真正的分水岭不是技术本身，而是计划员如何在权衡评估、行动决策和压力响应中运用高级能力。

APS（高级计划与排程）正站在一个历史性拐点上。根据 Spherical Insights 的数据，全球 APS 软件市场将从 2024 年的 14.4 亿美元增长到 2035 年的 42.3 亿美元，CAGR 约 10.3%。但更有意思的是，APS 并非孤立增长——它被包裹在几个增速远超自身的更大浪潮中：数字孪生市场 2026 年达 339.7 亿美元，CAGR 高达 35.4%；智能制造市场 2026 年达 4464 亿美元。这意味着 APS 正在从一个相对独立的排程工具，变成一个被 AI、数字孪生和工业云重新定义的更庞大叙事的核心节点。

然而，2026 年 BCG 的一份研究揭示了一个非常尖锐的矛盾：几乎所有大企业都投了 APS，不少还在试 AI，但真正把投资转化为持续绩效提升的凤毛麟角。BCG 的结论是——“区分领先者和落后者的不是技术本身，而是计划员如何在权衡评估、行动决策和压力响应中运用这些高级能力”。这句话几乎可以作为我们理解 APS 未来发展的锚点。

📌 本文看点

传统 APS 本质上是计划员的工具。基于专家规则，优化计划员的 Excel，做得更快、更准。这一层价值是实在的、可交付的、可量化的——它把计划员从手工排程的泥潭中拉出来，让排程更一致、更高效。这是 APS 落地的关键，没有这层基础，后面的所有畅想都是空中楼阁。

但这个定位的天花板也很明显。它本质上是在辅助计划员做已有的决策，而不是重塑决策本身。传统 APS 有三个盲区：在高混合、序列相关换线的环境中，APS 找到的方案和真正最优之间的差距可能很大；在中断频繁的工厂里，计划员最终是在手动打补丁而非依靠 APS 重新规划；大多数 APS 需要计划员手动触发重计划。

这些盲区的技术根源在于传统 APS 的底层架构——它依赖时间桶（time buckets）和启发式求解器来分配工作。这意味着它无法捕捉真实工厂中机器、人力、工装、物料搬运之间的复杂动态交互，也无法纳入基于状态的决策逻辑，比如“根据当前工厂负荷和产品组合动态优先排序以满足交期”。

过程数字孪生：APS 的架构级变革

目前最具架构级意义的变革，是过程数字孪生（Process Digital Twin）被纳入计划与排程框架。传统 APS 用离散时间片近似现实，数字孪生则以颗粒度级别建模制造过程，捕捉过程中各个事件如何随时间交互，不依赖人工时间桶。这是一个从“离散时间片近似“到”连续事件仿真”的范式转换。

AI 的真正角色：不是替代优化，而是增强决策

关于 AI 在 APS 中的角色，有一个常见的误解值得澄清。很多人认为“AI 排程”意味着用机器学习替代运筹优化算法。但 McKinsey 的观点更具洞察力：AI 调度器的战略价值在于与数字孪生集成——数字孪生通过仿真训练更有效的算法。也就是说，AI 的核心贡献不在于直接生成排程，而在于：

Kinaxis Maestro（2024 年底/2025 年初发布）报告了高达 40% 的日常手工工作削减，同时客户留存率保持在 95% 以上——这主要归功于 GenAI 在自动化报表生成、计划解释和异常分流方面的应用。

优化求解 + AI 辅助决策：学术前沿的突破

AAAI 2025 的一篇论文提出了 Smart APS——用工具增强的 LLM 来做运营管理决策。它的架构特别值得注意：LLM 作为对话和意图识别的入口，背后挂载的是运筹优化求解器。用户（计划员）用自然语言描述需求，系统自动检测意图、检索工具、调用 OR 引擎求解，再返回结果。

这其实就是“优化求解 + AI 辅助决策”的精确技术实现路径——不是用 AI 替代优化，而是用 AI 做优化的“翻译层“和”决策编排层”。计划员不再需要理解求解器的参数配置、约束建模语言，而是用自然语言与系统交互。AI 的角色是理解意图（计划员说“这批急单插进来，对其他订单的影响是什么”，AI 知道该调哪个工具）、编排工具链（自动选择需要的 OR 求解器、数据查询、场景模拟工具）、解释结果（把求解器的数学输出翻译成业务语言）。

Gartner 给了一个非常大胆的预测：到 2030 年，60% 使用 SCM 软件的企业将采用 Agentic AI 功能，而 2025 年这个比例仅 5%。Capgemini 的调研也显示 67% 的高管认为 Agentic AI 将提升供应链生产力。这意味着从“AI 辅助“到”AI 代理”的跃迁不是趋势预测，而是已经在发生的迁移。

