1.1 你手里那张计划表，到底在管什么

很多刚做 PMC 的人，第一天上班领到的工作就是一张 Excel 表。表头写着订单号、产品型号、需求数量、交货日期、物料齐套状态、生产进度。你的上级告诉你：每天更新这张表，确保颜色都是绿的。

你照做了三个月，表一直绿着，但仓库里堆满了用不上的料，车间里某些工位天天加班，另一些工位却在等活干。客户催货的电话照样打进来，你那张绿表在老板眼里突然就不值钱了。

问题出在哪？

你把计划管理当成了排表，而不是资源博弈。

那张表上的每一个格子，背后都是真实的资源：原材料在供应商仓库里占着人家的产能，半成品在你车间里占着设备和人力，成品在客户手里占着人家的资金。计划管理的核心，不是把表填得好看，而是在时间、产能、物料、资金这四条绳子之间找到平衡，让各方都不至于被勒死。

PMC（Production Material Control，生产计划与物料控制）这个岗位，在很多工厂里地位尴尬。生产部觉得你管得太宽，采购部觉得你催得太紧，销售部觉得你反应太慢，财务部觉得你库存太高。你夹在中间，手里没有实权，却要协调所有部门的节奏。

所以做 PMC 第一条要明白的事：你的权力不是来自职位，而是来自信息。

你掌握的是全公司最完整的供需数据——客户要什么、什么时候要，供应商能供什么、什么时候能到，车间能做什么、什么时候能做。这些信息分散在各个部门，只有 PMC 把它们串在一起。计划表就是你串信息的工具，但它的价值不在于表本身，而在于你用这张表推动了什么决策。

1.2 传统 PMC 的五大痛点，你中了几条

我总结传统模式下的痛点，基本逃不出这五条，你对号入座看看。

第一，信息孤岛。

销售部的订单信息在 CRM 里，采购部的供应商交期在 ERP 里，生产部的设备状态在 MES 里，仓库的库存数据在 WMS 里。每个系统都觉得自己是老大，数据格式不统一，更新时间不同步。PMC 每天的工作，很大一部分就是人肉 ETL——从 A 系统复制数据，粘贴到 B 系统，再手动核对 C 系统的数字。

最痛苦的是，当你发现三个系统的数字对不上，你根本不知道哪个是对的。你只能一个个打电话确认，等确认完，半天过去了，计划已经过时了。

第二，响应滞后。

传统 PMC 的节奏是”周计划 + 日跟踪”。周一排好本周的生产计划，每天下班前更新一次进度。这个节奏在十年前没问题，因为客户需求相对稳定，供应链波动不大。

但现在呢？客户上午改订单数量，下午改交货日期，晚上又加急插单。你的周计划排到周三就已经面目全非，日跟踪变成了”救火日报”——哪里冒烟了灭哪里，灭完这里那里又着起来了。

第三，经验依赖。

很多工厂的计划排产，靠的不是系统，是老师傅。张工干了二十年，他知道 A 产品换线要两小时，B 产品在梅雨季节良率会掉五个点，C 供应商每年春节前会提前半个月停工。这些经验宝贵，但只存在于张工的脑子里。

张工请假了，计划就乱套。张工退休了，公司要花三年才能培养出下一个张工。更可怕的是，张工的经验是局部的，他知道自己的车间，但不知道销售端的波动，也不知道供应商的产能瓶颈。他的”最优排产”，在全局视角下往往是次优的。

第四，部门博弈。

销售部要交货快，最好今天下单明天出货。生产部要批量稳定，最好一个型号连续做一周不换线。采购部要批量采购，最好一次买三个月的料拿个好价格。仓库要库存低，最好今天进明天出不要占地方。

这四个目标互相矛盾。PMC 的计划表，本质上是一张妥协方案。但妥协不是平均分配，而是要根据公司当前的战略重点来倾斜。是保交付还是保利润？是冲销量还是控风险？这些问题在传统 PMC 的语境下，很少被明确讨论，最后变成”谁嗓门大听谁的”。

第五，绩效失真。

很多公司的 PMC 考核指标是”计划达成率”——计划做 1000 台，实际完成 980 台，达成率 98%，看起来不错。但这个数字可以有很多种玩法：计划做得保守一点，达成率自然高；月底赶工把在制品都算成完工，达成率也好看。

真正该关心的指标是什么？是OTD（准时交货率），是库存周转天数，是断料停线次数，是紧急采购金额。但这些指标跨部门、跨系统，很难算清楚，所以很多公司干脆不算，或者算出来也不跟绩效挂钩。

1.3 AI 来了，PMC 会变什么样

这几年 AI 很火，工厂老板们开会必谈”智能制造”。但落到 PMC 这个岗位上，AI 到底能干什么？我见过太多人要么把 AI 想得太神，觉得它能代替人做所有决策；要么把 AI 想得太废，觉得就是高级版的 Excel 函数。

两种想法都不对。

AI 在 PMC 中的价值，用一句话说：它不是来替你决策的，它是来帮你把决策依据从”感觉”变成”数据”的。

举个例子。以前做需求预测，销售经理拍脑袋说”下个月大概卖 5000 台”，你基于这个数字排产。这个数字怎么来的？可能是他上周跟客户吃了顿饭，客户随口说了一句。也可能是他看了去年同期销量，觉得今年行情差不多。

AI 能做什么？它能同时看过去三年的销量数据、当前的在手订单、行业的宏观经济指标、甚至社交媒体上相关产品的讨论热度，然后给你一个预测区间：“下个月销量大概率在 4800 到 5200 之间，置信度 85%。”

