我曾協助一家具有多品項、多通路及多階段生產流程的中小企業盤點 AI 生產排程需求。經過多輪訪談後才發現，企業原本提出的「自動排程」，實際包含需求預測、庫存管理、物料換算、有限產能排程、進度提醒與例外處理等多個問題。為保護企業，本文已模糊處理公司、產業、產品、系統、設備、參數及營運數字，只保留可供其他企業參考的導入方法。
AI 生產排程的導入關鍵，在於先釐清需求預測、庫存政策與生產排程的差異，再將現場經驗轉化為資料、限制條件、取捨原則與例外處理方式，最後選擇適合的系統與演算法。
企業說的「AI 自動排程」，可能混合了七八個不同任務
企業提出的「AI 自動排程」通常同時包含需求預測、庫存計算、缺料檢查、物料換算、生產排序、進度提醒與系統操作。不同任務需要不同資料與技術，必須先拆題才能設計。
需求訪談初期，企業常用一句「希望 AI 自動幫我排」描述目標。深入追問後，使用者可能期待系統先查庫存、計算要補多少、回推原物料、安排前後工序、分配設備與人力、追蹤外部供應商，最後還要操作既有系統。若把全部期待塞進同一個模型，需求範圍會失控，也無法判斷失敗發生在哪一層。
| 企業表面需求 | 實際要拆出的任務 | 可能使用的方法 |
|---|---|---|
| 告訴我該做多少 | 需求預測、庫存政策、補貨判斷 | 統計模型、機器學習、規則 |
| 告訴我先做哪個 | 有限資源排序與最佳化 | 作業研究、APS、求解器 |
| 缺料或延誤時提醒我 | 狀態監控與事件觸發 | 資料串接、規則引擎、自動化 |
| 臨時插單後自動調整 | 影響分析、重排與人工核准 | 情境模擬、人機協作 |
需求預測、庫存政策與生產排程不是同一個問題
需求預測回答未來可能需要多少，庫存政策決定現在應該備多少，生產排程則安排有限資源下何時先做哪一項。三者會互相影響，但不能被當成單一 AI 任務。
需求預測主要處理不確定性，例如季節、促銷或不同訂單來源造成的波動；庫存政策則在缺貨風險、保存期限、持有成本與服務水準之間取捨；生產排程最後才把確定需求與補貨需求放入有限的設備、人力、物料、空間及交期條件中。若企業尚未區分三個問題，就很容易拿實際出貨量當成真實需求，或要求排程系統補救原本應由庫存政策處理的短交期訂單。
| 子問題 | 核心提問 | 主要輸入 | 主要輸出 |
|---|---|---|---|
| 需求預測 | 未來可能需要多少？ | 歷史需求、季節、活動與商品特徵 | 需求量或情境區間 |
| 庫存政策 | 現在應該備多少？ | 需求分布、補貨時間與缺貨／持有成本 | 安全庫存與補貨觸發點 |
| 生產排程 | 何時先做哪一項？ | 訂單、庫存、設備、人力、物料與限制 | 可執行的日期、順序與資源配置 |
ERP 有資料，為什麼仍不能直接產生可執行排程？
企業資源規劃系統的帳面資料不一定代表現場可立即使用的庫存、設備、人力與物料狀態。缺少即時執行資訊時，AI 可能產生數學上合理、現場卻無法執行的排程。
企業資源規劃系統（Enterprise Resource Planning，ERP）適合管理訂單、採購、庫存與財務等營運資料；製造執行系統（Manufacturing Execution System，MES）則較接近設備狀態、工單進度、物料是否到位及人員可用性。AI 排程若只看到 ERP 的計畫資料，可能不知道物料正在運送、成品已預留但尚未扣帳，或某台設備暫時不能使用。Parsec 指出，可靠排程需要設備、人力、物料、工單進度與換線績效等現場資料，規劃人員仍需調整權重、優先序與限制（Parsec，日期不明）。
| 系統 | 用一句話理解 | 主要回答的問題 |
|---|---|---|
| ERP | 管理企業「計畫與帳務」 | 接了哪些訂單、買了多少、帳上還有多少？ |
| MES | 掌握工廠「現場執行」 | 現在做到哪裡、設備能不能用、物料是否到位？ |
| APS | 計算有限資源下的「生產安排」 | 在交期與限制下，何時、在哪裡、先做哪一項？ |
簡單來說，ERP 告訴企業「原本打算做什麼」，MES 補上「現場實際發生什麼」，先進規劃與排程系統（Advanced Planning and Scheduling，APS）則根據兩邊資料計算「接下來怎麼排」。小企業不一定要一次買齊三套系統，但必須有人或工具補上缺少的現場資訊。
| 帳面資料 | 排程還需要確認的現場狀態 |
|---|---|
| 庫存數量 | 所在位置、是否已預留、是否可用、是否在製或運送中 |
| 設備清單 | 即時可用狀態、維護時段、相容產品與實際產能 |
