的数据没打通，排产员需要手工核对 - 插单处理没有标准规则——“谁的客户最大声，谁的单子优先”

Track B（AI介入）层面： - 排产问题本质上是一个约束满足问题——设备×工单×物料×交期——变量明确、约束可定义。AI优化在这里有明确的应用空间 - 但排产员对”AI排产”有抵触——“算法排出来的方案我不放心”

AI方案

1. 约束定义：
2. 硬约束：设备不能同时做两个工单；一个工单只能在特定设备上做；物料必须齐套才能开始
3. 软约束：合并同类产品以减少换线；优先安排交期最近的工单；减少工序间等待时间

4. 优化目标：最小化加权总完工时间（交期越紧权重越高）

5. 实施路径：

6. 第1个月：AI排产和人工排产并行运行——排产员手工排完，AI也跑一个方案——两者对比
7. 第2个月：在第1个月的基础上，确认AI方案的可行性——开始让排产员使用AI方案作为”初稿”，人工做调整

8. 第3个月：建立插单规则——当插单发生时，AI在30秒内重新排程并标注受影响工单

9. 界面设计：

10. 排产员看到的不是黑盒子的”数字”，而是甘特图——每个工单映射到设备上的时间块
11. AI自动标注”优化建议”——“建议将工单X-200提前，可以减少一次换线”
12. 排产员可以用拖拽方式手动调整AI方案，调整后AI立即重新计算对交期的影响

效果

关键经验

• 排产是”信任”问题，不是”算法”问题——再好的AI方案，排产员不信就是废的。并行运行期是建立信任的必要阶段
• 交互设计比算法更重要——排产员需要”看到AI在做什么、为什么这么做”，而不是一个”黑盒子”吐出一个结论
• 插单处理规则比排产算法本身更需要”定义”——谁来决定插单的优先级？这个治理问题不解决，AI也解决不了

案例二：电子元件工艺参数优化

背景

企业规模：年营收约20亿，生产电子连接器 使用系统：国内某主流ERP + MES 核心痛点：新模具换线调试平均耗时3.5小时，调试件废品率约8%，老师傅退休后参数传承断档

诊断结果

Track A层面： - 工艺参数的记录方式：老师傅写在笔记本上，一个模具有一页参数记录 - 新员工调试时，先翻老师傅的笔记本，再”试” - 没有系统性的参数优化机制——“老师傅上次调的参数，和这次调的参数，有什么区别？没有人知道”

Track B层面： - 过去24个月的工单数据（工艺参数+良品率）在MES里完整存在——可以用作训练数据 - 但数据是”死的”——没有人去分析”什么样的参数组合产生的良品率最高”

AI方案

1. 数据准备：
2. 从MES抽取过去24个月的所有工单数据：工单号、产品型号、模具编号、设备编号、工艺参数（温度/压力/速度/时间）、良品率

3. 清洗：去除明显异常的数据（传感器故障导致的值）

4. 模型训练：

5. 目标：预测”给定参数组合下的良品率”
6. 方法：GBDT（梯度提升树）——可解释性强、数据量要求不高

7. 输出：参数推荐Top-3组合（各有良品率预测值和置信度）

8. 界面集成：

9. 在MES的工单界面中嵌入推荐显示——当工单下达时，AI自动显示推荐的参数组合

10. 技术员选择”采纳”或”手动修改”——如果手动修改，AI记录修改值，用于后续模型迭代

11. 实施路径：

12. 第1-2周：数据抽取+清洗+模型训练
13. 第3-4周：界面集成+试运行
14. 第5-12周：收集反馈+模型迭代

效果

关键经验

• 工艺参数优化的数据90%的企业已经有了（在MES或ERP的工单记录里），只是没有人去”挖掘”——这是制造业”沉睡数据”最好的例子
• 模型的可解释性比准确性更重要——技术员不会相信”AI说温度设175度”，但会相信”基于你过去24个月的2000个工单，温度175度+压力3.2bar的组合良品率最高（98.2%）”
• 当AI推荐参数和技术员经验冲突时，永远让技术员手动覆盖——覆盖后的数据是模型迭代的最宝贵输入

案例三：在线质量预测——化工企业实时质量监控

背景

企业规模：年营收约60亿，生产工业涂料 使用系统：SAP ECC + DCS（分散控制系统） 核心痛点：批次生产过程中，质量指标（粘度、细度、色差）只在批次结束后取样检测——如果一批次不合格，整批20吨涂料只能降级使用或报废

诊断结果

公司的检测流程是： 投料 → 反应釜反应（8小时）→ 取样 → 送实验室检测（2小时）→ 出结果 → 如果合格→放行；如果不合格→整批处理

每一批次从投料到知道结果，至少10小时。如果不合格，10小时的物料、能耗、人工全部浪费。

而且问题在于：不合格在第9小时才被发现——但故障可能早在第2小时就发生了。

AI方案

1. 实时数据采集：
2. 从DCS中获取反应过程中的实时数据（温度、压力、搅拌速度、pH值、粘度）

3. 每30秒采集一组数据

4. 预测模型：

5. 输入：前2小时的实时工艺数据（每隔30秒一组，共240组数据点）
6. 输出：预测该批次最终质量（合格/不合格）的概率，以及置信度

7. 模型每30秒滚动预测一次（随着批次进行，预测精度不断提高）

8. 预警机制：

9. 当AI预测”不合格概率超过20%”时：黄色预警——操作员关注
10. 当AI预测”不合格概率超过60%”时：橙色预警——建议操作员采取干预措施（调整温度/压力等）

11. 当AI预测”不合格概率超过85%”时：红色预警——建议终止该批次生产（止损）

12. 实施路径：

13. 第1-2个月：DCS数据对接+模型训练（用历史数据）
14. 第3个月：并行运行（AI预测结果出来，但不下发预警，仅让技术团队对照）
15. 第4个月：黄色预警开放
16. 第5个月：橙色预警开放
17. 第6个月：红色预警开放

效果

关键经验

• 在线质量预测是”先把连接做好，再谈AI”的典型案例——没有DCS→AI的数据链路，模型什么也做不了
• 预测精度不需要100%——即使只有60%的准确率，只要它能在”造成损失之前”发出预警，就已经产生价值
• 误报是必须接受的成本——现场操作员一开始会因为”误报太多”而不信任系统。解决方案不是追求零误报，而是在每次误报后给操作员解释”为什么系统认为它可能出问题”

§TOC4-6§

本章图表

§TOC4-7§

本章小结

生产执行是制造业”AI重构深度最深”的流程域。

在计划、采购、销售这些领域中，AI做的是”加速”——让原有的流程跑得更快、更准。但在生产领域，AI有机会做两件事——不仅加速，还改变了流程的拓扑结构。

最典型的例子是质量检验。以前是”做完再检”，现在AI可以在加工过程中实时预测质量，把”质量控制”这个节点从工序”之后”移到了工序”之中”。这已经不是优化，是重新设计。

但本章写的所有AI方案，都建立在一个共同的前提上：数据能采得到。

没有DCS数据，在线质量预测就是空谈。没有MES数据，工艺参数推荐就是猜测。没有设备联网，预测性维护就是纸上谈兵。

如果企业的生产数据连”采集”这一关还没过，这一章的所有内容都可以先标记为”参考，暂缓执行”。先把数据采集的基础打好，再谈AI——这个顺序不能错。

下一章，我们将进入仓储与物流。相比生产，这里的数据基础通常会好一些——系统成熟度高、数据结构性强——但痛点也同样集中。

【延伸阅读】

• 《The Goal（目标）》（Eliyahu Goldratt）— 制约理论（TOC）的经典。书中关于”瓶颈决定产出”的论述，正是智能排产中”硬约束优先”的思想源头。管理者读这本比读任何排产算法书都有用。
• 《丰田生产方式》（大野耐一）— 一字一句都不过时的现场管理圣经。其中”自働化”（带人字旁的自动化）的理念——机器在检测到异常时自动停机——和本章的”在线质量预测+即时干预”逻辑一脉相承。
• 《智能工厂：制造业数字化转型的核心方法》（李杰）— 工业AI领域的奠基性中文著作。重点读”预测型制造”章节，对质量预测、预测性维护等场景有更深入的工程落地指导。
• 「车间数据：制造业数字化转型的第一道坎」— 树懒老K·慢读经典专题— 分析了50+家制造企业的数据基础现状，给出了从设备联网到数据可用的分步路线图。公众号回复「车间数据」获取。

