积兆科技 Convect AI

把 AI 用进计划,不是多装几个助手

计划员的日子往往没变,是因为多装一个助手并没有改变计划怎么流转。要起作用,得让 AI 进入感知、理解、决策、改进这四个连着转的环节。

2026年11月17日6 分钟阅读积兆科技

把 AI 用进计划,不是多装几个助手

AI 正在进入企业的决策流程。在计划排产领域,企业做了各种尝试。有的在 ERP 旁边接了个对话框,有的买了预测插件,有的让 IT 写了几个自动化脚本。但一年下来回头看,计划员的日子没怎么变:异常还是靠人发现,影响还是靠人去查,方案还是在 Excel 里试算,最后拍板还是开会。

原因不在 AI 不够聪明,而在于怎样使用。多装一个智能体工具,只是多了一个要人去点的入口,但计划本身怎么编排流转,一点也没有改变。

要让 AI 起到作用,需要让它进入到计划的运转里去。这个运转有四个环节:感知、理解、决策、改进。四个环节循环连着转,转完一圈再转下一圈。

问题的卡点

举一个场景,一家电机厂,关键驱动芯片的供应商发来通知,下一批货要推迟 5 天才发出。

消息本身很简单,收到一封邮件,在PO系统里修改一个到货日期。可它后面拖着一串问题:这批芯片要用在哪几张工单上?这些工单对应哪些订单,哪几张的交期将被迫推迟?有没有替代料,够几天用,要不要走工程变更?不换料的话,能不能把用不到这颗芯片的订单往前挪,把空出来的产线时间填上?挪了以后换型次数会不会变多,会不会连累另一条线?

多数企业已经把物料到货日期系统化,但是缺的是把它跟工单、订单、产线、替代关系连起来的机制。于是采购员告诉计划员,计划员去翻 BOM、查订单、拉表试算,一圈下来半天到一天。等查完,第二条变化又来了。

感知:先听见

计划要响应的变化,一部分在系统里,例如订单变更、库存变化、到货延期、设备报工。另一部分在系统外,它可能是供应商的一条微信信息,或者客户的一个电话。

积兆平台上,需求感知智能体持续观察销售数据和外部信号,异常响应智能体监听执行层的事件,比如设备故障、物料延迟、紧急插单,都能及时感知。

具体落地时,对于实时感知,需要循序渐进地落实。先用定时同步甚至手工录入事件的方式,让后面的理解和决策先跑起来,使智能体先发挥价值,再进一步追求对环境的实时感知和全自动响应。

理解:同一条消息,在两个厂意思不一样

同样是「芯片晚到 5 天」,放在两个厂里,意味的事情完全不同。一个厂有现成的替代料,换一下就可以继续。另一个厂这颗芯片是定制的,没得替代,但它手上的订单有一半根本用不到这颗芯片,可以挪一挪订单的生产顺序把产能消化掉。

通用的 AI 解决不了这个问题。大模型能看懂那封邮件写了什么,可它不知道你这个厂的 BOM、工艺路线、替代关系、产线能力、客户优先级。这套东西每个厂都不一样。

积兆用 Contour 本体模型来装这一层。产品、物料、产线、工单、订单、客户是实体,「这颗芯片用在哪些产品上」「这条线能做哪些型号」「这个客户的交期能不能动」是关系和规则。有了这一层,一条到货延期进来,系统能顺着关系自己走下去,找到受影响的工单、订单,以及可选的应对空间,不用把问题扔回给人。

换行业的时候要换的也是这一层。电机厂和食品厂的求解方法可以是同一套,本体完全不同:一个关心替代料和换型,一个关心保质期和清洗换产。

决策:几个方案摆在一起比较

知道了影响范围,下一步是拿主意。这一步最常见的问题,是想得出一个办法,或者想出三个但没法放在一起比。

积兆把决策判断交给运筹优化引擎。它在计划副本上把几条路分别算一遍:换替代料、调整工单顺序、某条线加班、或者干脆接受部分订单延期。每条路都算同样几项指标,延期订单数、涉及哪些客户、产能利用、额外成本,摆在一张表里。

引擎算的是满足全部约束下的最优解,跟「看起来合理」是两回事。规模一大,差别就很明显。在实际的部署中,引擎能在几分钟内完成上千万个方案的计算和比较。

大模型在这一步也有位置,但位置要放对。它负责听懂计划员在问什么,组织追溯过程,把对比表讲成一段人话。所有数字都来自引擎和本体,不由它生成。

改进:这一步最容易被跳过

前三步做好了,系统能快速响应。可如果每次异常处理完就结束了,系统一年以后跟第一天一样聪明。

积兆把每一次决策都留下了记录:感知到什么事件,怎么推理的,调了哪些优化任务,给了哪几个方案,人最后选了哪个,执行完结果怎么样。

这些记录有三个用处。

一是回放。事后能复盘:当时要是选了另一个方案,结果会不会更好。

二是调边界。哪类建议计划员每次都照批,说明判断标准已经清楚了,可以放宽自动执行的阈值。哪类建议每次都被改,说明本体里还缺一条规则,该去补模型,不是调参数。

三是学偏好。智能体从人的选择里学,推上来的建议会越来越接近计划员本来会选的那一个。

这一步决定了 AI 一年以后是团队的一部分,还是又一个没人打开的系统。

别让四个环节各干各的

在传统软件中,有个容易走偏的地方,就是把这四种能力分散做在不同应用里。预测一套,主计划一套,车间排程一套,异常处理再一套,每套各接各的数据,各有各的模型。结果是每个应用都智能,合起来却对不上,预测说要多备货,主计划说产能不够,排程说物料不齐,最后还是开会对数。

积兆的三层架构是反过来的。Contour 本体是共用的一层,运筹优化引擎是共用的一层,智能体在这两层上面工作。几个智能体看的是同一份工厂模型,遵守同一套约束,追求同一组目标。协同智能体去检查采购和物流能不能配合时,用的就是排产智能体刚算出来的那个方案。

各自为政的智能体,只是把部门墙从人和人之间,搬到了系统和系统之间。

人在哪里

四个环节连着运转,不等于没有人。人的位置从「试算每一个决定」挪到「定规则、做关键决定、教系统」。

边界由企业自己配,按影响金额、涉及订单数、客户等级设阈值,阈值内自动执行、事后报告,阈值外推送审批。花钱的、动别人安排的、对外承诺的,这三类动作我们建议一直留给人,自动执行的动作都能回滚。

这么一分,日常重排、齐套检查、交期风险扫描这些占计划员大半天的活交给了系统,人把时间放在真要判断力的事上:跟销售谈交期,跟供应商谈加急,决定这周优先保哪个客户。

想看看这套循环在你的工厂里怎么跑,可以预约技术交流:convect.cn/contact

技术架构总览:convect.cn/technology | AI 智能体:convect.cn/technology/agents | Contour 本体建模:convect.cn/technology/ontology