面向制造业的 AI 合同制造商产能谈判

AI 合同制造商产能谈判应将产品预测和工厂证据转化为可行的产量、成本、服务水平和风险分配范围。它不应想当然地接受供应商标称产能——也不应自主预留产能。

实际产出应是一个谈判边界：按期间划分的基线数量、上行权利、预测灵活性、预留经济性、质量阈值、资本责任和救济措施。这种针对具体产品的分析，是 AI procurement 的聚焦应用，其依据来自运营和工程，而不只是采购数据。

快速回答

使用 AI 协调已验证的瓶颈吞吐量与良率、返工、换线、合格劳动力、工装、材料、测试和质量放行。针对预留费用、照付不议风险、取消权和分配优先级，测试低、中、高三种需求情景。人类必须批准产能基线，以及每一项具有约束力的商业、工程、质量或资本承诺。

行业数据与运营约束

供应商声称某工厂“有 20% 可用产能”，并不是可用于决策的证据。买方需要针对具体工厂、产线、工艺、工装和产品族的数据。

所需的内部和外部输入

买方数据：

• 按 SKU、工厂和周划分的预测，包括误差和偏差
• 订单历史、上市计划、促销活动和终端客户服务目标
• 物料清单、工艺路线、图纸、批准供应商和节拍时间假设
• 工程变更管线和认证状态
• 缺陷、退货、关键质量特性和放行测试
• 采购订单、最低承诺、工装所有权和物料授权
• 缺料、库存、加急运费和资本假设
• 备选制造商、工厂和认证提前期

供应商证据：

• 班次日历、计划停机、维护历史和已验证节拍时间
• 各工序的投入量、一次通过良率、报废、返工和最终验收产出
• 覆盖顺序相关设置、清洁、预热和首件的换线矩阵
• 认证人数、班组模式、加班限制和培训提前期
• 模具、型腔、夹具、掩膜、冲模、测试设备、校准状态和剩余工装寿命
• 物料提前期、配给、最小订购量、保质期和批准替代品
• 验证状态、偏差、审计发现、实验室产能和放行时间
• 现有客户分配、预测冻结区间、取消窗口和上行通知要求
• 预留费用、产能闲置收费、资本回收和照付不议条款

定义很重要。ISO 22400 为制造运营 KPI 提供了框架，但双方仍需就公式边界达成一致。例如，“良率”可能指一次通过良率、最终良率、晶圆良率、测试良率或批次良率。

构建约束模型

对每个期间，计算：

可用运行小时 = 排程小时 − 计划停机 − 预期非计划停机 − 特定顺序换线时间

预期合格产出 = 毛产出 × 一次通过良率 + 可恢复返工 − 最终测试或放行拒收量

然后，将产出限制在设备、工装、合格劳动力、材料、下游测试、质量放行和合同产能等各项约束中的最低可行上限。

瓶颈因品类而异：

• 电子装配： SMT 贴片看似没有约束，但功能测试夹具、技术员或长交期元器件可能限制出货。某份公开披露的电子协议将排产与可用工装挂钩，并对不同预测期间采用不同承诺比例，较后月份仅用于规划（SEC exhibit）。
• 半导体晶圆代工： 按工艺节点、晶圆类型、掩膜组、晶圆厂和季度建模晶圆投片量——再应用每片晶圆可切割裸片数、晶圆良率、探针测试良率、周期时间和后段产能限制。公开的代工协议展示的是零件级预测和季度承诺，而不是泛泛的网络利用率（SEC exhibit）。
• 电池电芯： 涂布、烘干、化成通道、干燥房空间和爬坡期报废可能占主导。某份公开协议将上行产能与设备瓶颈挂钩，并处理了客户出资产线设备和变更地点审批问题（SEC exhibit）。
• 制药生产： 反应釜容积并不等于已放行批次产能。必须对清洁、生产窗口、已验证批量、实验室测试、偏差和批次处置进行建模。FDA 指南建议明确分配验证、测试、变更控制和处置责任（FDA guidance）。

一个具体的谈判场景

某电子产品买方预测每周需要 10,000 块控制板。合同制造商提出可收费预留每周 12,000 件产能。

运营团队验证后确认：排程产线工时为 240 小时。扣除 12 小时计划停机和针对拟议 SKU 顺序的 18 小时换线后，剩余 210 小时。按每小时 50 块毛板计算，产线可加工 10,500 块板。应用 94% 的一次通过良率后，在可恢复返工前可得到 9,870 块板。然而，现有夹具下功能测试每周只能接收 9,600 块板。

因此，该预留主张在运营上并无支撑。采购、工程和供应商可以谈判一个附条件方案：

• 以 9,600 块已验证合格板作为基线；
• 在见证产能跑线后，获得提升至 11,000 的上行权利；
• 由供应商为第二个测试班次配备人员；
• 由买方出资增加一套夹具，并记录所有权和转移权利；
• 在适用全额预留费前，要求达到 98% 的最终良率阈值；
• 对于由供应商导致的停机或质量失效，不收取照付不议费用；以及
• 设定 4 周刚性预测、8 周弹性区间，之后仅作规划需求。