【落地工具】

排产AI导入对话话术（面向排产员）

❌ 不要说：”AI排产的算法比人工排更优，你们以后按系统执行的方案走。”

✅ 应该这样说： 1. “这个月AI和你们并行跑——你们按原来的方式排，AI也出一个方案。我们不比较谁对谁错，我们看看两个方案有什么不同。” 2. “如果AI的方案有合理的调整建议，比如合并这两张工单可以少换一次线——你们来决定要不要采纳。你们说了算。” 3. “插单的时候让AI30秒出一个新方案，标注出受影响的工单。你们评估完告诉我’这个方案行不行’，你们还是决策者。”

第5章完

【决策者摘要】

仓储的AI是全书技术难度最低的一章。没有复杂的预测模型，没有在线质量预测那样的深度，主要是路径优化、动态库存计算、物流可视化——成熟度高、风险低、ROI可预测。

但仓储的AI有一个独特的陷阱：如果系统里的库存和货架上的实物对不上，所有AI优化都是在错误的数据上放大错误。 我在诊断过的企业里见过库存账面准确率70%的——系统说有的货架上是空的，系统说没有的货架上是满的。

所以仓储AI化的第一步不是上算法，是先做三件事：把条码覆盖率拉到99%、把收货过账延迟从”班长第二天补”降到”扫码即完成”、把盘点差异消化周期从”月末调账”变成”即时调整”。

制造业CIO之间有一个”暗号”：当一个人说”我们库存比较准”的时候，没人信。

仓储管理在制造业里的地位很微妙——不像生产那样”高调”（每天都是紧急插单、设备故障），也不像财务那样”敏感”（月末关账、审计配合）。仓储是一个”不出现问题时没人注意”的部门。

但仓储出问题的后果是连锁的：

库存不准 → 计划员不敢信系统数据 → 多下采购单以防缺料 → 库存越来越高 → 周转率下降 → 营运资金被库存吃掉。

我在诊断过的企业里，见过库存账面准确率70%的——也就是说，系统里记录的库存和实际货架上的数量，有30%是不一致的。而管理层还在用系统数据做年度采购预算。用错误的数据做决策，比没有数据更可怕。

§TOC5-1§

6.1 事务逻辑下的仓储流程

6.1.1 SAP WM/LE模块

SAP的仓储管理分为两个模块：WM（Warehouse Management，仓库管理）和LE（Logistics Execution，物流执行）。

标准WM/LE的执行流程是：

收货（MIGO + 上架）→ 库存管理 → 拣货（LT03/LT0G）→ 发货（VL02N）→ 盘点

收货与上架

供应商来货，仓库人员做MIGO收货——确认物料、数量、质量状态。收货后物料进入”非限制使用库存”（如果需要质检，先进”质检库存”）。

然后需要上架：把货放到货架上。WM会根据预配置的”存储策略”建议存储位置——按物料周转率（A类放靠近出库口的位置）、按物料组（同类物料放同一区域）。

上架操作在WM中是：仓库人员持扫描枪扫物料条码 → WM显示建议库位 → 人员送到指定库位 → 扫描确认上架完成。

库存管理

SAP的库存管理是”账面库存”——系统里记录的不只是”某某物料有多少件”，还包括： - 库存类型（非限制使用/质检/冻结/在途） - 批次（按批号追踪） - 库位（拆到具体的货架位置）

理论上，这是非常精细的管理。但”精细”的前提是：每一次物料的移动，系统里都要同步更新。 现实中，每10次物料移动中大约有1-2次没有被及时更新——挪了货没扫、返工品没入账、报废没做处理。这些”遗漏”累积起来，就是”库存不准”的根因。

拣货与发货

拣货是仓储中人工操作最密集的环节——拿着拣货单，按单子去对应库位找货、取货、送到出货区。

在SAP标准流程中，拣货单按”波次”（Wave）生成——把同一时间段内需要处理的出库单合并成一个波次，集中拣货提高效率。波次生成的逻辑取决于系统配置（按时间、按客户、按承运商、按路线等）。

拣货完成后做发货过账（VL02N）——库存减少，财务产生应收。

盘点

盘点是对”账面库存”和”实际库存”的校准。制造业通常有： - 年度大盘：一年一次，全员参与 - 月度循环盘点：每个月盘点一部分物料，全年覆盖 - A类物料高频盘点：高价值/高流动物料，每周或双周盘点

盘点结果：差异出现在”盘点差异清单”上，需要逐条核实原因、做差异调整凭证。

但盘点解决的是”发现问题”，而不是”解决问题”。如果你每个月都发现A物料的库存不对，而每个月的调整原因都是”原因不明”——这说明你的仓储流程本身有问题，不是加一次盘点能解决的。

6.1.2 国内ERP的差异

WMS的深度差异

SAP WM是一个功能完整的WMS（仓库管理系统），但在国内市场，很多制造企业用的是”独立WMS”而不是SAP WM。原因有两个： - SAP WM的实施和维护成本高——对于年营收10亿以下的企业，独立WMS的性价比更高 - 国内WMS在本地化功能上更强——中文界面、手持PDA对接、物流公司接口、电商平台接口

典型的架构是：ERP（采购/销售/财务）+ 独立WMS（仓储执行），两个系统通过接口同步数据。

这带来了一个新的问题：两边数据不同步。 WMS里的出库数据已经更新了，但接口没及时同步，ERP里还是”未出库”状态。计划员查ERP看到库存是充足的；实际上货已经发走了。

条码/RFID的应用差异

SAP WM标准支持条码，但在国内制造业中：条码覆盖率和执行质量参差不齐。

做得好的企业：全流程条码化（收货扫码→上架扫码→拣货扫码→发货扫码）——库存准确率可以达到99%以上。做得一般的企业：收货和发货扫码，但内部移动（调拨、移库）不扫码。做得差的企业：”条码贴在货架上，但仓库阿姨嫌麻烦，直接手写单子。”

6.1.3 仓储的”隐形账”

很多制造企业CIO跟我聊的时候，会说”我们的库存管理还行”。

我通常会问两个问题：

“去年年终盘点，金额差异是正数还是负数？差异率多少？” “正数（盘盈）多还是负数（盘亏）多？”

超过80%的企业是”盘亏多”。这不是偶然的——因为仓储流程中有一个”隐形账”：每一次物料移动没有被记录，系统里的库存就少了（实物还在），而漏录的消耗积累多了，系统就越来越低估实际库存。

更隐蔽的问题在于：有些物料差异可以解释（自然损耗、计量误差），有些不能——但没有人去查”不能解释的部分”到底差在哪了。

§TOC5-2§

6.2 四大核心痛点

痛点一：库存策略一刀切

“我们的安全库存是统一15天。”

这是我听过的”最危险的话”之一。

安全库存的管理逻辑应该是：需求波动越大、供应商交期越不稳定、物料越关键 → 安全库存应该越高。 一刀切的15天意味着大部分物料备多了（资金占用）、少部分物料备少了（缺料风险）。

ABC分类是制造业最常用的库存管理方法，但它的问题是静态的。 A类物料永远是A类——哪怕这个物料的消耗量已经连续三个月下降了。ABC分类没有响应变化。

更好的做法应该是：动态分类——物料分类根据最近三个月的消耗量和供应商交期实时调整。A类物料可能会变成C类（消耗下降、供应稳定），C类也可能变成A类（新供应商不稳定、需求上涨）。

