因为大部分时间不在建模，在改代码和等数据。Gartner 在 2023 年 11 月的《供应链计划技术趋势》里写道：这类项目的收益往往要等到实施完成、流程稳定之后才体现，平均实施周期约 1.1 年，也就是大约 13 个月。积兆的项目经验是，从 Excel 走到第一版 AI 优化计划，最快 6 周能看到效果。差出来的部分，主要在两件事上。
时间都花在哪了
一个典型的长周期项目，大致这样消耗时间：
| 阶段 | 常见做法 | 为什么慢 |
|---|---|---|
| 数据准备 | 等主数据治理做完再启动 | 治理是长期工程，永远「还没准备好」 |
| 需求梳理 | 把全公司的规则和例外收集全 | 范围不断膨胀，边界始终画不完 |
| 模型开发 | 每条特殊规则都要二次开发 | 改表结构、写代码、测试、上线，一条规则几周 |
| 验证 | 拿新系统和旧流程并行跑 | 结果对不上时，要人工找出是哪条规则漏了 |
| 推广 | 新工厂、新产线再走一遍 | 每个行业、每条线一套独立数据结构 |
第三行和第五行是主要成本。规则进代码，就意味着每条新规则都是一次开发；数据结构按行业定死，就意味着每进一个行业都是一次重构。
两处可以切短
第一处：数据治理和优化并行，不要串行。
不必等数据治理完善再启动供应链优化。数据质量问题确实存在，但它不构成启动的前置条件。排产真正需要的是产线、产品、工艺路线、换产、工装这几类对象，范围比「全公司主数据」小得多。治理和优化并行推进，边用边补，比等一个「干净的数据集」现实。
第二处：规则进配置，不进代码。
这是周期差别的技术根源。在本体模型里，新增一条换产规则或替代关系，是在图谱中增加一条关系，而不是修改代码或表结构。同样一条规则：
- 进代码：提需求 → 排期 → 开发 → 测试 → 上线，周级
- 进配置：业务人员在图谱上加一条带条件的边，当天生效
规则越特殊、越多的工厂，这个差别被放大得越厉害。
一个 6 周的切法
- 只建模和当前排产有关的对象：产线、产品、工艺路线、换产、工装。不追求覆盖全公司。
- 先套行业模板，再补企业特有规则：复用装备制造、电子组装、食品饮料等行业已沉淀的实体、关系与规则结构，把老师傅脑子里那些条件式知识显式化。
- 用历史计划回放做验证：拿过去几个月的人工计划跑一遍，看模型推出的约束和当时的实际决定差在哪。差出来的地方就是还没写进去的隐性知识。这一步替代了漫长的并行试运行。
- 新工厂、新产线在本体里注册：让它和现有网络连上，而不是再开一个项目。
从排产场景切入并复用行业模板时，第一版模型通常数周可以完成，然后随业务生长，而不是一次性的大型建模项目。
数据接入这一步也不重：导入 Excel、对接 ERP，或直接连到业务系统。很多工厂的第一版就是从一份 Excel 排产表开始的。
最后一个提醒：别把周期当成唯一指标
Gartner 那句话里还有前半段：收益要等到实施完成、流程稳定之后才体现。反过来说，一个 6 周上线的第一版模型，衡量它的标准应该是「约束有没有算全、计划员愿不愿意用」，而不是「功能全不全」。
第一版只需要覆盖当前排产场景。它会长大，但起点必须小。