| 人員名單 | 班別、請假、技能資格與同時可負責的工作 |
| 標準工時 | 實際工時、等待時間、換線時間與異常延誤 |
小型企業的 AI 生產排程最小可行方案是什麼？
小型企業第一版只要整合單一範圍的訂單與可用庫存，建立缺料警示、優先順序建議及人工覆核紀錄。第一版不需要自動控制設備，也不必一次處理所有產線與例外。
最小可行方案（Minimum Viable Product，MVP）的目標不是立即算出全廠最佳排程，而是先讓生管人員少花時間查資料，並讓排序依據可以被看見、討論與修正。適合的試行範圍可以是一組產品、一條產線，或一種每天反覆發生的缺料與補貨判斷。
| 第一版要做 | 第一版先不做 |
|---|---|
| 每天匯入訂單、可用庫存與已排工作 | 即時控制機台或自動下達工單 |
| 標示缺料、交期風險與資料缺漏 | 涵蓋全公司所有產品、產線與倉庫 |
| 依三至五條明確規則提出優先順序 | 處理所有插單、故障與人員異常 |
| 由生管接受、調整或退回建議並留下理由 | 承諾 AI 產生的就是全域最佳解 |
第一版可只用既有 ERP 匯出檔、試算表與簡單程式建立每日排程建議表。建議至少輸出四項：今日風險清單、建議生產順序、每項建議的理由，以及人工修改紀錄。連續運作後，再依最常被修改的原因決定下一階段要補資料、補規則，還是導入 MES／APS。
先把資深生管的經驗拆成硬限制、軟限制與例外
AI 生產排程需要把絕對不能違反的條件列為硬限制，把可以取捨但會增加成本的偏好列為軟限制。無法預先定義的現場例外則應保留人工決策。
AI 不會自行知道什麼叫「最佳排程」。企業必須先說明準時交貨、降低庫存、減少換線、避免加班或保留插單彈性，哪一項更重要。生產排程的科學方法本來就需要同時考量有限設備、材料、交期與換線條件；少量多樣、急單與改單會進一步放大人工排程的負擔（就享知，2021 年 8 月）。
| 盤點層級 | 要回答的問題 | 通用範例 |
|---|---|---|
| 資料 | AI 現在能看到什麼？ | 訂單、庫存、物料、在製品、設備與人力 |
| 硬限制 | 哪些條件絕對不能違反？ | 物料不足、設備不相容、必要工序、承諾交期 |
| 軟限制 | 違反哪些偏好會增加代價？ | 加班、換線、庫存持有、提早或延後生產 |
| 優化目標 | 企業想優先改善什麼？ | 準時交貨、產能利用、庫存、成本或穩定性 |
| 例外 | 哪些情境必須由人員判斷？ | 急單、設備異常、臨時缺料、供應商延誤 |
為什麼一次訪談不可能取得完整排程邏輯？
很多排程判斷只會在缺料、插單或產能衝突發生時浮現。除了訪談，企業還要持續記錄當時狀態、實際決策與取捨理由，才能累積可建模的案例。
資深人員可能很會排，但不一定能在會議中一次說出所有規則。我的做法是請排程人員在重要決策後留下三類資料：當時看見的訂單與現場狀態、最後採取的決策，以及做出取捨的理由。特別值得記錄的是曾經猶豫、臨時改動或與一般做法不同的案例。
- 歸納規則：反覆出現且不可違反的判斷，整理為硬限制；具有偏好性的判斷，轉成軟限制或成本項。
- 校準取捨：利用具體衝突情境，確認交期、庫存、加班、換線與空間之間的相對優先序。
- 建立驗證基準：保留歷史決策，後續讓系統重播相同情境，找出規則遺漏與不合理建議。
決策紀錄還能同步整理成排程標準作業程序（Standard Operating Procedure，SOP）。即使完整系統仍在開發，SOP 與案例庫也能先降低知識集中於單一人員的風險。
第一版不要追求全自動，先讓 AI 在影子模式提出建議
AI 生產排程第一版應與人工排程並行，由系統提出建議、生管人員覆核。每次差異都要判斷來自資料錯誤、規則遺漏或權重不合理，再逐步提高自動化程度。
影子模式是指 AI 產生排程，但暫時不直接下達現場執行，正式決策仍由生管人員負責。人工智慧迴圈（Human-in-the-Loop）強調人員保留驗證、修改與執行最終決策的權限，特別適合限制複雜、例外頻繁或錯誤成本高的製造情境。近期系統性回顧也將人員對目標與限制的控制列為重要的人機協作配置（Entropy，2026 年，確切日期不明）。
| AI 生產排程負責 | 生管人員負責 |
|---|---|
| 彙整資料、檢查缺漏與產生警示 | 確認資料是否符合現場事實 |
| 試算多個可行方案並說明差異 | 判斷商業取捨與例外風險 |
| 檢查硬限制、成本與連鎖影響 | 接受、修改或退回排程建議 |
| 記錄建議、變更與結果 | 更新規則、權重與處理原則 |
企業導入 AI 生產排程可以分成哪五個階段？