但在事务逻辑下，ABC分类一旦设定，通常要”跑完明年一整年”——因为每年的分类更新是一个大项目，涉及到几千个物料的重新赋值。

痛点二：拣货效率低

拣货是仓储中人工成本最高的环节。在典型的制造业仓库中：

• 一个熟练的拣货员一天可以处理200-300行拣货任务
• 新手只有100-150行
• 新手上手时间约2-4周

拣货效率的核心决定因素是行走距离——拣货员80%的时间花在”走路”上，只有20%的时间在”取货”。

重新设计拣货路径可以显著缩短行走距离。最优路径排序（按库位顺序排列拣货单）vs不排序，行走距离差异可达30-50%。

SAP WM的波次管理可以做一定程度的路径优化——按库位排序生成拣货单——但这是静态优化。最优路径不是从A到B到C依次走，而是要考虑：多张拣货单的合并策略、畅销品的存储位置优化、多人同时拣货的防冲突。

AI可以做的优化项： - 动态波次合并：不是按固定时间段生成波次，而是AI动态计算”现在开始一个波次的收益是否超过等待时间” - 拣货路径优化：一次拣货任务开始前，AI计算最优行走路径 - 库位动态调整：基于物料周转率的变化，AI推荐频繁出入库的物料搬到离出货口更近的位置

痛点三：物流在途不可见

“货发出去了，然后呢？”

对一个制造企业来说，发货运送过程是一个”黑箱”——货交到物流公司手上，你就失去了对货物的可见性。客户打电话问”货到哪了”，销售去问物流客服”你帮我查一下”，物流客服半小时后回复一个位置。

物流在途不可见带来的问题是： - 客户问交期，答不上来 - 运输异常（延误/货损），企业往往比客户知道得还晚 - 无法做在途库存管理——货在路上，既不在仓库也不在客户手上，系统里查不到

痛点四：库存周转慢

库存周转率是衡量仓储管理水平的核心指标。周转快代表资金效率高；周转慢代表资金被库存”吃掉”了。

影响库存周转的因素很多： - 预测不准 → 备多了 → 卖不掉 - 采购批量太大 → 一次买太多 → 用不完 - 安全库存设置不合理 → 备得太多 - 呆滞料管理不到位 → 放了三年还没处理

库存周转慢本质上不是仓储问题——它是计划、采购、销售三个环节共同作用的结果。 仓储只是”承担后果”的那个部门。

§TOC5-3§

6.3 AI重构方案

6.3.1 四色标注分析

6.3.2 决策式AI的应用

场景一：动态库存策略

放弃”统一15天”的安全库存模式，改为AI驱动的动态安全库存计算。

算法逻辑： 1. 计算每个SKU在过去4周的需求波动（标准差） 2. 计算供应商交期的波动（标准差，基于最近6个月的收货记录） 3. 设定服务水平目标（关键物料：99%，一般物料：95%，低值易耗：90%） 4. 安全库存 = Z值 × 需求波动 × √交期波动系数

这个计算每个品种每周自动执行一次。需求和交期变了，安全库存跟着变。

实施条件：需要至少6个月的干净需求数据和供应商交期数据。

效果参考：在保证服务水平不下降的前提下，库存金额降低15-25%。

场景二：拣货路径优化

每批拣货任务生成时，AI计算最优路径——不是”按库位号顺序走”，而是”最短路程覆盖所有目标库位”。

这本质上是一个旅行商问题（TSP）——在制成品仓库里，拣货路径优化可以将行走距离缩短20-30%。

更进一步的优化：多人同时拣货时的路径防冲突。AI把拣货任务分配给多个人，同时确保两个人的路径不交叉。

场景三：呆滞料风险预警

AI基于物料周转率的变化趋势，提前预测哪些物料有”成为呆滞料”的风险。

“物料X-200在过去3个月的出库量从每月500件下降到每月50件，当前库存为1200件。按当前消耗速度，可用24个月。建议：1）与销售确认是否有长期订单；2）如无长期订单，建议暂停采购并启动缓慢消耗处理。”

场景四：库位动态优化

基于物料周转率的变化，AI定期推荐”搬家”——把当前出货频率变高的物料搬到更靠近出货口的位置。这个建议通常是每周自动生成一批，由仓库主管确认执行。

6.3.3 生成式AI的应用

场景一：运输异常自动通知（辅助生成 🟡）

当AI检测到运输出现异常（延误、偏航、货损）时，自动生成通知：

“物流单号SF-123456（客户：A公司，V产品×200件）在X市停留超过4小时，未到达预计位置。系统已向承运商发出查询。建议：如果2小时内未收到回复，请客服主动联系A公司告知可能的延误。”

场景二：库存报告自动生成（辅助生成 🟡）

每周自动生成库存分析报告——不是”期初库存X、期末库存Y”的死板模板，而是包含：

• 本周库存变化趋势（整体金额、类目变化）
• Top-10异常SKU（库存突增/突降/超期）
• 呆滞料预警
• 库存周转率变化对比

6.3.4 四类嵌入方式总结

§TOC5-4§

6.4 重构后流程

Before：传统仓储流程

[供应商来货 → 收货（手工/扫码）]
    → [上架（就近放，没有策略）]
    → [库存管理（账面vs实物月对一次）]
    → [拣货（按单顺序，走冤枉路）]
    → [发货（手工过账）]
    → [盘点（年度/月度→发现差异→调账）]
    → [物流（发出后等客户反馈）]

典型问题：库存策略静态、拣货效率低、物流不可见、盘点滞后

After：AI增强的仓储流程

[供应商来货 → AI预测到货量 → 自动分配上架库位]
    → [上架确认（扫码）]
    → [AI动态安全库存计算（每周更新）]
    → [AI优化拣货路径+波次 → 扫码拣货]
    → [自动发货过账]
    → [AI推荐重点盘点物料 → 循环盘点]
    → [AI实时物流跟踪（GPS+API）]
    → [异常自动检测 → AI给出处理建议]

关键变化： - 上架从”随手放”变成”AI推荐最优库位” - 库存策略从”固定15天”变成”每周动态计算” - 拣货从”按单顺序走冤枉路”变成”AI规划最短路径” - 盘点从”定期全员大干一场”变成”AI推荐+重点物料高频度” - 物流从”黑箱”变成”AI实时跟踪+异常预警”

§TOC5-5§

6.5 实操案例

案例一：某快消制造企业仓储优化

背景

企业规模：年营收约25亿，生产调味品，仓库面积约5万平方米 使用系统：SAP ECC + 独立WMS 核心痛点：日拣货量20000+行，拣货员每天行走距离约15公里，老员工效率比新员工高50%

诊断结果

Track A（精益净化）层面： - 仓库的库位分配没有策略——新入仓的货”哪空放哪”，而不是”放在该放的地方” - A类物料（出库频率最高的20%物料）被放在了仓库最深的位置——拣货员每天大量时间在走往返路 - 波次管理：每2小时生成一个波次，不看”这条波次的货能不能合并拣”

Track B（AI介入）层面： - WMS有完整的出库记录和库位信息——数据基础良好 - 拣货路径优化有明确的计算空间

AI方案

1. 库位优化（Phase 1）：
2. 分析过去6个月的出库记录，按出库频次和出库量对所有SKU进行动态热力图分级
3. 把高频SKU（Top-20%）集中搬到靠近出货口的区域

4. 平均行走距离减少22%

5. 拣货路径优化（Phase 2）：

6. 每个拣货任务生成时，AI计算最优路径
7. 多人同时拣货时，AI自动分配区域防冲突

8. 实施后：平均行走距离从15km降到10km

9. 动态波次（Phase 2）：

10. 不固定2小时一次的波次
11. AI判断：如果等待5分钟可以多合并50行→等待；如果等待5分钟只能多合并5行→立即开始
12. 波次效率提升30%

效果

关键经验

• 仓库优化的”低垂果实”是库位重排——不涉及任何软件改造，把高频物料搬到近出货口的物理搬动，几天见效
• AI路径优化的价值不是把”熟练工的效率提升20%”，而是让新员工也能达到熟练工80%的效率——缩小了人的经验差距
• 动态波次需要仓库主管改变工作习惯——“以前固定时间做波次，现在AI告诉你什么时候开始最合适”——需要培训适应

