星期三的進度會議上，一項機電安裝工作仍然顯示為綠色。

根據總進度計劃，它尚有十日才到完成期限，亦未正式進入關鍵路徑。項目經理沒有特別擔心，因為分判商報告完成率已達六成，並承諾下星期增加人手。

但如果把最近三星期的現場資料放在一起，畫面可能完全不同。

每日實際完成量持續低於原計劃；兩張關鍵圖紙仍等待批核；所需設備的交貨日期已經兩次向後移；前一個工序雖然報告完成，實際仍有部分工作面未能移交。這項工作在甘特圖上仍是綠色，但它成功準時完成所依賴的條件，正在逐一失去可靠性。

AI 排程真正希望捕捉的，就是這段尚未變紅的時間。

傳統排程回答「應該怎樣走」，預測模型回答「最可能在哪裏失守」

CPM 和傳統工程排程以工序工期、邏輯關係、浮動時間與關鍵路徑為核心。只要輸入合理、更新及時，它仍然是工程計劃最重要的基礎之一。

AI 並不是取代這套邏輯。

它補充的是另一個問題：在實際項目行為下，原本輸入的工期和承諾，仍然有多可信？

例如兩項工作在排程中同樣有十日浮動，但其中一項由表現穩定的團隊執行，圖紙和物料已準備；另一項過去三次承諾均未達成，仍依賴未批文件和未確認供應。從排程數學上看，它們可能相同；從實際履約風險看，它們完全不同。

預測模型可以把過往完成速度、人手投入、工作面狀態、RFI、圖紙批核、物料交期、分判承諾和相似工序歷史表現放在一起，估算某項工作延誤的機會。

輸出未必是一個確定答案，而可以是一個風險分布：按目前趨勢，準時完成的機會是多少？如果交貨再延誤三日，哪條路徑最可能變成新的瓶頸？如果增加人手，工期是否真的會改善？

這與單純把進度條由綠色轉成紅色，是完全不同的管理價值。

AI 最有用的時候，不是指出已經發生的延誤

一項工作正式逾期後，並不需要 AI 才知道它落後。

真正有價值的預測，是在管理層仍然有選擇時發出訊號。

某項工作雖然尚有浮動，但實際產出持續下降；某一張圖紙表面上不在關鍵路徑，卻同時影響多個後續工種；一批材料仍未遲交，但供應商過去幾次更新已經顯示承諾不穩定。

這些訊號單獨看未必足以升級，但合在一起，可能顯示原本的排程假設已經開始失效。

因此，AI 系統不應只做延誤警報，也應協助團隊辨認「脆弱路徑」。

關鍵路徑告訴管理層，在現有計劃假設下，哪些工作控制完工日期；脆弱路徑則進一步問，哪些工作最容易因資料、資源或承諾失準而成為下一條關鍵路徑。

工程風險經常不是原本的關鍵工作突然失敗，而是某項一直被視為仍有空間的工作，逐步用盡浮動後取代了它。

完成率是 AI 排程最容易被誤導的資料

工程進度資料常以百分比表示。

某項工作完成七成，看起來比完成四成安全，但百分比本身未必說明餘下工作的難度。前七成可能是重複、開放和容易施工的區域，餘下三成卻集中在接口複雜、工作面受限或需要多方配合的位置。

如果模型只學習完成百分比，它可能與傳統報表犯同一個錯誤。

較有價值的資料，應包括實際完成的工作量、工作面位置、剩餘工序性質、前置條件和每週承諾是否達成。系統需要知道的，不只是做了多少，而是下一個可交付成果還欠甚麼。

例如分判商報告已完成八成管線安裝，但若剩餘部分全部位於設備房和豎井，並需要等待其他工種移交，這八成未必代表工期風險很低。

AI 並不會自動理解這種差異。企業要先把工程進度由粗略百分比，逐步轉化為較有結構的工作與條件資料。

加人、加班和改工序，AI 應該比較的不是畫面，而是結果

項目開始落後後，管理層通常會提出幾種方案：增加人手、安排夜班、把部分工作提前、改變施工次序，或者把資源由其他區域調過來。

傳統排程可以模擬日期改變，但 AI 可以進一步利用過往實際表現，評估某種措施在相似條件下是否曾經有效。

增加二十名工人，並不代表產出一定等比例增加。如果工作面有限、材料供應不足或技術監督不夠，人手增加反而可能令擠迫、等待和返工上升。夜班提供更多工時，但若設計、供應商和其他工種只在日間支援，問題解決速度未必改善。

較成熟的 AI 排程，不應直接告訴管理層「最佳方案」，而應展示不同情境的假設和後果。

如果增加人手，模型假設有效施工面有多少？如果改變工序，會把壓力轉移到哪一個後續接口？如果延後非關鍵區域，對資源、成本和現金流有甚麼影響？

系統提供的是比較，而不是替管理者承擔責任。

AI 排程的最大風險，是把不完整資料包裝成精確答案

工程數據經常帶有延遲、主觀判斷和缺失。

進度可能由分判商自行申報，人手數字未必反映有效工時，物料日期可能只是供應商最新承諾，圖紙狀態亦可能寫着已提交，但實際仍缺關鍵資料。

模型可以輸出一個看似精確的延誤機率，但如果資料來源不可靠，小數點只會令錯誤顯得更有權威。

因此，預測結果應同時顯示主要依據和不確定性。

管理者需要知道，系統為甚麼認為某項工作風險上升：是實際生產率下降、前置條件未完成、供應日期不穩，還是相似團隊過往表現？若某類資料缺失，系統亦應清楚表示信心較低，而不是自動補上一個合理答案。

AI 排程成熟的標誌，不是每項工作都有一個風險分數，而是團隊知道這個分數由甚麼形成，以及甚麼情況下不應相信它。

可由哪一個 pilot 開始？

不需要一開始便把整個項目所有資料交給 AI。

企業可以先選一個正在施工的項目，只處理未來六至八星期的主要工序。把每週計劃、實際完成量、人手、工作面、圖紙批核、材料交期和分判承諾放在一起，先回答一個窄問題：

哪三項工作最可能在未來兩星期失守，而目前仍有時間採取行動？

第一階段的價值，不是立即讓 AI 重排整個項目，而是比較模型預警與項目團隊判斷。哪些訊號模型看到了、人沒有看到？哪些現場脈絡只有人知道，資料未能反映？

當系統能夠穩定地提出值得討論的早期訊號，才逐步加入情境模擬和資源優化。

AI 排程最終不是讓工程少開一次進度會議，而是讓會議在問題正式變紅之前，仍然有真正的選擇可以討論。