一家大型饮料制造商曾经每周重新排产 10 至 15 次。
设备降速、临时插单、原料延迟、清洗要求改变，任何一个变量都可能让原计划失效。每次变化，都要重新召集工厂经理、工程人员和运营团队，用表格、经验和会议拼出下一版方案。
今年 6 月，Microsoft 发布的一则客户案例披露：Sight Machine 将实时工厂数据、自然语言描述和数学优化模型结合后，这家制造商将非增值生产时间减少了 75%，产能提升超过 5%，且没有扩建生产设施；换产停机时间降低近 80%，爬坡延迟减少近 60%，原位清洗停机时间减少近 90%。
这些数字很容易让人把注意力放在模型或算法上。但对正在评估企业级 AI 的管理者而言，更值得关注的信号是：
AI 正在降低“把复杂业务约束准确交给计算系统”的成本。
这可能比生成一份更快的排产表更重要。
很多企业缺的不是数据，而是可计算的现场知识
传统优化技术并不新。生产排程、物流路径、人员配置和库存分配，长期都有成熟的数学工具。真正阻碍它们广泛进入业务现场的，往往是问题建模成本。
现实中的规则很少整齐地写在一个系统里：
其中一部分存在于 MES、ERP、设备或质量系统中，另一部分则存在于会议、表格和资深员工的判断里。
这也是为什么不少企业已经“有数据”，却仍然只能靠少数专家反复协调：数据能够描述发生了什么，却没有完整表达业务允许什么、禁止什么、优先什么，以及例外发生时应该牺牲什么。
Sight Machine 案例采用的 OptiMind，能够把自然语言描述转换成混合整数规划代码，再结合每个 SKU 的产线速度、换产时间、爬坡时间和实时生产状态生成方案。NIST 在今年 7 月更新的一项制造业人机协作研究也在探索相似方向：由生成式 AI 访谈业务人员，把生产排程问题转成约束优化语言，以降低复杂工具的使用门槛。
共同变化并不是“大模型替代优化算法”，而是自然语言开始成为业务经验与严谨计算之间的接口。
- 某类产品切换后必须增加清洗时间；
- 某条产线在特定规格下的实际速度低于设备标称值；
- 某位操作员能够处理一种罕见异常；
- 一张高优先级订单可以插单，但不能破坏随后两批产品的交付承诺；
- 看似空闲的设备，实际上正等待质检放行或维护确认。
先建设“约束账本”，再谈自动排产
如果企业只把现有 SOP 和历史数据接入模型，很可能得到一套看似合理、现场却无法执行的计划。更稳妥的起点，是为一个高频经营问题建立持续更新的约束账本。
每条约束至少应回答五件事：
这样做不是为了把所有经验一次性文档化，而是让 AI 每次提出方案时，都能说明使用了哪些事实和约束；现场人员否决方案时，也能把新的例外沉淀为可复用规则。
约束账本因此不是静态知识库，而是一套随生产反馈不断修正的经营模型。
- 规则是什么：例如产品 A 转产品 B 必须完成哪种清洗。
- 依据来自哪里：法规、质量标准、设备限制、客户承诺，还是现场经验。
- 适用条件是什么：产线、产品、班次、订单类型及有效期。
- 违反后果是什么：质量风险、安全风险、交付延误或成本增加。
- 谁能修改或豁免：明确规则所有者、审批人和变更记录。
评价 AI 排产，不能只看“算得多快”
排产时间从数小时缩短到数分钟固然有价值，但速度并不等于方案可执行。企业至少还应同时观察四类指标：
还要单独记录人工否决原因。否决不是简单的“人不接受 AI”，它可能意味着数据失真、约束遗漏、目标权重错误，或模型发现了组织过去没有显性讨论的取舍。
- 约束完整率：关键安全、质量、交付和资源限制是否进入模型；
- 首版可执行率：系统给出的方案有多少无需重大人工重排即可执行；
- 例外吸收周期：现场发现的新约束需要多久才能进入下一轮计算；
- 经营结果：换产损失、停机时间、准时交付、产能、质量与能源成本是否真实改善。
最适合启动的，不一定是最复杂的工厂
企业可以先寻找这样一个场景：变化频繁、跨部门协调成本高、规则大量依赖专家经验，同时结果能够用产能、时间、质量或成本直接衡量。
选定一条产线、一个产品族或一个排程周期后，先让系统生成备选方案和解释，由计划员确认执行；连续记录每次调整、否决和实际结果，再决定是否扩大自动触发范围。
这里的目标不是尽快取消人工会议，而是逐步减少那些只为重新拼接信息而召开的会议，把人的时间留给真正需要权衡的异常。
需要注意的是，Microsoft 页面披露的数据来自供应商与客户合作案例，且客户未具名，不能直接外推到其他工厂。不同企业的数据基础、产品复杂度、设备状态和约束质量都会显著影响结果。未来由 Agent 持续自动调整排程，在该案例中也仍被描述为探索方向，而不是已经全面运行的能力。
但它揭示的方向已经足够清楚：企业 AI 的下一批高价值场景，不一定来自模型“知道更多”，而可能来自组织第一次能够把长期散落在人、系统和现场里的约束，变成共同理解、持续验证并快速计算的经营资产。
当企业具备这种能力，AI 带来的就不只是一张更快的计划表，而是一套面对变化时更快形成可执行选择的机制。