案例二：某装备制造企业在途物流监控

背景

企业规模：年营收约40亿，生产工程机械 使用系统：SAP ECC + 国内TMS 核心痛点：每月发运500批次，20%的客户会电话问”货到哪了”——销售团队每周花大量时间查物流

诊断结果

• 物流公司的运输信息只主动在”签收”时回传——中间过程是黑箱
• 客户问物流状态时，销售需要：翻出物流单号 → 打电话问物流客服 → 得到回复后回复客户。平均耗时30分钟/次
• 运输异常（延误/货损）没有主动通知机制——往往客户先发现

AI方案

1. 物流可视化：
2. 对接物流公司API，获取GPS定位数据
3. AI在地图上实时展示每个订单的运输轨迹

4. 客户可以在系统界面上自行查询（减少销售沟通量）

5. 异常检测（Phase 1）：

6. AI自动检测：偏离路线超过10km、停留超过预定时间2小时以上

7. 异常自动触发通知给客服团队

8. 到货预测（Phase 2）：

9. AI基于当前GPS位置+历史运输时间+路况，自动计算预计到达时间
10. 到达前2小时自动通知客户：”您的货物预计14:30到达”

效果

关键经验

• 物流可视化的核心”技术”不是AI——是API对接。如果物流公司不开放API，一切AI都等于零
• 对制造业而言，监控到”异常”比追踪”正常”更有价值——延误5小时在到达前就知道，比到货那天才知道影响小得多
• 客户自助查询功能是CIO最容易忽视的”客户体验改善”——很多制造企业还在靠销售人工回复”货到哪了”，这是可以秒级解决的

§TOC5-6§

本章图表

§TOC5-7§

本章小结

仓储与物流的AI重构，相比前几章，技术难度其实是最低的。

没有复杂的预测模型、没有在线质量预测那样的深度，仓储的AI应用更多的是”优化算法”（路径优化、动态库存策略）和”自动化”（异常检测、可视化跟踪）——技术成熟度高、实施风险低、ROI可预测。

但仓储的AI有一个独特的前提：数据必须准。 如果系统里的库存和货架上的实物对不上，所有AI优化都没有意义——因为它们基于错误的数据做决策，只会放大错误。

所以，仓储的AI化第一步不是上AI，是先做好数据治理。 把条码覆盖率从80%拉到99%、把收货到过账的延迟从”班长第二天补”降到”扫码即完成”、把盘点差异消化的周期从”月末调账”变成”即时调整”。这些基础做好了，AI才有用武之地。

这些基础做好了，AI才有用武之地。

【延伸阅读】

• 《仓库管理实战指南》（刘振华）— 国内仓储管理最接地气的操作手册。书中关于”库位规划”的章节，正好是本章”库位重排作为低垂果实”的详细操作指南。
• 《库存管理：从入门到精通》（张旭）— 重点读”动态安全库存计算”和”ABC分类陷阱”两章。作者对”一刀切安全库存”的批驳和本章观点高度一致。
• 《Supply Chain Logistics Management》（Donald Bowersox）— 物流领域的经典教材。其中的”运输网络设计”和”仓储布局优化”章节，为本章的路径优化和库位优化提供了底层理论支撑。
• 「仓储数据治理：从账面不准到AI-ready的六步法」— 树懒老K·慢读经典专题— 专门面向”想做AI但库存数据不敢信”的制造企业，给出了具体的条码覆盖率提升、差异消化流程再造、盘点策略优化等实操方案。公众号回复「仓储数据」获取。

【落地工具】

动态安全库存计算器（Excel可执行）

第6章完

【决策者摘要】

财务是制造业所有业务流程的”终点站”——计划、销售、采购、生产、仓储五大流程域的数据最终全部归集到这里。但多数制造企业的财务部门还在做三件事：人工核票、月底算成本、花2-3天编报告。

本章的结论直接：财务AI化的最大收益不是”省了几个人”，而是”把决策周期从月缩短到周”。当管理层不再需要等到月中才能看到上个月的经营数据——而是在月初第3天就拿到经营分析——企业的决策节奏就变了。从”回顾一下上个月怎么样”变成”调整一下这个月的策略”。

而且财务是全书AI实施风险最低的流程域。ERP里的财务模块已经自动化了很多操作，AI做的是”把原来需要人判断的部分也自动化了”——费用审核、异常检测、报告初稿。不是从零到一，是从自动到更智能。

前面六章，我们走完了制造业流程的”前场”——计划、销售、采购、生产、仓储。但所有这五个流程域的数据，最终都要流进一个地方：财务系统。

财务在制造业中的角色很特殊——它不直接”做产品”，但它决定了企业的真实经营状况。每一个订单的利润、每一批采购的成本、每一个月的现金流——都在财务系统里汇总。

但制造业财务面临着一个结构性矛盾：财务需要”准”（数据必须先对得上才能出报表），业务需要”快”（产线不能等财务算完才开工）。

事务逻辑给这个矛盾的解决方案是：先录后审，月末归集。 先把业务做了，单据录了，系统记账了——到了月底，再做统一的对账、调整、结账。这套方案”能用”，但代价是——你只有到了月底才知道这个月赚了还是亏了。

§TOC6-1§

7.1 事务逻辑下的财务流程

7.1.1 SAP FI/CO模块架构

SAP的财务模块分为两大块：

FI（财务会计）：对外报告——资产负债表、损益表、现金流量表。核心关注的是：账做对了没有？

CO（管理会计）：对内报告——成本中心、利润中心、产品成本、盈利能力分析。核心关注的是：钱花在哪里了？

FI的核心流程：

总账会计（FI-GL）：所有业务最终归集到总账。销售开票 → 借应收贷收入；采购收货 → 借库存贷应付；费用报销 → 借费用贷现金。每一笔业务在发生时刻自动产生会计凭证，过账到总账科目。

应付账款（FI-AP）：处理供应商发票、付款、清账。采购发票校验（MIRO）产生应付 → 到期付款（F-53）→ 清账。

应收账款（FI-AR）：处理客户发票、收款、清账。销售开票（VF01）产生应收 → 客户付款（F-28）→ 清账。

资产会计（FI-AA）：固定资产的购置、折旧、报废、盘点。

CO的核心流程：

成本中心会计（CO-CCA）：各部门的成本归集——生产部花了多少人工、品质部花了多少检验费。成本中心预算、实际费用归集、差异分析。

产品成本核算（CO-PC）：每个生产工单的实际成本——材料费+人工费+制造费用分摊。月末运行成本核算（CO88/KKS2），算出每个工单的”实际单件成本”。

获利能力分析（CO-PA）：按产品、客户、渠道等维度分析利润贡献——“哪个产品最赚钱”“哪个客户最不值钱”。

从流程设计角度看，SAP FI/CO是一套极其精密的系统——每一笔业务在任何时刻都有会计凭证对应，每一分钱的流动都可以追溯到原始单据。这套体系的代价是：月末结账需要一个完整的工作周期。

7.1.2 国内ERP在财务上的优势

国内ERP在财务模块上其实比SAP更有”本土优势”：

• 金税接口原生支持：SAP开票需要经过税务接口中间件，国内ERP直接对接金税系统
• 多会计准则并行：国内会计准则+国际会计准则并行出报表，国内ERP处理得更灵活
• 费用管控：国内ERP在费用报销、预算控制上比SAP更”人性化”——手机端报销、OA审批流对接、发票自动查验

国内ERP在财务上的核心差距不是功能，而是业务财务一体化。SAP的FI/CO与PP、SD、MM模块天然集成——业务单据自动产生会计凭证。国内ERP在这个”业财一体”上普遍较弱——业务模块和财务模块在一定程度上是”各自独立”的，需要通过接口同步，经常出现”业务已经做完、财务还没记账”的脱节。

