服装供应链生产系统的 AI,分五段看——给服装企业的选型思考与方法
这一篇写给正在选服装供应链生产系统的企业:做服装工厂的、做服装品牌的、做服装外贸的,给一些思考、建议和方法,供选型时对照。
先报家门:写这篇的浦橙,带着 2000 多家客户的服务经验,服装供应链生产系统是主力产品线——服装 SCM、服装外贸系统、工厂端生产管理都在这条线上。这篇里的判断,都来自这些项目,不是桌面研究。
再交代缘起。过去一年,我们在服装企业的交流里,被问得最多的问题从"要不要上系统"变成了"你们的 AI 能做到什么"。问的人有做服装工厂的、做服装品牌的,也有做服装外贸的——三类企业的现场差别很大,对系统的期待却很一致:单据少录点、进度看得见、账能算到单件、异常能被提前指出来。
行业背景也得说透。这两年服装行业景气度不高,订单越来越碎、交期越来越短、利润越来越薄,靠加人盯事的老路走不动了。我们跟老板们聊下来,诉求收敛成一句话:加快人效周转、把过程成本管住、把活做细、把账算细——让人从重复劳动里省出来,去干判断和生意。浦橙在服装企业里看到的痛点,其实是一张很清楚的清单:录单占了大量人力、进度靠电话催、成本算不到款、异常靠人盯——每一个痛点,都对应着系统里要做实的一个场景,也对应着 AI 可以接手的一段活。
这里说的"服装供应链生产系统"是个统称:服装工厂的生产与协同系统、服装品牌的供应链与 PLM、服装外贸企业的外贸系统,往下拆都是订单、款式、物料、产能、成本,底子是同一套。所以这篇不按企业类型切,按 AI 能力在服装软件里能走到哪一段来切——不管你在选服装 SCM、服装外贸系统,还是工厂端生产系统,都能对号入座。
问题变了,市面上的答案却很乱:演示视频里无所不能,进车间处处碰壁。我们把一年里看到的真实水位、底座差别和验证方法整理成这篇。
一、先把"AI 能力"拆开:五段进阶
聊 AI 第一步是别把它当一个词。服装供应链生产系统的 AI 能力——不管这套系统叫服装 SCM、服装外贸系统,还是工厂的生产管理——我们按落地难度分五段,每段之间隔着的是实打实的工程量:
单据识别:拍照、扫描把手写单、纸单转成结构化数据——打样单、技术规格文件、BOM 单、PO、码单、装箱单,解决的是录入人力。这是起点,也是谈得比较多的一段。服装的单据不是标准表格:技术规格是混排图文,码单是一张尺码乘数量的矩阵,BOM 有层级和替代料,识别到"能直接入库"之间的距离,比想象中长。
流程助手:菜单问答、操作引导、单据填写建议,解决的是"系统不会用"。
生成式报表:把固定报表变成一句话生成,格式与口径仍需人工复核,省的是做表的时间。
问数:用自然语言直接问经营数据——"这个款当季还差多少主料""上季度哪类订单毛利在降",系统当场给出可信答案。浦橙认为这是分水岭:做得到问数,前面几段都顺理成章;做不到,前面几段多半也是演示。
Agent 代做:AI 主动盯异常、给建议、把流程动作做完——生成补料建议单等审批、外协超期自动跟催,人只做判断。这是 2026 年比较前沿的一段,行业里做成的还很少。
二、看了一圈演示:多数 AI 停在发布会层
浦橙的观察:这一年我们看过不少厂商的服装软件演示,AI 能力分布极不均匀。相当一部分厂商的 AI 停在"发布会层"——讲的是大模型,产品里是个接了通用大模型的问答框,问业务数据答不上来,因为数据不在它的底座上。多数厂商做到了识别,一部分到了报表生成,稳定做到问数的少,做 Agent 代做的更少。
识别的瓶颈也不在模型,在行业数据:面料名、工艺术语、客户叫法五花八门,没有语料沉淀的识别,上线三个月就被真实单据打脸——这才是行业纵深型厂商和通用型厂商在 AI 上的真正差距。
三、底座这层:四件工程活,一件都省不掉
AI 能力不是加一个模块,是底座能力的延伸。这一年把客户项目里踩过的坑归了归,决定 AI 能不能长出来的,是下面四层工程,跟模型用哪家关系不大。