在全球市场上，APS 从计划排程工具向供应链计划管理中枢平台的演进并非新鲜事——国外的企业和产品早在多年前就完成了这一跃迁。真正值得关注的变局发生在需求侧：中国企业的全球化，正在倒逼供应链计划从“工厂排产”跃升到“供应链协同”。

品牌出海：从排产到供应链计划的需求跃迁

2025-2026 年，中国企业全球化正式进入品牌出海和全链条供应链布局阶段。比亚迪、海尔、华为等标杆企业为代表的在完成从“产品走出去“到”品牌扎下去”的转型。

当企业只做产品代工时，APS 的价值边界清晰停留在车间级排产。但品牌出海后，供应链计划的复杂度骤然上升：多工厂跨区域产能如何协同分配？全球多市场的需求波动如何通过 S&OP 产销协同来平衡？同一 BOM 的物料来自不同国家的供应商，交期和物流周期各异，如何跨区域做齐套校验？海外仓和区域配送中心的库存如何在多市场间调拨优化？这些问题远超单个工厂排程的范畴，企业需要的是从需求预测、S&OP 到排产执行的端到端计划链贯通。建霖家居在 2025 年年报中明确提出建立“多层级计划与 S&OP 产销协同机制”，正是这一跃迁的标志性信号。

不是技术突然成熟了，而是企业的全球化走到了这一步——当供应链网络跨越多个国家、多个工厂、多个市场时，工厂级排产工具的天花板就到了。

工业软件国产化：从“能用就行”到“必须自主”

与全球化需求同步发生的，是工业软件国产化的政策与市场双驱动。十五五规划明确提出引导产业链供应链有序出海，而核心环节的自主可控是前提。在 ERP、MES 等领域，国产替代已推进多年；但在 APS/供应链计划这一层，国产化才刚刚起步。

这背后有一个现实：高端 APS 市场长期被 Kinaxis、SAP IBP、Blue Yonder 等国际厂商占据，国内厂商大多停留在工厂级排程。当中国企业的供应链计划需求因全球化而升级时，他们面临一个选择——继续依赖国际平台，还是培育本土供应链计划能力？供应链计划涉及产能、物料、供应商等核心运营数据，在数据合规和供应链韧性的双重考量下，越来越多企业倾向于选择本土方案。

全球化和国产化看似是两个方向，实则同向——都是在中国企业供应链能力升级的大背景下，推动 APS 从计划排产工具向端到端供应链计划平台跃迁。国外企业从成熟的 S&OP 向下延伸到排产，中国企业从扎实的计划排产向上攀登到供应链计划，路径相反，但终点相同。

越来越多的客户希望把 ERP 的计划功能移植到 APS 上面。这个现象背后有一个深层结构性原因。

ERP MRP 的三个结构性缺陷

计算速度的问题，根源在于 MRP 的算法范式。 传统 MRP 本质上是一个基于无限产能假设的物料展开计算——它回答的是“需要什么、需要多少、什么时候需要”，但完全不考虑车间能不能做出来。即便 SAP S/4HANA 用 HANA 内存计算把 MRP 跑成了实时（MRP Live），解决了“算得快”的问题，但“算得对”的问题——无限产能假设——仍然没有触及。速度快了，但逻辑还是那个逻辑。

约束条件的问题，是 MRP 与 APS 的分水岭。 MRP 计算物料需求时假设产能无限，而 APS 加入有限产能约束，在同时考虑机器可用性、人员技能、工装、物料的前提下优化生产序列。这不是功能差异，是建模哲学的差异。MRP 是“先算物料，再问产能够不够”；APS 是“物料和产能同时求解”。前者必然产生不可行计划，后者从源头就保证可行性。

物料替代的问题尤其能暴露 ERP 的天花板。 替代不是一个静态的 BOM 属性——它是一个依赖上下文的动态决策。同一个物料，在 A 供应商缺货时可以用替代品 B，但在某个特定客户的产品规格下不能用；或者在产能紧张时用替代工艺路线 C 但成本更高。这涉及到物料、供应商、产能、成本、客户规格多维度约束的联合求解——这恰恰是优化求解器的用武之地，而 ERP 的 MRP 逻辑根本不具备这种多约束联合优化能力。