7.1.3 财务的”时间差”

财务流程中最大的敌人不是”做不对”，而是”做太慢”。

一个典型制造企业的月末时间线：

翻译成白话：你到了本月的第15天，才知道上个月经营得怎么样。 如果你做决策时需要”上个月的财务数据”，你每个月的决策周期只有下半个月——上半个月还在等上个月的数据。

§TOC6-2§

7.2 四大核心痛点

痛点一：费用报销逐单核票

费用报销是制造业财务中最”低端但耗时”的工作。

一个典型流程：员工贴票 → 部门经理审批 → 财务审核 → 出纳付款。

其中”财务审核”这个环节——核验发票真伪、检查费用是否符合制度、核对金额——是一个典型的重复劳动密集型工作。一个制造业财务审核员，一天可以处理50-80张报销单。年处理量1万张以上的企业，需要2-3个全职审核员。

问题是：这些审核工作，80%的报销单是可以自动核验的——标准费用（差旅、办公、交通）、标准金额、在预算内。只有20%需要人工判断——超标、例外、制度未覆盖。

但事务逻辑不做”分类”——它把所有的报销单放在同一个”审核队列”里，标准单和异常单站在一起排队。

痛点二：成本核算滞后

成本核算是制造业财务最复杂、最核心的工作。

逻辑链条：生产工单完成 → 实际消耗材料从库存扣除 → 实际人工记入 → 制造费用按分摊规则分配 → 算出这个工单的实际单件成本 → 和标准成本对比 → 产生差异分析。

这条链存在的最大问题是：它只能在月底跑一次。

因为SAP的物料账（Material Ledger）每月关闭后，实际成本才能算出来。平时，你看到的是”标准成本”——预先设定的、理论上的成本——而不是”实际成本”。如果实际材料价格比标准高了、或者实际工时比标准长了——你在过程中看不到。

每个月的成本核算结果出来后，财务总会发现2-3个工单的实际成本超标很多。 然后去查原因——“哦，这个订单的材料价格月底变了，没通知财务”——但已经过完一个月了。

痛点三：财务报告依赖人工编写

每月的经营分析报告，是财务部最”重”的产出之一。

流程通常是：从SAP/ERP导出数据 → 复制到Excel → 做透视表/图表 → 写文字分析（收入分析、成本分析、毛利率变化原因、现金流变化） → 做成PPT → 发给管理层。

一份月度的经营分析报告，从数据准备到文字定稿，财务经理需要2-3天。

而且内容有大量”重复性”——上个月的收入分析和这个月的写法一样，只是数字变了。每个月的”成本上升原因分析”，翻出上个月的内容改一改——因为这几个月的原因都差不多。

痛点四：预算控制刚性

“预算不够了”——这句话在制造业中代表的不是财务问题，是流程问题。

预算的控制逻辑在传统ERP中是刚性的：部门预算额度够 → 费用单过；不够 → 系统拦截。拦截后怎么办？走特批流程——填特批单 → 找上级签字 → 财务调整预算。

这套逻辑的缺陷： - 预算额度年初定，年中不调。 市场变化了一年了，预算还是那个数 - 刚性拦截导致”突击花钱”。 部门看到预算还剩，怕年底被收回，赶紧花掉 - 例外审批的全是重复的原因。 “原材料上涨超出年初预算”——每个业务部门都用这个理由特批，但财务部门每个月都批

§TOC6-3§

7.3 AI重构方案

7.3.1 四色标注分析

7.3.2 决策式AI的应用

场景一：费用异常检测

费用报销领域，决策树模型是最成熟的应用。

做法不是”看所有报销单”，而是建立”正常费用模式”基线：

• 每个员工的历史平均报销金额、频率、费用类型分布
• 异常检测按”偏离基线”来判定：
• 张三之前月均差旅费3,000元，这个月报了12,000元 → 标记
• 采购部之前没有单笔超过5,000元的招待费，这个月出现一笔18,000元的 → 标记
• 同一笔费用在同一周内被两个部门报销 → 标记（可能是重复报销）

不需要理解”这笔费用合不合理”，只需要识别”这笔费用和平时不一样”。

效果参考：异常检测系统上线后，通常能识别出2-5%的可疑费用。人工复核后，大约60-70%的标记单确实存在合规问题。剩下的30%是”虽然异常但合理”的场景（比如年度大客户维护产生的招待费突增）。

场景二：实时成本预警

在SAP标准流程中，只有月末跑完物料账才知道实际成本。

AI的做法是：在过程中持续跟踪。

逻辑很简单——当工单进行到一定阶段时，AI实时估算：

当前实际消耗材料费 + 已发生的工时成本 + 预估剩余费用分摊 = 预计最终成本

当预计最终成本 > 标准成本 × 阈值（比如110%）时，AI发出预警：”工单X-200的预计最终成本将超过标准成本的12%，主要差异来自物料Y的价格上涨。建议：1）检查是否可以用替代物料；2）销售端确认是否可以转嫁客户。”

这不是一个需要复杂模型的技术方案——只是一个实时计算，把原来”每个月末做一次的事”变成了”每天做一次”。

场景三：现金流预测

现金流对制造业来说是”血液”。一个制造业企业可能账面盈利1000万，但现金流紧张——因为钱压在库存上、压在应收账款上。

现金流预测的做法：

1. 应收预测：基于开票金额+客户付款周期+历史回款模式，预测未来30天每天的现金流入
2. 应付预测：基于到期应付发票+采购计划+付款周期，预测未来30天每天的现金流出
3. 净现金流预测：流入-流出=每日净现金流

AI的核心价值不是”算得更准”，而是’算得更细’——把现金流的预测从月度颗粒度变成日颗粒度。 对于一个年营收50亿的企业，一天的现金流波动可能达到500万——如果能提前7天知道某一天会特别紧，财务可以提前安排银行短贷或调整付款优先级。

7.3.3 生成式AI的应用

场景一：财务分析报告自动生成（辅助生成 🟡）

AI从SAP/ERP中自动抽取数据，自动生成经营分析报告初稿。

结构化的报告内容： - 收入分析：本月收入 vs 预算 vs 去年同期，Top-5增长产品和Top-5下降产品 - 毛利率分析：整体毛利率变化、各产品线的毛利率变化、主要影响因素 - 费用分析：各部门费用 vs 预算、费用类型分布、异常费用标注 - 现金流分析：现金流入/流出/余额、收付款节奏、未来30天预测

AI生成的初稿不是”万能答案”——财务经理需要审阅、调整、补充高层视角。但AI把”从0到60分”的工作做了（数据拉取+图表+文字初稿），财务经理只需要做”从60分到100分”的优化。

场景二：自然语言财务查询（辅助决策 🟡）

“上个月A产品线的毛利率是多少？” “最近3个月，哪个客户的应收账款逾期最严重？” “去年第四季度和今年第一季度的销售费用对比怎么样？”

这些查询不需要财务去IT部门提需求、等SQL查询——AI直接从财务系统获取数据，以自然语言回复。

场景三：审计底稿生成辅助（辅助生成 🟡）

AI根据当月财务数据，自动生成审计所需的部分底稿（科目余额表、账龄分析、凭证抽查清单）。不是替代审计，而是把审计准备时间缩短50%。

7.3.4 四类嵌入方式总结

§TOC6-4§

7.4 重构后流程

Before：传统财务流程

[业务发生] → [单据流转到财务]
    → [人工审核（逐单核票）] → [入账] 
    → [日常记账效率低：标准单和异常单混排] 
    → [月底：对账→成本结算→出报表]
    → [下月中：经营分析会（用上月数据）]

