AI时代，企业为什么还需要精益管理？

AI正在进入制造业。

从智能排产、机器视觉质检，到设备预测性维护、工业智能体，企业拥有了越来越强的技术能力。过去需要大量人工完成的工作，现在可以通过算法和智能系统辅助完成。

但技术升级之后，一个问题依然存在：

设备越来越智能，为什么工厂的库存还是很高？生产速度越来越快，为什么订单交付周期还是很长？数据越来越多，为什么部门之间依然难以协同？

这些问题提醒我们，企业的运营效率并不完全取决于技术水平。

一条生产线可以通过自动化设备提高产量，但如果上下游工序能力不匹配，生产出来的产品就可能堆积在现场。一套AI排产系统可以快速生成生产计划，但如果物料供应、生产能力和订单需求没有有效衔接，计划依然难以执行。

技术可以提高某项工作的效率，却不一定能够改善整个企业的运营效率。

这也是AI时代重新认识精益管理的原因。

一、企业真正的效率损失，往往发生在流程之间

我们从一家制造企业的一张客户订单说起。

客户下单之后，企业需要完成订单评审、生产计划、采购备料、生产制造、质量检验、仓储和物流交付。

表面上看，这是一条很清晰的业务链条。但在实际运行中，每个环节都可能出现问题。

销售接到订单，需要等待生产部门确认产能；生产计划制定以后，发现部分物料还没有到货；物料齐套以后，设备又需要等待换型；产品生产完成，还要等待检验和入库。

每个部门都在工作，每道工序也可能都有效率，但订单还是迟迟无法交付。

这里有一个值得注意的现象：

假设一件产品真正用于加工和装配的时间只有几个小时，从客户下单到最终交付却需要十几天，那么大部分时间究竟花在哪里了？

可能是等待物料，可能是工序之间的排队，也可能是信息传递和部门协调。

这就是企业运营中经常出现的现象：真正消耗大量时间的，不一定是生产活动本身，而是生产活动之间的等待和衔接。

如果企业只关注单台设备的利用率、单个部门的产量，可能会不断提高局部效率，却忽略整体交付。

精益管理关注的正是这个问题。

它要求企业从客户需求出发，审视完整的价值创造过程，识别其中没有创造价值的活动，减少等待、积压、返工和不必要的资源消耗。

这里需要特别区分两个概念：

• 局部效率： 某个岗位、设备或者部门完成工作的效率。
• 整体效率： 企业从客户需求到最终交付的整体运营效率。

企业需要的当然是局部效率，但不能以牺牲整体效率为代价。

二、精益管理改变的，是企业组织运营的方式

精益管理起源于丰田生产方式（TPS）的实践。经过长期发展，它逐渐从生产现场扩展到供应链、研发、物流和企业运营管理。

如果不拘泥于各种工具和概念，可以把精益管理理解为：

以客户价值为出发点，通过优化价值创造过程、减少浪费、建立标准和持续改善，提高企业整体运营效率的一套管理思想与实践体系。

它主要改变企业的三个方面。

1. 从部门完成任务，转向关注整体交付

传统职能管理按照部门分工组织工作。

销售负责接单，采购负责采购，生产负责制造，仓储负责发货。每个部门都有自己的任务和指标。

但客户关心的是最终交付的产品，而不是企业内部哪个部门完成了多少工作。

精益要求企业把这些分散的活动放到同一个价值流中审视。

例如，订单交付不能只看生产部门的制造周期，还要关注订单评审、物料准备、生产排程、质量检验和物流配送之间的衔接。

这意味着企业需要从部门管理走向端到端的运营协同。

2. 从按照计划大量生产，转向响应真实需求

生产能力强，不代表生产组织一定合理。

如果企业主要根据设备能力和部门计划安排生产，就容易出现某些工序大量生产、下游无法及时消化的情况。

精益强调需求拉动，让生产活动尽可能与实际需求相匹配。

这里涉及JIT（准时化生产）、拉动生产和看板管理等方法。

它们解决的不是简单的生产速度问题，而是生产与需求之间如何建立合理的关系。

3. 从事后发现问题，转向过程控制和持续改善

产品出了问题再返工，设备坏了再维修，订单延误了再协调，这些都属于问题发生后的处理。

精益更关注如何让问题及时暴露。

通过标准作业、目视化管理、设备点检、质量控制和异常响应，让现场人员能够及时发现偏差，并按照明确的机制处理。

问题解决之后，还要验证效果、更新标准，避免相同问题反复发生。

这三个方面共同构成了精益管理的基本逻辑：关注整体价值流，让生产与需求匹配，并建立持续改善的运营机制。

三、看看国内制造企业是怎么做的

精益管理的价值，最终需要通过企业的实际运营来体现。

国内制造企业已经积累了不少值得研究的实践。

案例一：美的集团——从订单出发组织生产