可组合 ERP 与 Clean Core

传统 ERP 的架构（90 年代设计的、本地部署、批处理、重度定制）从根本上无法支撑 AI 驱动的运营——它不兼容实时数据访问、API 驱动集成和云原生扩展。这就引出了可组合 ERP（Composable ERP）的概念：用一组最佳品种应用替代单体 ERP，通过 API 和统一数据层连接。

SAP 自身也在推 Clean Core（干净内核）战略——鼓励客户把定制化逻辑从 ERP 内核中剥离出来。连 SAP 自己都在承认，ERP 内核不应该是所有业务逻辑的容器。计划功能这种需要大量计算、频繁迭代、与外部数据深度交互的场景，天然更适合放在独立的 APS/SCM 平台上。

客户说“不想做供应链计划操作多个系统”，这句话正在重新定义 APS 的产品边界。他们要的不再是一个排程工具，而是一个覆盖全计划链的统一工作台——从需求管理、主计划、S&OP、MPS、MRP、排产到供应商送货齐套。

这条链就是供应链计划的完整时间轴，从战略到战术到运营。它的核心原则是用共享数据、共享目标和共享问责替代职能孤板，使得客户需求的任何变化自动触发采购、生产排程和物流的重新校准，无需人工干预。APS 正是这条链的计算骨干——提供优化算法，跨需求、库存、生产和物流同时生成可行且成本最优的计划。

但这里有一个关键的架构挑战——这条链上的每个环节，优化粒度和时间尺度是完全不同的：

传统上，这些环节由不同系统负责——需求在CRM、S&OP 在 Excel，MRP 在 ERP，排产在 APS，供应商协同在 SRM。客户要求的“一个平台打通”，不只是 UI 层面的单点登录，而是底层数据模型和优化引擎的统一。

“哪些用规则，哪些用求解器，哪些可以 AI 辅助决策”——这可能是 APS 实施中最需要架构思维、却最少被系统性对待的问题。大多数企业的做法是“哪里痛就哪里上一个功能”，结果是规则、求解器、AI 组件杂乱堆叠，互相冲突，维护噩梦。

把端到端计划链上的每个决策点映射到最合适的计算范式：

这张表背后的分配逻辑可以归纳为三条原则。

决策架构的治理问题

规则会变、求解器参数会调、AI 模型会迭代——谁有权改、改了怎么验证、出了问题怎么回滚？大多数企业目前没有“决策逻辑治理”这个职能——规则散落在不同配置文件里，求解器参数只有个别专家懂，AI 模型是数据科学团队的黑箱。这引出一个未来必然出现的新角色——决策架构师（Decision Architect），介于业务和 IT 之间，负责维护“决策目录”：每个计划决策由什么计算范式支撑、谁负责维护、变更如何测试和发布。

约束是需要规则满足的。基于规则+优化求解，既能满足计划员的想法和生产强约束，又可以满足计划的优化，减少人工调整，提高决策能力。这四句话描述了一个完整的价值链。

行业差异化需要专业咨询顾问

APS 与 ERP 有一个根本性差异——ERP 是流程标准化的，财务会计、采购到付款、订单到收款的流程跨行业差异相对有限。但 APS 不行。APS 的核心是约束建模，而约束是行业甚至工厂特定的：

这些约束的差异不是“参数配置”层面的，而是建模逻辑层面的。一个不懂得汽车冲压模具换线逻辑的顾问，去配置 APS 的换线规则，结果一定是灾难性的。专业咨询顾问需要同时懂三样东西：行业生产逻辑、APS 的约束建模能力、以及优化求解器的数学特性。这种人才极度稀缺，这也是为什么好的 APS 实施顾问比好的 ERP 实施顾问更难找、更贵。

AI 在规则+求解器框架中的位置

基于“规则定义约束、求解器在约束内寻优”的框架，AI 的位置就非常清晰了——它不是第三种计算范式与规则和求解器并列，而是横跨两者的增强层。

前面讨论的 AI 在 APS 中的角色——需求感知、参数学习、场景生成、计划解释——本质上是 AI 作为工具，由计划员发起、AI 响应。而 AI Agent 的核心区别在于自主性（autonomy）——Agent 自己监控环境、识别问题、规划行动步骤、调用工具执行，不需要人在每一步都发起指令。

EY 的定义很精确：GenAI 用 LLM 生成内容响应任务请求，不需要持续调整或实时决策；而 Agentic AI 把 LLM 作为中央协调模块，解释复杂的目标导向请求，然后自主规划和控制内部/外部工具的执行来达成目标。用我们建立的三层架构来定位——Agent 不是第四层，而是智能层的进化形态。智能层从“AI 作为计划员的工具”进化到“AI 作为自主行动者”，而规则层和优化层仍然是它的地基和执行手段。