受控的数据源:AI 的想法本来就是天马行空的,落到企业里必须被数据约束住。受控拆成三层——口径受控,一个"毛利"全公司只有一种算法,含不含运费、含不含退税,系统里定义一次,AI 只能引用不能自拟;权限受控,问数按人的数据权限返回,AI 不能变成越权入口;写入受控,AI 只读、只给建议,落单改数必须走流程与审批。这三条不做,AI 越强越危险,它会把错的数说得很有道理。
PaaS 平台:业务逻辑能改,AI 才能跟上。服装企业的规则是活的——核价口径按客户变、审批流按事业部变、工价按工艺变。每次改动都要厂商排期开发,AI 的口径就永远追不上业务。所以底座必须是 PaaS(平台化底座):规则、字段、流程、报表口径都在平台层配置,改完 AI 立刻按新口径答。这也是判断 AI 天花板的现实入口,选型时问一句"我们改一个核价公式,要多久、谁来改",比看演示有用。
文档与知识库:把制度变成可检索的依据。AI 答得准,一半看数据,一半看知识。企业的工艺标准、面辅料规格、客户特殊要求、内部制度,多数躺在 PDF、Excel 和老员工脑子里。不梳理,AI 只答得出"系统里有的数",答不了"我们厂是怎么规定的"。所以知识库是前置工序,不是可选项:文档结构化、切分、挂标签、绑定业务对象——做完才叫行业知识库,不然只是把文件传到网盘。
token 控制:细节决定能不能规模化。一个企业每天几千次问数,每次都把全量上下文丢给大模型,账单惊人、响应也慢。我们的做法是分层——能算的(同比、毛利、进度)走结构化查询,不问模型;必须问模型的,先把语义解析成查询条件,只把命中结果交给模型组织语言;重复问题做缓存和模板。判断一个厂商有没有在客户里真跑过,问一句"你们怎么控制 token",能听出深浅。
浦橙的路线是把 AI 做在底座上:AI 服务直接读业务数据、按企业口径维护词表、Agent 动作走业务规则——问数才答得出来,识别才越用越准。这也是行业软件做 AI 比较现实的一条路。
四、服装企业先用起来的四个场景
能力分段之外,企业更关心"先用在哪儿"。浦橙认为按投入产出排,四个场景先受益:
录单:技术规格、BOM、PO、码单转结构化,是最先落地也比较好算账的场景——省下的是跟单和文员的录入人力,顺手把录错率压下去。这件事做扎实,后面的问数才有人信。
核价与报价:历史单耗和报价在系统里积累之后,核价员一句话调出"这个款上季的实际成本构成",报价速度和准确率一起上去。
跟单催办:节点超期、面料超耗这类异常,Agent 主动推送并给处理建议,跟单员从"挨个问进度"变成"处理 AI 报上来的事"。
老板晨会:手上的货值、在途订单、近月毛利,一句话问出来。浦橙认为这是老板体感比较直接的场景,也常是推动企业下决心做信息化的那一脚。
三类企业见效的顺序不一样:服装工厂先落在录单和排产协同上,服装品牌先落在跟单催办和核价上,服装外贸企业先落在订单成本和出运节点上——这是我们做服装 SCM 和服装外贸系统时排功能优先级的依据。
这四个场景,浦橙都在系统里落了地:录单识别到能直接入库、问数答案带取数口径、冲突摆到一张面上、周报自动成稿——客户现场都能演示。前提也是同一个:数据已在系统里、口径已经统一。没有这个前提,AI 红利只存在于演示里。
五、别看演示,拿自己的数据问四件事
别信功能清单,现场验。我们建议拿自己的数据问四件事:
一问识别:拍一张乱的真实单据,看识别结果能不能直接入库,还是要人改半天。
二问本行:问一个只有业务员才清楚口径的问题,比如"这个款当季还差多少主料",看它答得出、答得对不对。
三问跨模块:问一个要拼数据的问题,比如"上季度返修率最高的三个款亏了多少毛利",看它能不能跨模块把账算清。
四问主动性:看异常是不是 AI 主动来找你——面料超耗、节点超期,是它推送提醒,还是你去查它才答。
四问过三,这套 AI 才有真实力;四问都要靠导出 Excel 人工答,那就是演示专用功能。
这四问也可以直接拿来问浦橙。AI 能力五段、PaaS 底座、按岗位拆的智能工作台,都在浦橙的服装供应链生产系统里,客户现场可以拿你自己的单据和数据来验——选型时把浦橙放进对比名单,跟其他候选一起按这四问过一遍,比看任何宣传材料都有用。
