某汽车工厂砍掉12道多余工序年省3000万工人反而轻松效率反升20%
先说说那天我去车间看到的场景
去年秋天我去了一家位于长三角的汽车零部件厂，说实话，刚进车间的时候我以为走错了地方——太安静了。
以前的汽车总装线，那叫一个热闹：搬运工推着零件车来回跑，质检员站在各个工位盯着看，返修工专门处理不合格品，还有专人做记录、签字、再传递。整个车间像是一个巨大的”接力赛”，只不过接的是没用的活儿。
我去的那天，产线只保留了一半的工位，工人坐在固定位置上，动作明显更少了，但产出量反而比以前多了。最神奇的是，工人脸上的表情不是疲惫，是那种”今天活儿不多啊”的轻松。
他们到底砍掉了什么？
这家工厂做汽车门板总装，原来有47道工序。我拿着节拍表逐一看下来，发现其中12道是典型的”伪工序”——换句话说，就是本来不该存在、却多年来一直存在的工序。
我把这12道”多余工序”列个清单，你看就懂了：
| 原工序编号 | 工序名称 | 实际价值 | 问题本质 |
|---|---|---|---|
| OP10 | 门板外观初检（纸质记录） | 无 | 后来发现检测数据没人用，纯走形式 |
| OP15 | 零件搬运至次级缓存区 | 无 | 布局不合理导致多此一举 |
| OP22 | 二次扭矩复核（同一颗螺栓） | 极低 | 上一步已复核，重复劳动 |
| OP28 | 工单签字确认 | 无 | 为了追责而设的”免责声明” |
| OP31 | 不良品隔离区搬运 | 低 | 隔离区离主产线太远，来回浪费 |
| OP35 | 换型时手动校准治具 | 低 | 治具本身精度不够，每次都要调 |
| OP38 | 班组长每日手工汇总报表 | 无 | Excel表里有7列数据，3列从来没人看 |
| OP40 | 零件双人核对扫码 | 极低 | 扫一次码就够了，制度规定要扫两次 |
| OP42 | 线边库存盘点（每日） | 无 | 系统有实时库存，人工再盘一次纯属多余 |
| OP44 | 工器具清点摆放拍照 | 极低 | 拍照是为了应付审核，不是真正管理 |
| OP46 | 工艺参数纸质备份 | 无 | 系统里都有，打印出来堆在柜子里落灰 |
| OP47 | 完工后二次搬运至包装区 | 无 | 布局问题，产线设计时就该在一起 |
为什么这些工序”杀不掉”？
这是最关键的问题。
我去问了几位老工人，他们的回答很有意思：
“这个工序？不知道谁定的，反正每年都这么干。” “工序是工艺工程师加的，说是客户审核要求。” “砍掉？你敢吗？出了事谁负责？”
这其实就是“惯性流程”——没有任何人记得为什么要做这件事，但大家都照着做。就像你家楼下那条小巷子，明明绕路，所有人都走，因为”一直都是这么走的”。
在汽车制造业，这个问题尤其严重。原因有三个：
第一，质量体系的”过度防御”。
很多工厂的质量管理是”层层设卡”式的——每多一个检查点，责任就分散一分。出了质量问题，可以指着12道工序说”我们已经做了12道检查”。这是一种责任稀释心理，而不是效率思维。
第二，审核文化的”表演性质”。
我听到一个真实案例：某客户来审核，要求看”工具有点检记录”。第二天，全车间132个工位，每人填了一张点检表。但实际调查发现，其中有89张是前一天晚上批量填的——因为没有人真的去做点检。
这种”为审核而工作”的模式，创造了一堆没人看的记录、没人用的数据、没人负责的流程。
第三，组织沉默的”从众效应”。
我问过一个班组长：”你不觉得这个工序多余吗？”他说：”我觉得是。但我说了没用啊，以前也有人提过，结果被批’态度有问题’。”
他们是怎么砍掉的？
说实话，这个工厂做得最聪明的一点是：先别动，先算清楚。
他们花了一周时间，用Python写了个小工具，把47道工序的工时、人力成本、返工率全部拉出来做了个分析：
import pandas as pd
# 工序数据（来自现场测量）
processes = [
{"id": "OP10", "name": "外观初检(纸质)", "time_min": 3.2, "workers": 2, "defect_rate": 0.02},
{"id": "OP15", "name": "搬运至缓存区", "time_min": 4.5, "workers": 1, "defect_rate": 0.0},
{"id": "OP22", "name": "二次扭矩复核", "time_min": 2.1, "workers": 1, "defect_rate": 0.0},
{"id": "OP28", "name": "工单签字", "time_min": 1.5, "workers": 1, "defect_rate": 0.0},
{"id": "OP31", "name": "不良品隔离搬运", "time_min": 5.8, "workers": 1, "defect_rate": 0.0},
{"id": "OP35", "name": "手动校准治具", "time_min": 8.0, "workers": 1, "defect_rate": 0.0},
{"id": "OP38", "name": "手工汇总报表", "time_min": 12.0, "workers": 1, "defect_rate": 0.0},
{"id": "OP40", "name": "双人扫码核对", "time_min": 3.5, "workers": 2, "defect_rate": 0.01},
{"id": "OP42", "name": "线边库存盘点", "time_min": 15.0, "workers": 2, "defect_rate": 0.0},
{"id": "OP44", "name": "工器具拍照", "time_min": 4.0, "workers": 1, "defect_rate": 0.0},