Gartner 给出了两个标志性预测：到 2026 年底，40% 的企业应用将集成任务专用 AI Agent（2025 年仅 5%）；到 2031 年，60% 的供应链中断将在无人干预的情况下被解决。BCG 的数据显示，agentic 系统已占 2025 年 AI 价值的 17%，预计 2028 年达到 29%。Dataiku 的判断更直接——“Agent 预计将在 2026 年主导供应链计划倡议”。

Multi-Agent 架构：供应链计划组织的数字镜像

供应链计划本身就是多职能协作的——需求计划员、供应计划员、排产计划员、采购员各管一段，通过 S&OP 流程协调。Multi-Agent 架构几乎是这个组织结构的数字镜像。

Dataiku 的分析给出了一个生动的例子——一个供应链工作流可以分配一个 Agent 监控供应商风险指标，另一个 Agent 交叉比对库存水平，第三个 Agent 生成采购建议。剑桥大学的 Jannelli 等人更进一步，构建了一个多级库存系统，用 LLM Agent 替代传统补货规则，每个供应链阶段由一个 Agent 代表，有明确的目标和约束。

按端到端计划链的职能分工，一个完整的供应链计划 Agent 矩阵大概是这样的：

这里有一个关键设计——协调 Agent（Orchestrator）。多个 Agent 可能产出冲突的建议（比如库存 Agent 要增加备货，排产 Agent 说产能不够），需要一个中央推理 Agent 做仲裁。arxiv 上的一篇论文记录了大型超市链 Flowr 的实践——用一组领域专用的微调 LLM，由一个中央推理 LLM 协调，通过 MCP（Model Context Protocol）接口实现 human-in-the-loop 编排。这个架构保证了上下文准确性、透明度和负责任的 AI 行为。

Human-in-the-Loop：不是要不要人，而是人在哪里

Agent 落地最关键的治理问题是——人的角色如何重新定义。Gartner 预测到 2031 年 60% 的供应链中断将无人干预解决，但这不意味着人被完全移除——而是人从“每步都审批”变成“只在关键节点介入”。

Flowr 的实践给出了目前最成熟的模型——供应链管理者通过 MCP 接口监督、验证和干预工作流的各个阶段，保持问责制、透明度和组织控制。具体来说，每个 Agent 的行动分为三类：

这个分层与决策架构中讨论的“决策频率和可逆性”原则完全一致——只是从“人选择用哪种计算范式”进化到了“系统自主判断哪种行动需要人介入”。

MCP：Agent 与企业系统对接的关键基础设施

MCP（Model Context Protocol）是一个技术层面但极其重要的趋势。Microsoft 的案例显示，Coca-Cola Beverages Africa 使用 Dynamics 365 ERP MCP Server 让 Agent 自主运行计划周期——更新订单、调整供应计划、发起调拨。

MCP 的意义在于——它提供了一种标准化的方式让 AI Agent 访问和操作企业系统（ERP、WMS、TMS、APS）。没有 MCP，每个 Agent 要对接企业系统都需要定制开发 API 集成；有了 MCP，Agent 可以通过统一的协议层访问多个系统的数据和功能。这就像是给 Agent 装了一个“企业系统万能适配器”。

这对 APS 意味着什么？意味着 Agent 不再只是 APS 系统内部的智能层——它可以跨系统行动。排产 Agent 发现缺料风险时，可以通过 MCP 直接查询 ERP 的采购订单状态、通过 SRM 向供应商发催料通知、通过 WMS 检查替代料库存——这些动作不需要计划员在多个系统间切换操作。这恰恰回应了前面客户的核心诉求——“不想操作多个系统”——Agent 可能最终实现这个目标的方式不是把所有功能塞进一个平台，而是让一个 Agent 矩阵跨系统编排。

学术界的警示：不能忽视的风险

Taylor & Francis 的专刊综述给出了一个重要的平衡视角——学术研究指出三个风险：Agent 可能镜像人类偏见（Chen et al. 2025）、输出验证困难、自然语言不够精确导致错误决策（Menache et al. 2025）。

这些风险在供应链计划场景下尤其尖锐。如果 Agent 学习的历史计划数据中，计划员一直偏好某个供应商（即使不是最优的），Agent 可能继承这个偏见并强化它。供应链计划需要精确到数量、日期、批次，而 LLM 天然不擅长精确数值推理。