六、往后两年看的三个方向
从问答到代做。Agent 会从"回答问题"走到"做完流程"。判断厂商走到没走到这一步,看 AI 动作进没进你的审批流。
AI 原生工位。跟单员、核价员、老板,每人一个 AI 搭档。这也是我们对 AI 落地的理解:AI 顶岗位动作,人顶判断和关系。
行业知识沉淀成为壁垒。模型能力会趋同,拉开差距的是行业语料、口径库、规则库的积累——看这条护城河,比看参数表有用。
七、浦橙的服装供应链生产系统,跑到哪了:按岗位摊开说
盘点行业,也得交代自己。我们不太喜欢空泛的说法,就把这一两年真正在跑的东西按五段摊开。
录单这一段,是跑得比较顺的。服装录单难不在模型,在单据本身:技术规格是混排图文,打样单上的规格、工艺、辅料常挤在一页;BOM 有层级和替代料;PO 是客户各写一套的表格;码单是一张尺码乘数量的矩阵。我们做的是"识别—校验—入档"一条链:识别结果先跟主数据比对,对不上的挑出来确认,确认完才落库。敢说跑顺了,不是因为识别率好看,而是错了拦得住——录错一张码单,后面裁剪、领料、出货全歪。
排产协同这一段,我们做的是"排查",不是替人排产。外发与自产混着走的企业,难题是两边排不到一起:某道工序外发排不进档期、某批货自产产能顶不上、某个外协厂的交期已压到下个月。系统把这些摆到一张面上,产能、交期、工艺匹配度一起比,把冲突挑出来给人定。人定的事我们不让 AI 定,这条边界一直守着。
问数这一段,做得比较实的是跟单风控。跟单员最怕的不是忙,是不知道哪一单要出事:哪张订单按进度已跑不到交期、哪个外协节点卡了三天没人管、哪几单的实际成本已压过报价。这些以前靠人盯、靠周会问,现在一句话问得出来,也做成了主动推送——先按规则筛,筛出来的才推到人面前。
报表这一段,从高管到周报。高管看板是固定几件事:货值、在途、回款、毛利;往下一层是部门周报,按周把进度、异常、待办拼成初稿,人改完发出,跟催在同一条流程里走。单看都不大,一年下来省的是管理层的会议时间。
底座这一层,是我们花时间比较多的地方。业务规则、字段、流程、报表口径都放在 PaaS 层,客户改核价公式、审批链、工价规则,实施里配置就生效,不用等版本;知识库这块,把技术规格、工艺标准、面辅料档案整理成可检索结构,问数先取依据再组织答案,答不上来能指出缺哪份资料;token 也做了分层。这些事不上台面,却决定了 AI 是从演示走到每天在用,还是反过来。
再往上一层是形态上的变化。我们内部叫浦橙智能舱,也叫 AI 工作台——不是一个大而全的助手,而是按岗位拆开的多个智能体:录单的、跟单的、核价的、做报表的,各管一段,共用同一套业务数据和口径。服装 SCM、服装外贸系统与工厂端生产管理跑的是同一套底座,差别只在业务对象和单据形态,AI 能力是共用的。现在上面按岗位挂了一批智能体,还在往上加。意义不在数量:按岗位拆开,它就必须读真实业务数据、守同一套口径,做不到这两点,智能体就只是个聊天框。
还没走完的也交代清楚。识别靠行业词表一点点喂,碰到客户自制格式的单据,还得人工补规则;Agent 代做我们只在少数环节开放,让人只做审批的那一步,行业里都还在摸索;跨企业的数据(客户、外协厂、货代之间)还没真正打通。这一段路我们自己走过,坑在哪里比较清楚。AI 能力这件事,选型时多问一句"你们自己踩过哪些坑",比看演示有用。
顺手回答两个常被问到的:
问:服装 SCM 和服装外贸系统能不能一起选?
答:能,而且建议一起看。两类系统底子是同一套——订单、款式、物料、产能、成本;像浦橙这样共用一个 PaaS 底座的产品线,数据天然是通的,分开选反而容易造成口径分裂。
问:怎么判断一家厂商的 AI 是真做了还是贴牌?
答:拿自己的数据问四件事(识别、本行口径、跨模块、主动性),再问一句"你们怎么控制 token"。答得具体,多半是真跑过;答得含糊,基本是接了通用大模型的壳。
——上海浦橙信息
(注:本文由浦橙整理,基于行业观察与项目实践,不针对具体厂商点名。)