这个预测不一定比销售经理准，但它可追溯、可量化、可迭代。这个月预测错了，你可以回头分析是哪个变量没考虑到，下个月调整。销售经理的”感觉”错了，你只能等他下次”感觉”好一点。

再比如排产。以前靠张工的经验，现在 AI 可以在几秒钟内模拟几百种排产方案，综合考虑设备产能、人员技能、物料齐套、换线时间、交货优先级，然后推荐三个最优方案供你选择。最终拍板的还是人，但你拍板的时候，手里有数据，而不是只有直觉。

这里要强调一个关键点：AI 不会消灭 PMC 这个岗位，但它会消灭”只会排表的 PMC”。

未来 PMC 的核心能力，会从”手工计算 + 经验判断”转向”数据解读 + 人机协作”。你要能看懂 AI 给出的预测和方案，知道它的假设条件是什么，局限性在哪里，什么时候该听它的，什么时候该 override（覆盖）它。

这个系列后面的章节，会一步步教你用具体的 AI 工具解决 PMC 的六大场景问题。但在那之前，你需要先建立一个认知框架：AI 是杠杆，不是替身。它能放大你的专业能力，但不能替代你的业务判断。

1.4 PMC 的新定义：数据驱动的动态资源协调中心

基于上面的讨论，我想给 PMC 一个更贴合当下实际的定义：

PMC 是一个数据驱动的动态资源协调中心，核心任务是在不确定的供需环境中，用最低的资源成本，实现最高的客户交付满意度。

拆解一下这个定义里的几个关键词。

数据驱动。不是”有数据就行”，而是”用数据做决策”。很多公司上了 ERP、MES、WMS，数据一大堆，但 PMC 还是靠 Excel 手工排产，因为系统里的数据不准、不及时、不好用。数据驱动的第一步，不是买更贵的系统，而是把现有数据治理到能用。

动态。计划不是一锤定音，而是持续滚动。客户需求在变，供应商交期在变，车间设备状态在变，你的计划必须跟着变。传统 PMC 的”周计划 + 日跟踪”节奏太慢了，未来需要”日计划 + 小时级响应”。AI 的价值就在于，它能帮你把响应速度提上来，而不需要增加人手。

资源协调。PMC 不直接拥有资源，但要对资源的使用效率负责。生产部的设备、采购部的供应商关系、仓库的库容、财务的资金，都是你的”棋子”，但你没有直接指挥权。你的武器是信息——用数据说服各方接受你的协调方案。

不确定的供需环境。这是 PMC 工作的底色。如果需求完全确定、供应完全稳定，那 PMC 就没有存在的必要，系统自动跑就行了。正因为有不确定性，才需要人来判断、来平衡、来承担风险。

1.5 从”救火队员”到”防火建筑师”

我做 PMC 的前几个月，基本是在救火。早上到办公室，先看邮件里有没有客户投诉，再看系统里有没有红色预警，然后接一天的电话——销售催交货、采购催付款、生产催物料、仓库催清库。

那时候我觉得 PMC 就是个背锅的。计划达成了是生产部能干，达不成是 PMC 排得烂；库存高了是 PMC 买多了，库存低了是 PMC 没买够。我一度想转岗去做销售，至少业绩好的时候可以拿提成。

后来一个老前辈点醒了我。他说：“你现在是在灭火，但真正厉害的 PMC，是让别人看不到火。”

什么意思？火灾发生了再去灭，你是英雄，但房子已经烧了。真正的工作是在设计阶段就考虑防火——材料用阻燃的、电路留足冗余、通道保持畅通。PMC 也一样，日常的计划管理做得扎实，异常就会少发生；数据监控体系建得完善，问题就能在苗头阶段被掐掉。

AI 工具在这件事上的价值，不是帮你灭火更快，而是帮你提前闻到烟味。需求预测的偏差、供应商交期的延迟、车间设备的亚健康状态，这些在传统模式下要到问题爆发了才被发现，AI 可以在数据层面提前预警，让你有时间做预防性调整。

当然，这需要一个过程。你不可能明天就建成一套完美的预警体系。这个系列的目标，是带你从 0 开始，一步一步搭建起这套体系。

1.6 本章小结：PMC 从业者的自我定位

在结束这一篇文章之前，我想请你做一个小练习。拿出一张纸，或者打开一个空白文档，回答下面三个问题：

1.我目前的工作中，有多少时间花在”重复性数据整理”上？（比如复制粘贴、格式调整、跨系统核对）

2.我做出的计划决策，有多少是基于”数据”而非”感觉”？

3.当计划出现偏差时，我通常是在”事后补救”还是”事前预防”？

这三个问题的答案，决定了你目前在 PMC 能力光谱上的位置。

•如果第一个问题的答案是“超过 50%”，你需要优先学习数据自动化工具（Excel Power Query、Python 基础、AI 辅助数据处理）。

•如果第二个问题的答案是“不到 50%”，你需要优先建立数据驱动的决策习惯。

•如果第三个问题的答案是“mostly 事后补救”，你需要优先搭建异常预警机制。

这个系列的后续分享，会分别覆盖这三个方向。但无论你从哪个方向切入，核心逻辑是一样的：

PMC 的价值，不在于你排了多少张表，而在于你通过计划管理，为公司节省了多少资源、规避了多少风险、创造了多少交付确定性。

AI 工具是你的新武器，但武器再先进，也要看用的人有没有清晰的战场意识。下一篇，我们会从 PMC 的核心能力模型讲起，帮你建立一张完整的”能力地图”，知道自己现在在哪，该往哪走。