美的集团的MBS（美的精益业务系统）是一个值得研究的案例。

根据美的官网介绍，MBS以拉动为主轴，以战略部署、人才育成和日常管理为核心，目标是提升全价值链的运营效率。

与之相配套的T+3商业模式，则体现了这种管理思想如何落实到订单履约过程中。

美的将业务过程划分为四个阶段：

美的官网披露，该模式依托数字化深化、统一方法论和成熟业务流程，实现全链路动态可视，介绍的全流程交期为12天。 【美的集团官方资料】（见文末来源1）

这个案例值得关注的地方，不只是把订单分成了四个阶段。

更重要的是，企业开始围绕客户订单组织采购、备料、生产和交付，而不是让每个部门完全按照自己的节奏工作。

订单需求需要传递到生产计划，生产计划需要与物料供应衔接，生产过程又需要与交付安排匹配。

精益在这里改变的是企业组织业务的方式：从部门各自安排工作，转向围绕客户需求协同完成交付。

案例二：中核海得威——把改善落实到具体经营指标

再看一个更具体的生产现场案例。

中国同辐旗下中核海得威的碳-13制剂车间，于2020年启动精益项目。

项目围绕成本、交付、效率、生产周期和客户投诉五项指标开展改善。

他们并没有简单地组织员工开展现场整理，而是通过产品价值流分析，识别在制品过多、等待浪费、设备产能不足和流程效率低等问题。

与此同时，车间建立了层级例会机制，每天逐层开展现场会议，及时处理生产过程中出现的问题。

还通过技能矩阵和岗位培训培养员工一岗多能。

2021年的项目结果如下：

上述数据来自2022年《中国核工业报》对该项目的报道。【中国核工业报，2022年4月】（见文末来源2）

这个案例有两个地方值得研究。

一是改善从具体经营问题出发，而不是为了使用某种工具而开展活动。

二是改善不止于现场，还涉及日常会议、人员技能和管理机制。

这说明精益改善需要把现场问题与经营目标联系起来。

案例三：本钢板材——让改善成为企业的日常管理

如果说前一个案例主要体现了车间层面的精益实践，那么本钢板材的案例则体现了大型制造企业如何组织规模化改善。

根据本钢板材2024年ESG报告：

• 对9条产线开展双基管理评价，发现67项问题。
• 管理者标准化作业巡查发现问题3511项，问题关闭率达到91%。
• 围绕关键指标设立97项精益课题，完成92项。
• 报告披露课题创效2.04亿元。
• 各厂矿提报改善提案8159项。

【本钢板材2024年ESG报告】（见文末来源3）

这里值得关注的不是8159项改善提案这个数字本身。

而是企业建立了从现场巡查、问题发现、课题立项到改善验证的管理机制。

如果改善完全依赖少数精益专家，企业很难长期维持。

当厂矿管理者、作业长和一线员工都参与问题发现和改善，精益才有可能从专项活动变成日常管理工作。

这也是精益管理与单纯的工具应用之间的重要区别。

四、精益要真正发挥作用，需要形成企业管理体系

前面几个案例分别展示了订单协同、现场改善和企业级推进。

它们实际上指向同一个问题：

企业如何让精益持续运行？

精益管理不能仅仅依靠一批改善项目，也不能把全部工作交给一个精益推进部门。

它需要建立几个相互衔接的管理机制。

第一，目标要与经营战略联系起来。

企业需要明确当前最需要改善什么。

是缩短订单交付周期？降低制造成本？提高产品质量？还是提高设备综合效率？

不同企业面临的问题不同，改善目标也不应该完全相同。

第二，流程要围绕整体价值创造组织。

企业需要识别从客户需求到产品交付的完整业务过程，明确各环节的责任、输入输出和衔接关系。

部门之间不能只关注自己的任务，还需要关注整体交付结果。

第三，现场需要建立标准和日常管理机制。

通过标准作业、目视化管理、异常处理和日常检查，让生产过程保持相对稳定。

发现偏差后，能够及时响应，而不是等到月底统计指标时才发现问题。

第四，人员要具备持续改善的能力。

管理者需要深入现场，了解实际问题，指导员工分析原因。

一线员工也应该能够提出问题、参与改善，并将有效经验转化为标准。

第五，改善效果要通过指标验证。

不能只统计开展了多少次培训、提出了多少条建议，还要看质量、成本、交付和效率是否真正发生变化。

潍柴动力的WOS（潍柴运营模式）就是一个企业级运营管理体系的实践。根据潍柴官方介绍，WOS通过总结各业务领域的管理理念、工具和方法论，实现业务可量化、可评估，并推动持续优化；其现场管理覆盖全员、全过程和全要素，连接企业战略层与作业层。【潍柴动力官方资料】（见文末来源4）

