排产是离散制造最经典的难题之一：订单多品种小批量、设备状态时刻在变、插单随时发生。过去两年，越来越多工厂开始尝试用人工智能做排产，希望在有限产能里挤出更高的设备利用率。但真正落地过的团队都有一个共同体会：算法不是瓶颈，数据才是。
一套AI排产系统要工作，首先得知道每台设备此刻的真实状态——在干什么、干到哪、还能不能干。这些信息分散在MES、ERP和设备层之间。西门子的MES体系在流程行业应用成熟，但离散车间的数据颗粒度要求更细：工单到工序、工序到工位，任何一级数据断了，排产结果就会失真。罗克韦尔在汽车零部件行业的实践也表明，排产项目八成的工作量花在数据治理上。
设备层数据的采集是最容易被低估的环节。很多老旧设备没有数据接口，需要通过传感器和网关补齐。图尔克的IO-Link主站和传感器可以在不改PLC程序的前提下把阀位、行程、计数信号引出来；巴鲁夫的位置与识别传感器则能确认工件是否真的到了工位——排产系统最怕的就是计划里的工件实际上没到位。这些看似不起眼的信号，恰恰是AI排产的底座。
一个可以参照的量化对比：某汽车零部件工厂在补齐工序级数据之前，AI排产方案的设备利用率提升不足三个百分点；把三十多台老旧设备的状态信号接入之后，同一套算法的提升幅度翻了一倍还多。差别不在模型，而在计划能否贴合设备的真实能力。反过来，数据缺口的代价也很直接——某次大件加工按理论工时排程，实际装夹时间超出一倍，整周计划作废，车间只能退回手工调度。这说明排产项目的投入重点，应放在数据补齐与信号接入上。
数据打通之后，还有组织层面的坎。AI给出的排产方案经常与老师傅的经验冲突：算法追求全局最优，师傅更在意换型次数和现场风险。落地较好的工厂普遍采用人机协同模式——AI先出初版计划，调度员在可视化界面上微调并反馈理由，系统据此持续修正约束条件。三到六个月之后，AI方案的采纳率通常会明显上升，因为约束条件越来越贴近现场。
给准备上AI排产的工厂三点建议：先把工序级数据补齐再谈算法选型；从一条产线或一个车间做起，验证周期控制在三个月内；把调度员的反馈机制设计进系统，而不是上完系统再补。排产智能化的价值不在替代人，而在让每一次排程决策都有据可依。