跟踪按时足量交付、每测试小时合格件数、一次通过和最终良率、换线小时、加班、缺货数量、加急运费和已使用预留产能。重点不是制造虚假的确定性，而是揭示哪些假设必须转化为条件。

谈判边界清单

在交换报价前，使用此模板：

• 基线： 按周、月或季度划分的已验证合格件数或合格批次数
• 上行： 数量、通知期、适用产品、价格和瓶颈条件
• 预测冻结区间： 刚性、部分弹性和仅规划期间
• 预留： 费用、获得的可衡量产能、利用率测试、抵扣和退款规则
• 良率： 定义、基线、改进里程碑以及报废/返工责任
• 换线： 标准时间、顺序矩阵、生产批量和成本处理方式
• 劳动力： 扩编触发条件、认证、培训提前期和加班上限
• 工装： 出资、所有权、维护、地点、访问、复制和转移权利
• 质量： 验证、放行权限、纠正措施期限和救济措施
• 连续性： 分配优先级、备选工厂、恢复时间和转移支持

采购负责人拥有商业策略；供应计划负责人拥有需求情景；工业工程验证节拍时间和瓶颈；产品工程拥有规格和工装；质量或法规团队拥有验证和放行控制；财务审查情景经济性；法务审查具有约束力的语言；业务负责人批准重大风险。这种跨职能工作应置于明确的 procurement process 之中，而不是作为独立的 AI 练习。

机器学习、生成式 AI 和代理式工作流的适用位置

机器学习 可以基于足够一致的订单、MES、维护和质量历史，估计预测分布、良率、停机或延迟交付风险。其输出是推断——不是证据——而且在早期量产爬坡阶段，数据可能过于稀疏或不稳定，无法进行可靠预测。

生成式 AI 可以比较供应商提交材料、汇总源记录、识别相互冲突的 KPI 定义、起草情景问题并创建交易方案。在 Negotiations.AI 工作流中，买方可以将已批准的证据、假设、目标和底线整合成一份可审阅简报，用于 AI-assisted negotiations。生成的摘要仍需核验来源。

代理式工作流 可以请求缺失文件、在预测变化时重新计算情景、将异常路由给工程或质量团队，并准备审批材料草案。它们不应更改分配、接受偏差、签发采购订单或传达具有约束力的接受意见。评估更广泛工作流的团队可以查看 AI procurement use-case guide。

可练习的 AI 提示词

• “将这份产能提交材料拆分为已观察记录、模型假设和供应商主张。按瓶颈标记缺失证据。”
• “在不改变质量要求的前提下，创建三个交易方案，在预测刚性、夹具出资、上行权利和预留费用之间进行权衡。”
• “如果一次通过良率下降 3 个百分点且测试产能保持不变，对该报价进行压力测试。”

人工决策与审批关口

在每个工作簿中保留三个清晰层次：来自 MES、质量、人员配置、维护和已签署条款的已观察证据；如预测良率或缺货风险暴露等模型推断；以及关于可信度、战略重要性、监管风险和关系影响的人工判断。

在接受产能基线之前；变更工艺、产品、工装或制造地点之前；批准偏差、验证结果或批次处置之前；出资资本项目或不可取消物料之前；接受预留或照付不议责任之前；更改供应商分配之前；与 AI 提供商共享机密数据之前；或签署协议或采购订单之前，都必须获得人工批准。这种区分与 NIST’s AI Risk Management Framework 中关于人类角色和治理原则的要求一致。

局限性

历史吞吐量可能无法代表新的产品组合、设计、劳动力或物料环境。供应商可能使用不兼容的定义，而对其他客户未披露的承诺也无法被可靠推断。相关性中断可能使简单风险假设失效，而成本优化模型可能忽略安全、监管、地缘政治、伦理和关系因素。公开协议展示的是可能的结构——而不是市场价格或普遍适用的条款。

来源

• ISO 22400-1 manufacturing KPI concepts
• FDA guidance on contract-manufacturing quality agreements
• NIST AI Risk Management Framework 1.0
• GlobalFoundries capacity agreement filed with the SEC

延伸阅读

• NIST: Human-AI interaction and risk management
• SEC: Electronics manufacturing agreement
• SEC: Enovix manufacturing agreement
• SEC: Patheon commercial manufacturing agreement

常见问题

AI 应使用额定产能还是已验证产能？

只要有可信记录或双方同意的产能跑线结果，就应使用已验证、可持续的合格产出。额定产能可以作为带标签的假设，保留用于改进情景。

产能预留费应购买什么？

它应对应可衡量、可审计、可用于该产品的产能，并明确期间、产品、瓶颈、利用条件、抵扣和例外情况。商业和法务审核人员必须批准最终结构。

预测不确定性应如何进入谈判？

使用低、中、高情景或明确的概率区间。将其转化为预测冻结区间、灵活性区间、上行权利、取消窗口和物料授权限制，而不是把不确定性隐藏在单一预测中。

AI 能选择最终胜出的合同制造商吗？

不能。AI 可以比较受约束的情景并记录权衡，但在批准授标前，负有责任的利益相关方必须判断质量、韧性、战略匹配、经济性和合同风险。

免责声明：本文提供一般性运营信息，不构成法律、财务、监管或工程建议。