典型问题：80%的审核时间花在标准单上；成本数据滞后；报告依赖手工

After：AI增强的财务流程

[业务发生] → [AI自动查验+审核（标准单秒过）]
    → [异常单→AI给出建议→人确认]
    → [实时成本跟踪→偏差预警]
    → [持续对账（AI自动匹配）]
    → [月底：AI辅助结账（自动出底稿）]
    → [月初：AI自动生成分析报告初稿]
    → [月初：经营分析会（不再等2周）]

关键变化： - 费用审核从”逐单核”变成”AI审标准单+人聚焦异常” - 成本从”月底才知道”变成”过程中持续跟踪” - 报告从”手写2-3天”变成”AI生成+人审阅2-3小时” - 决策周期从月中（15号）提前到月初（3-5号）

§TOC6-5§

7.5 实操案例

案例一：某集团制造企业AI费用审计

背景

企业规模：年营收约80亿，10+家子公司，月均费用单约5000+张 使用系统：SAP ECC + OA报销系统（接口对接） 核心痛点：财务审核团队8个人，60%的工作量在发票查验和费用审核上。月底结账需要3天

诊断结果

Track A（精益净化）层面： - 报销制度：有费用标准（差旅费：一线城市500元/天，二线城市400元/天等）——但制度放在OA附件里，财务审核时要去翻 - 发票查验：每张发票手工进税局网站查——8个人×每月5000张×每张1分钟=约67人时/月

Track B（AI介入）层面： - 费用模式可建立基线——但需要先做”把制度规则化”

AI方案

1. 规则数字化：
2. 把所有费用制度转换成”可执行的规则”——差旅标准、招待费上限、办公用品目录

3. 规则的维护权限归财务部（制度变更时自己改，不需要IT）

4. AI审核流程：

5. 费用单提交时，AI首先查发票真伪（对接国家税务接口）
6. 自动验证费用类型是否符合制度
7. 验证费用金额是否在预算范围内
8. 三关都过 → 自动通过 → 进入付款队列

9. 任一项未过 → 转人工审核

10. 异常检测（Phase 2）：

11. 对通过AI审核的费用单，额外做”模式检测”
12. 识别”正常但可疑”的模式

效果

关键经验

• 费用审核的”80/20法则”非常明显——80%的标准单可以用规则处理，不需要AI模型
• 规则数字化是”最不AI的事但回报最大”——把散落在纸面和OA附件里的制度变成系统规则，比任何AI模型都更直接
• 模式检测（Phase 2）的ROI不如规则数字化（Phase 1）——先做规则数字化，再做异常检测，顺序不要错

案例二：某制造企业的AI财务分析报告

背景

企业规模：年营收约30亿，集团管控架构 使用系统：国内某主流ERP 核心痛点：财务经理每月花3天时间写经营分析报告——大部分时间花在”从不同系统取数据→做Excel图表→写文字分析”。而且10家公司子公司的报告格式不统一

诊断结果

• 财务经理每个月做报告的时间分布：40%取数据+做图、30%写文字、20%核对数据准确性、10%思考
• 取数据涉及5个Excel文件：ERP导出的收入数据、ERP导出的成本数据、人事部的薪酬数据、销售部的回款数据、财务部自己的费用数据
• 文字部分的”套话”占比高——“本月收入较上月增加X%，主要原因是Y”的句式反复出现

AI方案

1. 数据源统一：
2. 自动从5个Excel/系统拉取数据到统一的数据表

3. AI自动做数据准确性的验证

4. AI生成报告初稿（结构化模板）

5. 收入分析、成本分析、费用分析、现金流分析、利润分析

6. 每个维度的AI文字输出：”本月营业收入X万元，环比增长Y%，同比增长Z%。增长主要来自A产品线（+X万）和B区域（+Y万）。下降原因是C产品线受客户订单减少影响（-W万）。”

7. 实施路径：

8. 第1步：数据源整合（2周）
9. 第2步：报告模板设计+AI初稿生成（3周）
10. 第3步：财务经理审阅+反馈迭代（持续）

效果

关键经验

• AI财务分析报告的”最有价值”部分不是文字生成——是数据整合。把5个Excel文件的数据自动汇到一个表里，比写报告花的时间更长，而且最容易出错
• 报告模板需要财务经理自己设计——AI不能替人决定”管理层想看什么维度的分析”
• 财务经理的角色从”数据搬运工”变成了”分析师”——不再花时间调Excel，而是花时间理解数据背后的业务原因

§TOC6-6§

本章图表

§TOC6-7§

本章小结

财务是制造业流程链的”终点站”。前面六章讲的所有AI优化——更准的预测、更快的报价、更智能的排产——最终都要反映到财务数据上：毛利率提升了多少、库存周转加快了几天、现金流改善了多少。

但财务端的AI重构有一个其他流程域不具备的特点：它不是”从零到一”的变革，而是”从自动到更智能”的升级。

因为财务本身就是制造业中数字化程度最高的部门——ERP里的财务模块已经自动化了很多操作（凭证自动生成、月末自动结账、报表自动取数）。AI在财务中做的是”把原来需要人判断的部分也自动化了”——费用审核、异常检测、报告初稿。

财务AI化的最大收益不是”省了几个人”，而是”把决策周期从月缩短到周”。

当管理层不再需要等到月中才能看到上个月的经营数据——而是在月初第3天就拿到”上个月的经营分析”——企业的决策节奏就变了。从”我们回顾一下上个月怎么样”变成”我们调整一下这个月的策略”。

第8章，我们将从流程域中走出来，回到组织的层面：当AI改变了这么多流程，组织应该怎么变？CIO的角色怎么进化？实施路径怎么走？

【延伸阅读】

• 《SAP CO模块官方文档》— 产品成本核算（CO-PC）、获利能力分析（CO-PA）的完整配置与操作指南，是理解制造业成本核算体系的第一手资料。
• 《数据驱动：从方法到实践》（陈为）— 第7章涉及的数据治理（费用规则数字化、多数据源整合）在该书中有详细实操指引。
• “大数据在财务领域的应用”行业白皮书（ACCA/普华永道）— 财务共享中心、智能审计、实时财务的国际实践案例。
• 「财务AI化：从月决策到周决策」— 树懒老K·慢读经典专题— 从费用审核到报告生成的完整财务AI落地路径。公众号回复「财务AI」获取。

【落地工具】

费用审核规则数字化模板

将散落在制度文档中的费用标准转化为可自动执行的规则：

第7章完

【决策者摘要】

前六章讲完六大流程域的AI重构方案后，本章回到全局层面回答一个问题：这些AI项目在企业里怎么落地？

答案三句话：从数据成熟度开始。从单域到全链。ROI不能只算”省了多少钱”。

本章提出的数据成熟度四阶段模型（不可见→可查询→可治理→可驱动）是全书最实用的诊断工具——90%的”AI项目失败”不是因为AI不准，而是因为数据接不上。用这个模型评估一下自己站在哪个阶段，比选什么算法重要一百倍。

实施路径推荐先从P2P采购或OTC订单切入——数据基础好、业务痛感强、ROI可量化。做出效果再扩到其他域。不要同时推多条线。

理论来源：深智工坊·AI-FACTORY 四阶飞轮方法论

前面六章，我们逐个走完了制造业的六大核心流程域。每一个域里，我们都分析了：”现状长什么样”→”卡在哪”→”AI怎么改”→”改完什么样”→”真实案例怎么做”。

但六章走下来后，一个更根本的问题浮现了：

这些AI重构项目，在一个企业里怎么落地？

不是技术问题，是”顺序”和”节奏”的问题——先做哪个域？同时做还是串行？做到什么程度可以往下一个域走？人的能力跟得上吗？组织架构要不要变？

这一章，我们回到全局。

§TOC7-1§

8.1 数据成熟度：从”家底”开始

“先看数据，再谈AI。”

