S&OP / IBP
供需平衡：S&OP Scenario + AI
把需求、供应、产能与库存放进同一供需缺口，再让 AI 读取业务约束、代码计算多个 Scenario、人选择真正接受的 trade-off。
可运行演示AI 增强现有工作Hybrid · AI + 确定性逻辑人工复核
工业语境与系统边界
场景实验 · S&OP · IBP
AI 与规则、Solver 或代码协作
集成边界：单周期聚合供需平衡仿真；未连接 IBP、ERP 或 APS。
这个 BUILD 证明了什么
这个实验产生了一个边界清晰、可以检查的结果。
基础条件只能覆盖 10,500 / 12,000 需求。系统会生成成本优先、平衡和服务优先三个 Scenario；加班、供应加急和高成本外部恢复会逐步提高 Fulfillment，同时带来可见的增量成本。AI 只解释这些已计算结果，不自行改写 KPI 或宣布“最佳方案”。
当需求超过基础供给与产能时，AI 最适合替代计划数学，还是应该帮助系统理解业务约束、组织 Scenario，并让人看清不同权衡？
把局部计划问题拉到同一张供需表上，比较整体 Scenario，而不是让 AI 直接“拍一个答案”。
这个 Build 验证上层决策模式：AI 受限抽取可编辑的业务语境，确定性引擎算 Scenario，人决定接受哪种经营取舍。
本月需求 12,000，但基础供应与产能无法完全覆盖。
这是一个聚合层级的最小 S&OP 场景，重点是跨域 trade-off，而不是构建完整 APS。
基础生产受 9,500 产能约束，加上 1,000 库存后仍无法覆盖全部需求。
决策边界
谁负责什么？
AI / 确定性系统 / 人怎么分工
- 输入01定义问题
Build 从一个边界清晰的能力问题开始。
- 系统02运行实验
实现本身负责产生可测量的系统行为。
- 证据03检查结果
结论只限定在现有证据真正支持的范围内。
证据深度
验证这个结论。
限制必须保持可见；实现细节可以深入查看，但不能阻塞 Demo 主流程。验证 2026-10-21 · 构建 6e89290 · 未测 2 项 / 阻塞 3 项展开全量记录
- 未测8 条路由 × 3 视口（1440×900 / 720×900 / 390×844）的横向溢出、Tab 焦点 outline、#evidence 深链、正文对比度抽样（仅记录数值，阈值未定）
- 未测对比度阈值判定：首轮只记录实测数值，WCAG 阈值待真实分布确认
- 阻塞读屏（screen reader）
原因：当前无读屏执行环境
- 阻塞原生 200% 浏览器缩放
原因：headless 视口不能替代原生缩放，需人工验证
- 阻塞视觉构图接受
原因：需人眼评审；当前会话无视觉模型能力
- 这是单周期、聚合层级的最小 S&OP / IBP Scenario 实验，不代表完整企业计划模型。
- 所有需求、供应、产能、库存和成本均为模拟数据。
- 当前没有 SKU / Location 层级、财务 P&L、约束求解器、概率需求、供应网络或真实 ERP / APS 集成。
- 系统有意不自动推荐“最佳 Scenario”；不同目标之间的最终取舍由人承担。
实现方式
一个上层供需平衡实验：本月需求 12,000，供应商基础供给 10,000，工厂基础产能 9,500，可动用库存 1,000。AI 从业务说明中提取战略客户保护量、是否允许加班与是否允许高成本恢复；确定性模型生成 Cost First、Balanced 和 Service First 三个 Scenario，并比较 Fulfillment、增量成本与关键客户保护。确定性 Scenario Engine 使用固定结构化数据计算基础可履约量，并按 Scenario 启用不同的供应加急、加班与外部恢复能力。AI Runtime 从业务语境中只提取 protectQty、overtimeAllowed 与 premiumAllowed，并在结果生成后基于系统提供的 Scenario JSON 输出不改变数字的简短权衡解释；失败时显示明确的非 AI 回退说明。
可复用模式
“AI 读业务约束 → 确定性 Scenario Engine → AI 解释 trade-off → Human 决策”的模式可复用于产能规划、预算分配、库存策略和网络恢复。
证据与来源
- Demo交互式 S&OP Scenario Demo
同一供需缺口生成多个可比较 Scenario，并把业务语境、数学计算和人工选择明确分开。
- 架构AI → Scenario Engine → Human 边界
AI 提取软约束并解释 trade-off；代码拥有供需、产能、成本与 Fulfillment 计算；业务负责人决定方案。
- 源码