制造业正处于前所未有的变革时期，我们正从工业时代过渡到信息时代。在这一转型中，最能获取价值的制造商，将是那些最善于管理复杂性并拥抱灵活性的企业。为回应这一需求，一种新的制造软件层应运而生。
本文汇集了数百家制造企业的见解，涵盖中小企业和财富500强公司，探讨了现代制造运营的需求，以及软件在满足这些需求中所扮演的角色。
世界上最大的机器
现代制造运营是一个复杂的适应性系统：成千上万名一线工人与全球供应链和自动化设备相互作用，共同生产出我们熟知并喜爱的产品。根据定义，这一系统无法通过逐一审视其组成部分而被完全理解。仅凭设备清单、人员配置和工艺流程图，并不能真正告诉你某个运营环节的实际运行状况。
现实情况是，运营中充满了智能决策者：从负责执行工作的一线员工，到必须确保其持续运行的工程师。这些决策者中的每一位都在不断吸收周围环境的新信息，并调整自身行为，以最好地实现其目标。在这种复杂系统中，运营条件的变化可能对产量产生非线性影响。
鉴于整个系统的极端复杂性，人们可能会合理地认为，有大量先进软件支撑着这一全球制造体系。毕竟，云计算时代已经带来了新一代信息技术，帮助几乎所有其他行业管理复杂性。
如果没有Salesforce，很难想象现代销售人员的工作；如果没有Hubspot，营销人员的工作也难以开展。否则，他们又如何获取和组织履行职责所依赖的数据呢？
然而，这些基于云的生产力工具在制造业领域却明显缺席。在几乎任何车间走一圈，你都会看到人们为了追求效率，仍在使用电子表格、白板和纸质表格来跟踪生产流程。
全球规模最大、且可以说是最复杂的产业，其需求——实时反馈回路和去中心化决策是保持竞争力的必要条件——为何至今仍未被现代软件所满足？
为了理解当前的状况，值得简要考察现代制造机器诞生的更广泛背景。
我们能求解多少个变量？
归根结底，每一个制造运营都可以归结为一系列行动，每个行动都为产品增加一份渐进的价值。工业工程师、流程工程师和质量工程师等岗位，正是为了寻找一种最优状态而存在的：该状态既要使产出与市场需求相平衡，又要尽可能减少运营开支。
从历史上看，制造业曾被视为一个相对静态的系统。制造工程师会试图确定系统的各项投入，并实现最高效的流程。
以装配线为例。其背后的关键洞见在于，将资源在价值链的特定环节上均匀平衡分配。装配线通过缩小每位员工的工作范围，在实现最大产出的同时，将人为失误的可能性降至最低。每位工人做得更多、更快、更好，同时所需的培训也更少。
当系统的投入和需求都是静态且可知的时候，装配线式的制造理念运行良好。最高效的运营，是那些拥有最佳设计和执行体系的运营。
技术提升能力，能力又增加复杂性
新技术的引入增加了制造商的可选项。每引入一项新技术到这一静态系统中，为实现最优设计而必须考虑的组合总数便呈指数级增长。
此外，运营不再受地理条件的限制。供应链开始跨越海洋和国界。零部件可以在内部生产，也可以从十几家供应商中的任何一家采购。在这种情况下，要对运营体系及其相关的相互依存关系形成整体概念变得不可能。制造价值链原本是一个统一的机械系统，如今却被分割为各个子系统，并被分配给不同的利益相关方。每个利益相关方都只负责优化自身的一小部分，却只能有限地了解其如何影响整个系统。
更令问题雪上加霜的是，只有在我们考虑相对稳定、高产量、低品种混合的运营时，制造运营的静态视角才行得通。而在现实中，制造运营必须应对系统的冲击以及不断变化的消费者需求。
今天的产品线不会无限期地运行下去。产品以及制造它们的系统都在持续适应变化。相互关联的制造子系统并不存在静态的最优状态。相反，它是一个会根据环境不断自我调整的系统。制造商持续追求的最优效率目标，每天都在变化。
精益运动应运而生
正是在这一背景下，20世纪90年代初，一种特定的理念从日本一家汽车制造商中诞生。丰田率先接受了将制造运营视为复杂适应性系统的观点，并认识到并不存在一个可知的单一最优状态。
相反，丰田将运营视为一组动态的嵌套子系统，其最优状态永远无法真正达到，却必须持续追求。为此，他们在整个系统中融入了反馈回路，通过持续衡量运营的关键绩效指标（KPI），如产出量、周期时间、返工率和废品率。
通过监测这些KPI并持续寻求改进，人们便可以推动系统朝着不断变化的最优效率状态前进。一旦发现低效之处，便采取措施加以消除。流程改进的目标是持续不断的。
自丰田推出其如今享有盛誉的生产体系以来，技术创新在制造业中层出不穷，然而，市场领导者用以识别、监测并持续改进其制造运营的工具，基本上仍保持不变。