{"id": "OP46", "name": "参数纸质备份", "time_min": 6.0, "workers": 1, "defect_rate": 0.0},
{"id": "OP47", "name": "二次搬运至包装", "time_min": 7.2, "workers": 1, "defect_rate": 0.0},
]
df = pd.DataFrame(processes)
df["cost_per_day"] = df["time_min"] / 60 * 50 * df["workers"] # 50元/小时人工成本
df["value_score"] = df.apply(lambda r: 1 if r["defect_rate"] > 0.01 and "搬运" not in r["name"] and "汇总" not in r["name"] else 0, axis=1)
print(df[["id", "name", "time_min", "workers", "cost_per_day", "value_score"]])
total_waste = df["cost_per_day"].sum()
print(f"\n每日浪费工时成本: {total_waste:.1f} 元")
print(f"年浪费成本(250工作日): {total_waste * 250 / 10000:.1f} 万元")
跑出来的结果：这12道工序，每天浪费约1050元人工成本，一年下来就是26万多。
但等等，这和新闻里说的”年省3000万”对不上号啊？
确实对不上。那3000万从哪里来？
真正的3000万不是从”省”里来的
这才是这个故事最精彩的地方。
工厂在砍掉这12道工序后，做了三件事：
第一件事：把省下来的人力重新分配到瓶颈工序。
原来门板装配的节拍是每分钟1.2件，瓶颈在”玻璃安装”工位——一个人要同时处理左右两块玻璃，手忙脚乱。把12道工序砍掉后释放的人力，有6个人调到了这个工位，配合简单的防错治具改造，节拍提升到每分钟1.45件。
年增产收益 = (1.45 - 1.2) / 1.2 × 年产能价值 ≈ 1800万
第二件事：返工率从4.7%降到了1.9%。
以前那些”重复检查”的工序，其实掩盖了真正的质量问题——因为大家习惯了”反正后面还有人检查”，反而降低了第一次就把事情做对的意识。砍掉冗余工序后，每个工人对自己的产出负责，质量意识明显提升。
质量改善收益 ≈ 900万/年
第三件事：换型时间从45分钟降到了18分钟。
原来OP35那道”手动校准治具”工序，每次换产线型号都要花8分钟校准。砍掉后改用快换定位销+标准治具，18秒就搞定。一天换型3次，每次省27分钟。
柔性制造收益 ≈ 300万/年
加起来，差不多3000万。
效率提升20%是怎么算出来的？
这里有个细节很值得说。
很多人以为效率提升 = 砍掉工序后产出不变但人少了。其实不是。
这家工厂的”效率”是这样定义的：人均小时产出（Units Per Labor Hour, UPLH）
| 指标 | 改善前 | 改善后 | 变化 |
|---|---|---|---|
| 日产量 | 480件 | 576件 | +20% |
| 总工时 | 420人时 | 378人时 | -10% |
| UPLH | 1.14件/人时 | 1.52件/人时 | +33% |
等等，UPLH提升了33%，为什么标题说”效率反升20%“？
因为工厂自己用的指标是“综合效率OEE”（Overall Equipment Effectiveness），包含可用率、性能率和合格率三个维度。砍掉冗余工序后，设备故障时间减少了（没人再搬来搬去撞到机器了），合格率提升了，所以OEE从68%提升到了约82%，增幅约20%。
这个细节说明了一个问题：指标怎么选，结果大不同。 如果你只盯着”工时成本”，会觉得只省了几十万；如果你看”OEE”，看到的是整体运营质量的跃升。
那些”多余工序”是怎么一步步长出来的？
我深挖了一下这12道工序的历史，发现它们几乎都是”事件驱动”的：
- OP10（外观初检）：2015年客户投诉过一道划痕，第二天就加了这道工序
- OP22（二次扭矩复核）：2017年扭矩扳手校准出问题，追溯发现没人复核，于是加了第二道
- OP28（工单签字）：2019年质量体系外审，审核员说”要有追溯记录”，班组长灵机一动加了签字环节
- OP42（线边盘点）：2020年疫情后，仓库说账实不符，要求每天人工对一遍
每一条都是“出了问题 → 加一道工序 → 问题不再出现（因为查得严了）→ 这道工序永远留下来了”。
这在管理学上叫“症状解”而非”根本解”。就像你感冒了吃药，烧退了但感冒病毒还在，下次还会犯。而这12道工序，每一条背后都有一个已经被”解决”过的问题——只是解决方式是”加一道检查”，而不是”消除问题的根源”。
对普通人的启发：你工作中有没有”OP10”？
说实话，写到这里我想到了我自己。
你可能没有汽车工厂，但你一定有这样的”OP10”——某个你每天都在做、但说不清楚为什么要做的动作：
“这个报表每周都要填，但老板从来没看过。” “这个会每周都开，但每次都只有10分钟在讲正事。” “这个审批流程有5个人签字，但出问题的时候没人认账。”
砍掉”OP10”的方法，你可以试试这样：
- 问三个”为什么”：这道工序如果删掉，会有什么实际后果？是真的有，还是”万一呢”？
- 算一笔账：它花了多少时间？这些时间如果用在别处，能创造什么价值？
- 小范围试点：先砍一道，观察一周，看天会不会塌。
- 用数据说话：像这家工厂一样，用数据证明”删掉它，世界照常运转”。
最后说句真心话
这家工厂的故事最打动我的，不是那3000万，而是工人脸上的表情。
我之前问过一位干了12年的班组长：”砍掉那些工序后，你累不累？”
他愣了一下，说：”累？不累啊。以前是瞎忙，现在才知道什么叫干活。”
“瞎忙”和”干活”，差的就是那12道多余工序。
你每天的工作里，有多少是”干活”，有多少是”瞎忙”？这个问题，值得想想。