这是本书反复强调的一个原则。在前六章的每一个案例中，成功的AI项目都有一个共同的前提：数据是干净的、可用的、可访问的。

我习惯用一个四阶段模型来评估一个企业的”数据就绪度”：

每个企业在启动AI流程重构之前，应该对自身的”数据成熟度”做一次诚实的评估。

如果你在二阶段甚至一阶段，不要试图直接上AI——先跑Track A（精益净化）+ 数据治理。90%的”AI项目失败”不是因为AI不准，而是因为数据接不上。

§TOC7-2§

8.2 实施路径：从单域到全链

流程重构不能”八条线同时推”——那是对组织和IT资源的双重透支。我推荐分三步走：

第一步：单域切入（2-4个月）

选一个”最容易见效的域”作为切入点。

选择的三个标准： 1. 数据基础最好：ERP/WMS/MES的数据已经比较完整和干净 2. 业务痛感最明显：那个部门的人已经在叫”必须改了” 3. ROI可以量化：效果能用数字说话，做给管理层看

切入点推荐排序：

首域的产出物：一份”我做的这个项目，效果是这样的”报告，用来回答管理层最重要的两个问题——“AI到底能干吗？”和”投进去的钱多久能回来？”

第二步：跨域协同（4-8个月）

第一个域做出效果后，扩展到相邻的流程域。

推荐的扩展路径：

P2P / OTC（首域）
    │
    ├── 计划与预测（数据相通：采购数据和销售数据）
    │
    ├── 仓储与物流（执行层联动）
    │
    └── 财务（所有域的终点站）

跨域协同阶段的核心不是”再做一个AI项目”，而是建立跨域的”数据飞轮”——计划域的预测输出、采购域的供应商数据、销售域的客户数据，开始互相流动、互相增强。

第三步：全链智能（8-12个月）

当核心流程域都具备AI能力后，进入全链智能阶段。

这一阶段的目标是： - 建立统一的决策大脑：所有域的AI模型共享同一个数据底座 - 建立智能体编排：当一个域的事件触发其他域的响应时，AI自动编排流程 - 建立持续迭代机制：模型的训练、评估、上线、回滚——形成标准化流程

全链智能不是”全部做到Phase 3”——大部分节点可能停留在Phase 1-2，只有少数节点走到Phase 3。全链智能的意思是：跨域的数据和决策开始自动协同，不需要人去”传话”。

§TOC7-3§

8.3 组织架构的必然变化

AI流程重构不仅改变流程——它也改变了人的位置。

CIO/IT部门：从”系统维护者”到”业务赋能者”

制造业CIO在传统模式下的画像：管服务器、管网络、管ERP运维、处理IT工单。

AI流程重构要求CIO： - 理解业务流程——知道”采购审批慢”的根因是什么，不只是知道SAP的T-code - 对话业务部门——不只是问”你们要什么需求”，而是告诉业务部门”AI可以在你这里做什么改变” - 管理数据资产——数据不是IT部门的资产，是企业的资产

8.2节的三步路径，每个阶段CIO的角色是不一样的：

流程Owner的角色进化

每个流程域需要有一个”流程Owner”——这个人不是来看流程图审阅的，而是对流程的绩效负责的。

AI重构后的流程Owner，和传统模式下的流程Owner是不同的物种：

两条不能跳过的线

任何AI流程重构项目，组织中都有两条”线”不能绕过：

IT线：数据接入、系统接口、权限管控、安全合规。没有IT的支持，AI项目在制造业中寸步难行。

变革线：人必须理解”为什么流程变了”。不是发一个通知说”从下周开始用新系统”就行——人的抵制是AI项目失败的最常见原因，不是因为AI不好用，而是因为”我不知道为什么改”。

§TOC7-4§

8.4 评估：AI重构的ROI怎么算

这是CIO最常被问到的问题——“投这个AI项目，能省多少钱？”

问的是💰，答的时候不能只算💰。

AI重构的收益有三个层次：

第一层：效率收益（直接可量化）

第二层：业务收益（间接可量化，需要业务部门配合）

第三层：战略收益（难以量化但影响最大）

• 决策节奏的变化：从”月中出上月数据”变成”月初出上月数据”——多出来的10天可以用来调整这个月的策略
• 经验沉淀：老师傅的参数经验不再是”在他脑子里”——变成了系统里可复用的模型
• 人才吸引：能用AI的工厂，比不能用的工厂，对年轻人才的吸引力完全不同

在向管理层汇报时，三个层次的收益都要呈现——只算第一层的省钱，容易被说”这点钱还不如不花”。加上第二层的业务收益和第三层的战略收益，管理层才能理解”为什么必须做”。

§TOC7-5§

8.5 四阶飞轮模型

理论来源：深智工坊·AI-FACTORY方法论

前面讲了实施路径、组织变化、ROI评估。把这些串起来的，是一个”飞轮”模型。

    诊 · 看清起点（Readiness）
        ↓
    定 · 校准方向（StratNav）
        ↓
    绘 · 设计蓝图（Blueprint）
        ↓
    执 · 作战落地（WarRoom）
        ↓
    （执行结果反馈回来 → 重新诊）

这不是一个”做完了结束”的线性路径。它是一个闭环——你在执行中发现问题，回到起点重新诊断，飞轮越转越快。

这就是AI流程重构与传统咨询最根本的区别。传统咨询的模式是：3-6个月出报告→交付→结束。AI流程重构的模式是：快速切入一个域→做出来→验证→扩大→持续迭代。

本书的方法论和工具模板，已整合为可执行的技能体系。扫描文末二维码可获取完整资源包。

§TOC7-6§

本章小结

这一章没有讲任何新的AI应用——因为AI在前六章已经讲完了。这一章讲的是：怎么落地。

三个核心观点：

第一，从数据成熟度开始。 没有数据，一切AI都是空谈。先诚实地评估自己站在哪个阶段，再决定下一步做什么。

第二，从单域到全链。 不要同时推多条线，选最容易见效的一个域先做出效果。效果是最好的说服力。

第三，ROI不能只算”省了多少钱”。 效率收益、业务收益、战略收益——三个层次都要呈现给管理层。

第9章，我们将从”怎么落地”再往前跨一步——已经落地了AI的企业，流程下一步会走向哪里？

【延伸阅读】

• 《丰田生产方式》（大野耐一）— 精益生产的源头思想，对应Track A精益净化的理论根基。
• 《数据战略：如何从数据中创造价值》（Bernard Marr）— 数据成熟度评估和组织级数据能力建设的国际参考框架。
• McKinsey Global Institute “The State of AI in Manufacturing 2024”— AI在制造业落地的全球调研数据、最佳实践和常见失败原因。
• 「AI项目ROI：三层收益模型」— 树懒老K·慢读经典专题— 效率收益、业务收益、战略收益的完整测算框架和汇报模板。公众号回复「AI收益」获取。

【落地工具】

数据成熟度自评表

第8章完

【决策者摘要】

这一章是全书收束。不讲技术、不讲案例、不讲方法论细节——只回答一个问题：AI重构了流程之后，制造业会变成什么样？

答案是四个字：实时企业。流程节奏从”天级”变成”分钟级”，AI从”工具”变成”流程参与者”，决策驱动从”人在系统里提交单据”变成”事件触发AI处理”。这不是科幻，已经有人在试点——有企业用AI Agent处理了80%的采购订单确认。

但本章最重要的不是预测未来，而是让每个读者带走一个审视框架：不是每个流程都值得用AI。但每个流程都该被审视——它创造了什么价值？它消耗了什么资源？如果明天砍掉它，谁会第一个发现？

在写这本书的过程中，有一个画面一直在我脑子里挥之不去：

一个工厂的计划室里，有一面白板。白板上挂着一个手写的月度排产表，格子边上贴满了便利贴。排产员老张每天早上提前半小时到岗，把那面白板上的任务一个个再过一遍，在脑子里”排一排顺序”。下午四点，他会更新格子里数字——昨天做了多少、今天到料了什么、明天哪个设备空了。