走访大多数领先的制造车间便会发现：人们用纸质表格记录缺陷；用秒表测定手工装配线上各个步骤所需的适当周期时间；产品未通过质量检验时，用手动计数器计数；白板则用于跟踪每日产出目标和一次通过率。
这些手工收集数据的方式耗时费力且容易出错，但在世界上许多技术最先进的运营中，它们却屡见不鲜。其中一些企业生产的，恰恰是在其他行业已使纸张变得过时的技术。
软件呢？
在车间层面，需要一层“连接组织”来管理关键生产数据的采集与传播，这一概念并不新鲜。在制造商的IT架构中，这一层通常被称为制造执行系统（MES）。
制造商采用MES，往往是希望提高运营效率，并更好地控制生产过程。其所推销的愿景，是一种集中架构的、自上而下实施的制造运营优化状态。
这种方法的根本问题在于，这些系统试图在设计阶段就理解并优化整个制造运营。由此产生的复杂性，建立在僵化的数据模型基础之上，而这些模型需要软件工程师来理解和操作。对于制造运营这一复杂且动态的系统而言，这无异于徒劳的努力。
当这些系统部署到车间并直面生产的现实时，系统变更便不可避免。这些变更必须通过IT团队或第三方软件供应商来管理，并由一位可能对制造业几乎一无所知的软件工程师来实施。
这一过程缓慢、痛苦且昂贵，而且永无止境。随着日常运营不断根据环境变化进行调整，更多的变更必然随之而来。对于负责保持运营正常运行的制造工程师而言，与其等待数月才能将新的软件更新固定下来，往往更有效的做法是退回到基于纸张的变通方法。
在动态系统中，灵活性至上
一位崭露头角的流程工程师曾描述，她不得不在不到12个月的时间里，将某条生产线的产量从每天250件提升至每天4000多件。为完成这一壮举，她不得不每天迭代自己的流程。她深知自己无法“求解”出最优方案，因为未知因素太多，系统也过于复杂。
因此，她采取了快速试验的策略：定期进行渐进式调整，监测其对生产的影响，然后相应地调整计划。若使用定制的MES来实现这种产量提升，则是不可能的。对系统进行变更耗时太长，而她还必须在依赖现有资源的前提下，每周实现两位数的产量增长。
在决定如何跟踪某项特定调整对生产的影响时，她唯一的选择是打印一些表格以记录缺陷，然后手持秒表，测量该调整每生产一件产品所节省的时间。她坦言，这些手工工具耗时费力、信息不完整、效率低下且容易出错。她的大部分时间都花在收集数据上，而非真正设计更好的解决方案。即便如此，这些工具却有一项至关重要的特性——她可以在短短几分钟内亲自修改并重新利用它们。
这样的故事每天在各大制造运营中上演数百次，无数制造工程师都在调整其流程，以实现更高的效率。这些一线工程师并不需要一个完美的软件解决方案，去强制遵循某种理想化的最优状态。他们需要的是一套敏捷的工具，使其能够以去中心化的方式拥抱变化并管理复杂性。
“无代码”与制造应用的兴起
一类新型的“无代码”应用平台（如Tulip）正应运而生，以回应这一需求。Tulip并未试图设计一个能够规范地管理制造商日常运营的单一解决方案，而是为深谙自身流程的制造工程师提供了更好的工具，使他们能够传达流程变更，并实时看到这些变更产生的影响。
一线制造工程师无需编写一行代码，即可针对具体问题构建并部署定制解决方案。这些解决方案以制造应用的形式呈现。
其运作方式如下：工程师首先分析自身的流程，并识别出需要解决的问题。也许车间员工需要对复杂的定制装配过程给予指导，或者他们希望衡量某台机器的整体效率，又或者需要追溯新生产线上出现缺陷的根本原因。
负责这些运营的工程师会构建具有定制逻辑和内容的应用。这些应用随后可以与车间中的机器、传感器和后端系统相连接，并整合其中的数据。
其结果是，制造工程师能够迅速实施流程改进，观察其影响，并基于确凿的数据调整解决方案。这些应用既可以作为单一的点状解决方案部署，也可以由数十名工程师同时针对不同问题并行部署。
那么，制造业技术将走向何方？
现代制造运营十分复杂。问题会以意想不到的方式出现，系统中的微小变化都可能对成本和产量产生非线性影响。这些系统无法仅通过研究其单个组成部分而被完全理解。但它们充满了智能决策者，能够不断吸收新信息，并根据不断变化的环境持续改进其解决方案。
一类新型软件应运而生，通过更好地赋能制造运营核心的人员，帮助管理这种复杂性。它们使制造工程师能够迅速实施问题解决方案，并衡量其影响。这种方法赋予了去中心化但互联互通的问题解决能力，而这正是推动复杂适应性系统迈向更高效状态的动力。
这一转变已然开始。世界日益复杂，而那些在20世纪推动企业效率提升的原则，已不再适应信息时代。
在这一新时代，那些能够通过拥抱促进去中心化决策的技术、从而最好地管理复杂性的制造商，将比那些仍固守20世纪集中控制与执行运营观念的落后者，拥有持续的竞争优势。