AI 生產排程不要求企業一次備妥所有系統與資料，但必須清楚界定第一版要解決的問題、可取得的資料、不可違反的限制，以及需要人工攔截的風險。導入過程可依序進行任務拆解、資料補齊、規則與案例建置、小範圍影子測試，以及滾動驗證與擴大上線。企業不必一開始就重建整套工廠系統。
- 拆開問題：分清楚需求預測、庫存政策、生產排程、進度提醒及系統操作自動化。
- 補齊資料：同時保留客戶原始需求、實際出貨與未滿足需求，避免模型把缺貨後的低出貨量誤認為低需求。
- 整理知識：建立資料欄位、硬限制、軟限制、優化目標、決策紀錄與排程 SOP。
- 縮小試行：選擇資料較完整的單一產品群、產線或排程問題，以影子模式比較人工與系統建議。SAP 也建議企業先從小規模試行或沙盒環境開始並收集使用者回饋（SAP，2025 年 7 月）。
- 滾動擴大：持續讀取最新狀態、追蹤差異與營運指標，確認建議穩定後才增加自動核准或自動重排的範圍。
走完五個階段後，另一個常被混淆的問題是：這中間有哪些部分該用生成式 AI，哪些其實是完全不同的技術。生成式 AI 適合協助訪談整理、規則萃取、排程解釋與工作流程操作；需求預測可使用統計或機器學習模型；大量限制與排列組合則通常需要作業研究（Operations Research，OR）、先進規劃與排程系統（Advanced Planning and Scheduling，APS）或專用求解器。正確的技術架構不是「全部交給同一個 AI」，而是讓不同方法各自處理擅長的問題。
常見問題
AI 生產排程一定要先導入 MES 嗎？
AI 生產排程不一定要先導入完整 MES，但至少要取得可信且更新頻率足夠的現場資料。若設備、人力、物料與在製品狀態無法取得，第一版應縮小範圍並保留人工覆核。
只有 ERP 和 Excel，可以先做 AI 排程嗎？
只有 ERP 和 Excel 仍可先做資料盤點、規則整理、缺料警示或排程建議原型。企業不宜直接承諾全自動排程，因為帳面資料可能無法反映即時現場狀態。
沒有完整歷史資料，還能開始 AI 生產排程嗎？
沒有完整歷史資料仍可先建立排程 SOP、限制清單與決策紀錄。需求預測可能需要等待資料累積，但規則型警示、人工輔助排序與資料補齊可以先開始。
插單很多的工廠適合導入 AI 生產排程嗎？
插單頻繁正是排程系統可能創造價值的情境，但企業必須先定義插單優先權、可被延後的訂單及不可違反的承諾。無法明確定義的插單仍需由生管人員決定。
AI 生產排程和 APS 有什麼差別？
APS 是先進規劃與排程系統，核心工作是在有限資源與限制條件下產生可執行排程。AI 可加入需求預測、異常判斷、規則萃取與解釋能力，但不代表生成式 AI 能取代所有 APS 求解功能。
生成式 AI 可以直接取代最佳化求解器嗎？
生成式 AI 適合協助理解需求、整理規則、解釋排程與操作工作流程；涉及硬限制、成本函數與大量排列組合時，通常仍需要數學最佳化、作業研究或專用求解器。
如何判斷 AI 排程建議是否可信？
企業可用歷史情境重播、人工排程並行、限制違反檢查與差異紀錄驗證 AI 排程。驗證重點不是只看排程是否相同，而是確認建議可執行、理由可解釋且風險可攔截。
導入 AI 排程會取代資深生管人員嗎？
AI 排程較適合先接手資料查找、重複試算、警示與候選方案產生。資深生管人員仍負責定義限制、評估例外、驗證建議並調整企業的取捨原則。
小型企業導入 AI 生產排程，第一版最少要做到什麼？
小型企業第一版只要整合一個範圍的訂單與可用庫存，建立缺料警示、優先順序建議及人工覆核紀錄。第一版不需要自動控制設備，也不必一次處理所有產線、例外與最佳化目標。
參考資料
- 楊于嫺。〈排程不只「人工」智慧，如何用科學方法，讓生產排程最優化？（下）〉。就享知，2021-08-31。存取日期：2026-08-24。
- Parsec。〈How AI and MES Work Together to Optimize Production Scheduling〉。日期不明。存取日期：2026-08-24。
- SAP。〈如何為小型製造業選擇合適的 ERP〉。2025-07-29。存取日期：2026-08-24。
- “Human-in-the-Loop Artificial Intelligence: A Systematic Review.” Entropy, 2026，確切日期不明。存取日期：2026-08-24。
關於作者 {#author}
Claire Chang ｜ 企業 AI 導入與流程轉型顧問。專注於 AI Agent 架構設計、ERP 系統整合與企業 AI 治理。
最後更新：2026-08-24