这面白板，承载了一家制造企业”计划”这个流程的全部。

我看着它，想的不是”AI能不能帮老张更高效地排产”——这件事前几章已经讲透了。我想的是：十年之后，这个房间里还会有一面白板吗？

§TOC8-1§

9.1 当AI Agent成为流程参与者

到目前为止，本书讲的AI应用，AI的角色都是工具——人发起流程、AI辅助或执行其中某些节点、人做最终决策。

但这只是AI能力往流程里嵌入的”第一阶段”。

第二阶段：AI不再只是”辅助节点的工具”，而是流程的一个参与者。

想象一个场景：

AI Agent监测到某客户已经逾期45天未付款。它没有等人下指令——而是： 1. 自动检查该客户的信用记录和最近订单状态 2. 如果判断需要”停货催款”→自动通知销售主管：”客户A已逾期45天，建议暂停发货” 3. 如果判断”客户是长期合作且这次超期原因是系统对账延迟”→自动触发一个对账确认请求给客户

这个Agent不是替代销售主管做决策——它是在权限范围内做事。 超出权限的（比如停货），它通知人。在权限内的（比如发对账请求），它自动完成。

Agent参与流程和”自动化流程”的区别在于：Agent能判断，而不仅仅是”按规则执行”。

这不是未来——已经有一些企业在试点。开普敦的一家制造企业用AI Agent处理80%的采购订单确认：Agent自动检查PO→供应商确认→交期校验→入系统。只有校验不通过时，才转人。

§TOC8-2§

9.2 实时企业：当决策以分钟为单位

传统ERP的流程节奏是”天级”的——每天跑一次MRP、每周一次产销协调会、每月一次S&OP。这个节奏在市场需求稳定的时候够用。

但在需求波动的环境下——客户今天下单下周就要货、供应商的原材料价格每周变一次——“天级”的决策节奏已经不够了。

实时企业的流程节奏是”小时级”甚至”分钟级”的：

• 客户下单时→系统实时校验信用+产能+物料→秒级出交期承诺（人不需要介入）
• 产线出现异常时→AI在30秒内诊断原因+建议处理方案→操作员确认
• 供应商价格变化时→AI自动更新采购价格表→超出阈值才通知采购员

这个转变的本质是：流程的驱动方式，从”人在系统里提交单据”变成”事件触发AI处理”。

传统SAP模式是”人先把单子做了，系统跑出结果通知人”。实时企业的模式是”事件发生→AI先判断能不能自动处理→不能自动的才交给人类”。

这不是说”人不再重要”——人不再做”重复判断”的事，而是做”例外判断”和”策略制定”的事。

§TOC8-3§

9.3 流程的双轨归宿

本书第1章提出的双轨优化模型——Track A（精益净化）+ Track B（智能重构）——不应该只是”一次性的项目方法论”。

它应该成为企业流程管理的永久机制。

这句话的意思是：

Track A常态化：企业应该建立一个持续的流程审计机制——每季度/每半年做一次流程浪费识别，检查有没有新增的无效审批、有没有信息搬运的浪费、有没有流程节点已经不再创造价值。

Track B迭代化：每个域的AI模型不是”部署完就结束了”——数据会变、业务会变、模型会衰减。需要建立持续的模型监控和迭代机制。

不是所有的流程都需要走到Phase 3。有些流程（比如MRO采购）Phase 1就够了。有些流程（比如在线质量预测）走不到Phase 3是因为数据基础不够——那就先停在Phase 2，等数据基础好了再升级。

双轨的归宿是：精益净化融入日常管理，智能重构成为持续能力。

§TOC8-4§

9.4 制造业的终局想象：从”流程”到”能力”

这本书叫做《流程智能》。全书讲了九章——六章讲流程、三章讲方法论。但我想用最后这几句话把这个概念再推远一步：

流程不是目的。

当你说”我们有一个高效的P2P流程”——这本身不是企业竞争力的来源。流程的最终目的不是”更快地走完审批”，而是更快地制造出客户要的东西。

AI重构流程的最大价值，不是”把采购周期从12天降到5天”（尽管这个数据好看）。是把”快速响应客户需求”变成这家企业的一种能力。

流程可以被复制（任何一个公司都可以学SAP的参数配置），但”快速响应客户需求的能力”不能。能力的底层，是数据+AI+组织+流程的有机融合——这四者缺一不可。

如果这本书能给制造业读者留下一个东西，我希望是这句话：

不是每个流程都值得用AI。但每个流程都应该被审视——它创造了什么价值？它消耗了什么资源？如果明天砍掉它，谁会第一个发现？

§TOC8-5§

本章小结

核心观点一：AI的角色正从”工具”进化为”流程参与者”。 第一阶段的AI是流程节点中的辅助工具。第二阶段，AI Agent能在权限范围内自主判断、自动执行——这不是未来，已在部分制造企业试点。

核心观点二：”天级”决策节奏正在被”分钟级”取代。 传统ERP的流程节奏建立在”天级”假设上。实时企业的流程驱动方式从”人在系统里提交单据”变成”事件触发AI处理”。

核心观点三：双轨优化模型应从”一次性项目方法论”进化为”永久管理机制”。 Track A常态化做季度流程审计，Track B迭代化持续监控模型效果。

核心观点四：流程的终局不是”更高效的流程”，而是”独特的企业能力”。 流程可以被复制，但”快速响应客户需求的能力”不能复制。

核心观点五：不是每个流程都值得用AI，但每个流程都该被审视。 面对任何一个流程节点，问三个问题：它创造了什么价值？它消耗了什么资源？如果明天砍掉它，谁会第一个发现？

收束：AI不是制造业流程的替代者，而是让流程从”事务驱动”走向”能力驱动”的催化剂。

【延伸阅读】

• 《精益思想》（Womack & Jones）— 精益思想在数字时代的演进路径，对应本章”双轨常态化”和”流程审计”的思考源头。
• 《智能时代》（吴军）— 大数据+AI对产业格局的根本性改写，帮助理解”实时企业”和”分钟级决策”背后的产业逻辑。
• 《人机共生》（Davenport & Kirby）— 讨论AI时代人类工作的重新定义，对应本章”人不再做重复判断”的观点。
• 「从流程到能力：制造业AI化的终局想象」— 树懒老K·慢读经典专题— 对制造业终局形态的延伸思考，涵盖组织进化、人才能力重构和商业模式转型。公众号回复「终局想象」获取。

【落地工具】

流程节点价值评估三问

面对任何一个流程节点，用三个问题判断它值不值得用AI：

1. 价值：这个节点创造了什么价值？（不是”走了什么流程”，是”如果不做这个节点，客户会发现吗？”）
2. 成本：它消耗了什么资源？（人力、时间、系统资源——不只是”花了多少钱”）
3. 替代性：如果明天砍掉它，谁会第一个发现？（没人发现→这个节点可能已经不再需要）

这”三问”不是AI选型的工具，是流程审视的工具。用得好的话，你会发现：很多流程节点不需要AI，它们需要的是被取消。

第9章完

§TOC9-1§

SAP事务码速查手册

§TOC9-2§

AI术语速查（面向非技术背景CIO）

§TOC9-3§

推荐阅读

• APQC Process Classification Framework (PCF) — 流程分类框架的官方文档，适用于理解完整的流程体系架构
• 《丰田生产方式》（大野耐一） — 精益生产的核心思想，对应本书Track A精益净化的理论源头（尤其是ECRS法和七大浪费）
• 《SAP MM/SD/PP/FI/CO模块官方文档》 — 各模块的事务码操作和业务流程配置的权威参考
• 麦肯锡全球AI转型调研报告（2023/2024） — 制造业AI应用的最新数据和行业趋势
• Gartner “AI in Manufacturing” 系列报告 — 技术趋势和市场分析
• 《数据驱动：从方法到实践》（陈为） — 数据处理和数据治理的实操指南

本书涉及的专业术语、方法论名称、核心概念和缩写词。按拼音/字母排序。

附录B完

本书的全部方法框架、流程模板、双轨优化决策指南、案例模板，可在配套网站获取可编辑版本。

§TOC11-1§

可下载资源清单

附录C完