Agent 演进的三阶段

综合以上，AI Agent 在供应链计划中的演进会经历三个阶段：

但贯穿三个阶段的，仍然是流程治理、业务规则、数据治理这三层地基。Agent 的自主性越高，对规则定义的精确性和数据质量的要求就越高。因为 Agent 的“自主”本质上是“在规则定义的边界内自主”——边界模糊，自主就会失控。

前面讨论的数字孪生、决策架构、AI Agent，描绘的是 APS 未来能力的上限。但决定一个企业 APS 项目成败的，往往不是上限有多高，而是地基有多稳。流程治理、业务规则、数据治理、周边系统改造——这四层不是并列的，而是有依赖顺序的。

第一层：流程治理——定义“计划该怎么跑”

这是最底层。APS 不是把现有流程数字化，而是重塑流程。如果企业的 S&OP 流程本身是断裂的——销售给的销售预测和供应链做的供应计划对不上，月度 S&OP 会议变成扯皮会——那 APS 只会把这个断裂跑得更快。流程治理的核心产出是一份计划日历（Planning Calendar）和决策权限矩阵（RACI）——谁在什么时间点、用什么数据、做什么决策、结果传给谁。没有这个，APS 就是一台没有轨道的火车。

第二层：业务规则——把“老师傅的经验”显性化

企业里大量计划决策依赖经验丰富的计划员的隐性知识——“这个客户优先级最高”“这批料到了先用给产线 A 不用给 B”“换线时先做浅色再做深色”。这些规则散落在计划员的脑子里、Excel 的注释里、甚至已经离职的人带走了。APS 实施时必须把这些隐性规则显性化、结构化、可治理化。

但这里有一个微妙的张力——不是所有规则都应该固化进系统。有些规则是特定历史条件下的权宜之计，固化后反而成为僵化。所以业务规则梳理必须伴随一轮“规则审计”——哪些是真正的业务约束，哪些是历史遗留的 workaround。

第三层：数据治理——APS 的生死线

McKinsey 说得很直接：干净、可靠的数据从一开始就建立对 APS 部署计划的信任，为整个项目创造正向动量。反过来说，数据不准，计划员第一次拿到 APS 产出的排程发现“这根本不对”，信任就崩了，之后再挽回极其困难。

数据治理在 APS 场景下有几个特殊性。首先是多系统数据对齐——APS 需要的 BOM、工艺路线、产能、库存、采购订单数据分散在 ERP、MES、WMS、SRM 中，每个系统的颗粒度、日历、计量单位都可能不同。其次是数据时效性——传统批处理模式下数据可能有一天延迟，而端到端计划需要近实时。McKinsey 的关键洞察是：好的数据治理要确保数据不是“别人的问题”，而是共享的运营责任——业务、IT 和主数据团队从第一天就协作。

McKinsey 提出了三个支柱：治理与利益相关者对齐、标准化与可复用性、AI 驱动的分析与自动化。好的数据治理不只是在实施前清洗数据，而是在整个 APS 生命周期中持续维护数据质量。

第四层：周边系统改造——最容易被遗漏的隐性成本

ERP、MES、WMS、SRM 可能都需要改造以支持 APS 的端到端计划。比如 ERP 的 MRP 可能需要从批处理改为事件驱动，MES 需要提供实时工单状态反馈，WMS 需要支持按排产结果的预拣料，SRM 需要对接供应商送货齐套计划。与现有 IT 环境的集成是 APS 实施的重大障碍，通常涉及大量数据清洗和工作流重设计。

回到开篇的问题——AI 时代的 APS 到底长什么样？

它的起点仍然是计划员的工具：用规则和求解器把排程做得更快、更准、更一致。这一层价值实在且不可跳过，没有它，后面的一切都是空中楼阁。但它的终点，远不止于此。

当数字孪生让计划系统从“离散时间片近似”走向“连续事件仿真”，当 AI 从“替代优化”的误解中挣脱出来、找到“增强决策”的真正位置，当优化求解器被 AI 包装成自然语言可交互的决策编排层，当 Multi-Agent 矩阵开始镜像供应链计划组织、在规则护栏内自主行动——APS 正在从一个辅助计划员排程的工具，演变为一个自主感知、求解、编排和响应的供应链操作系统。

这个操作系统由三层构成，且有严格的依赖顺序：

没有第一层，第二层产出不可执行；没有第二层，第三层只是空谈。而贯穿三层的地基——流程治理、业务规则、数据治理、周边系统改造——决定了这个操作系统能不能在企业里真正跑起来。

专业咨询顾问的价值，就在于把行业知识翻译成第一层的规则模型、确保第二层的求解器配置与业务对齐、并为第三层的 AI 增强铺设正确的数据管道。