这也说明，精益管理最终需要融入企业自身的经营管理体系。

五、AI来了，精益管理会发生什么变化？

回到文章最初的问题。

如果传统精益管理已经能够帮助企业识别浪费、优化流程、建立标准，那么AI时代究竟带来了什么变化？

我认为，变化主要体现在企业发现问题、分析问题和改善问题的能力上。

以质量管理为例。

传统质量检测依靠人工抽检和规则化检测，面对复杂缺陷时，检测效率和识别能力存在一定限制。

京东方2024年可持续发展报告介绍，其AI缺陷管理系统能够对显示产品缺陷进行智能分类，并结合业务需求开发缺陷判级功能，实现智能数据分析和缺陷发现到治理的业务闭环。

报告披露，日均缺陷图片处理总量和智能标注效率均提升10倍以上。【京东方2024年可持续发展报告】（见文末来源5）

这个案例说明，AI能够显著增强企业的质量检测和数据分析能力。

但这里还有一个问题：

发现缺陷之后怎么办？

如果只是识别出不合格产品，却没有进一步分析缺陷与设备、材料、工艺参数之间的关系，生产过程中的问题依然存在。

所以，AI质检需要与质量管理、工艺改善和异常处理机制结合起来。

类似的情况也发生在设备管理和生产调度中。

AI可以分析设备运行数据，识别异常趋势；可以综合订单、物料和设备能力，辅助生产排程；也可以通过业务事件数据还原流程，帮助管理人员发现等待和流程瓶颈。

但这些能力都需要建立在明确的业务规则、可靠的数据和实际运营机制之上。

如果原有流程存在大量浪费，AI可能只是让浪费发生得更快；如果业务规则不清晰，AI也可能更快地给出不准确的建议。

因此，精益与AI的关系可以这样理解：

• 精益帮助企业识别真正需要改善的问题。
• 流程和标准为企业提供稳定的业务运行基础。
• 数字化让运营过程更加透明。
• AI增强企业识别、分析、预测和处理问题的能力。
• 持续改善机制负责验证结果，并将有效做法固化下来。

AI并不会替代精益管理。它让精益改善拥有了新的技术手段。

六、企业应该如何重新审视自己的运营？

如果把前面的内容落到企业实践，我建议不妨从一张客户订单开始。

不要急着上系统，也不要急着采购AI工具。

先沿着订单从接收到交付的全过程，回答几个问题：

1. 客户真正关心的是什么？

是交付时间、产品质量、价格，还是定制化需求？

2. 一张订单究竟经过哪些环节？

销售、设计、采购、生产、检验和物流之间，是否存在不必要的等待和重复工作？

3. 企业的时间和资源主要消耗在哪里？

是加工时间、设备停机、库存积压，还是部门协调？

4. 出现问题以后，谁负责处理？

有没有明确的责任人、处理时限、升级机制和结果验证？

5. 哪些问题适合通过数字化和AI改善？

哪些环节需要数据采集，哪些需要算法分析，哪些可以通过智能体辅助处理？

这几个问题看起来简单，却能够帮助企业从整体运营的角度重新审视自己的业务。

当这些问题逐渐清晰之后，企业才能判断哪些地方需要改善，哪些地方需要调整管理机制，哪些地方值得引入AI。

写在最后

精益管理已经发展了几十年。

今天重新提起它，不是因为它有什么新鲜的工具，也不是要用传统管理方法替代AI。

而是因为技术越先进，企业越需要想清楚：自己究竟要改善什么？

一条生产线的产量提高了，订单交付是否更快？

一个部门的工作自动化了，整个业务流程是否更顺畅？

企业积累了大量数据，是否真正转化成了管理能力？

这些问题，才是企业数字化和智能化建设需要面对的现实。

AI让企业拥有了更强的技术能力，精益让企业重新审视价值创造的过程。

技术进步最终要体现在客户价值和经营结果上。

这也是AI时代，我们重新认识精益管理的意义。

参考资料

1. 美的集团官方：制造与MBS、T+3商业模式
2. 中国同辐：深化精益管理 践行同辐速度 推进高质量发展。
3. 本钢板材：《2024年社会责任报告暨环境、社会及管治（ESG）报告》。
4. 潍柴动力官方：WOS潍柴运营模式
5. 京东方：《2024年可持续发展报告》。

59页PDF