日本制造业的排程问题，通常不在自动化产线的机械臂上，而在每天下午三点到五点之间。那个时段，生产管理课长把ERP里导出的订单、MES里反馈的机台状态、Excel里手工维护的换线时间拼在一起，试图在第二天早会前拿出一份不会让现场跳脚的排程表。订单越碎、交期越紧、插单越频繁，这张表就越像一道没有唯一解的约束题。东京一家成立四年的软件公司DriveX，正试图把这道题交给AI。
2026年10月，DriveX宣布完成约1.5亿日元融资。据Thesaasnews报道，本轮融资由多家企业与个人投资者参与，具体投资方名称与轮次均未披露。这家总部位于东京的公司成立于2022年，代表董事为Atsuhiro Nagata。其核心产品名为Smart Production Planning，据公司披露，该软件能够处理分散的订单数据，并从过往生产表现中学习，自动生成复杂的制造排程，同时可与现有ERP和MES平台集成。
这笔融资的金额放在日本企业软件赛道并不算大，但它的落点恰好卡在一个长期被忽视的夹层：ERP管的是“要做什么、什么时候要”，MES管的是“正在做什么、做得怎么样”，而两者之间的“具体哪台机器、哪个时段、按什么顺序做”，在大量中小型制造企业里仍然依赖人的经验。DriveX想做的，是把这层经验编码进一个可学习、可迭代的排程系统。
| 字段 | 内容 |
|---|---|
| 公司 | DriveX Co., Ltd. |
| 轮次 | 未披露 |
| 金额 | 约1.5亿日元 |
| 投资方 | 多家企业及个人投资者（具体名称未披露） |
| 总部 | 东京 |
| 创始人 | Atsuhiro Nagata（代表董事） |
| 官网 | https://drivex.co.jp |
排程软件卡在ERP与MES之间，恰恰是数据最脏的一层
理解DriveX的产品定位，需要先看清制造业信息系统的分层逻辑。ERP系统解决的是资源计划问题：订单来了，需要多少物料、多少产能、什么时间交付。MES系统解决的是执行反馈问题：哪台设备在运转、产出多少、良率如何。理论上，ERP生成的计划应该驱动MES执行，MES的实时数据应该回流修正计划。但在实际工厂里，这两层之间的排程环节往往断裂。
断裂的原因不是没有软件。传统的高级计划排程系统已经存在多年，但实施成本高、建模周期长，且高度依赖顾问对特定工厂工艺的理解。一旦产品结构、设备参数或订单优先级发生变化，模型就需要重新调整。对于订单波动大、产品种类多、批量小的制造场景，传统APS的刚性反而成为负担。DriveX的产品思路，据公司披露，是从过往生产表现中学习，而非依赖一次性建模。这意味着它的系统理论上可以随着工厂实际运行数据的积累而持续调整排程逻辑。
但这里存在一个关键约束：学习的前提是数据可用。DriveX称其系统能够处理分散的订单数据，并与ERP和MES集成。从已披露的产品描述看，这意味着该公司必须解决制造现场数据碎片化的问题——订单数据可能散落在ERP、Excel、邮件甚至口头指令中，机台状态数据则来自MES或设备传感器。如果数据质量差、口径不一致，AI排程的输出就难以被现场信任。DriveX没有披露其数据清洗、标准化或集成层的技术细节，也没有披露已部署客户的数量与行业分布，因此其“处理分散订单数据”的实际能力边界尚无法从公开信息中判断。
一笔不披露轮次和投资方的融资，说明什么问题
约1.5亿日元，折合约100万美元量级。在日本企业软件融资语境中，这个体量通常对应种子轮或早期天使轮。DriveX没有披露轮次名称，也没有披露投资方名单，只以“多家企业和个人投资者”一笔带过。这种披露方式本身就是一个信号：公司可能处于早期阶段，投资方中缺乏愿意公开背书的机构投资者，或者本轮更接近带有战略性质的分散出资。
从资本结构看，企业投资者参与早期软件公司融资，在日本制造业生态中并不罕见。制造企业有时会通过少数股权投资，换取对特定软件方向的早期观察权，或为自身工厂的数字化改造保留合作入口。但企业投资者与个人投资者混合的结构，通常意味着本轮缺乏单一领投方来主导定价和条款。这对公司的后续融资既是灵活性，也是不确定性——没有机构投资者做信号背书，下一轮融资时公司需要拿出更硬的运营数据来说服市场。
DriveX成立于2022年，到2026年10月完成本轮融资，中间经历了约四年。这个时间跨度对一家企业软件公司来说不算短，但公司至今未披露客户数量、收入规模或部署案例。从已披露的资金用途看，资金将用于加速AI生产计划系统开发、加强实施与支持体系、招聘产品开发与业务运营人才。这三项用途指向同一个事实：公司仍处在从产品验证向商业规模化过渡的阶段，尚未进入以销售扩张为主的成长期。
“从过往生产表现中学习”是一句容易说、很难做的话
DriveX的产品描述中，最值得拆解的是“learning from past production performance”这一表述。从字面看，它意味着系统不依赖静态规则，而是通过历史生产数据来优化排程。但“学习”在制造业AI语境中有多种实现路径，难度差异极大。
最简单的一层，是基于历史数据的统计分析：哪些产品在哪些设备上的实际加工时间与标准工时偏差最大，哪些排程组合历史上导致了最多的换线损失。这种分析不需要复杂的机器学习模型，但对数据积累量有一定要求。更深的一层，是用机器学习方法预测工序耗时、设备故障概率或订单延误风险，并将预测结果嵌入排程优化算法。这一层对数据质量、标注和模型泛化能力的要求显著提高。最复杂的一层，是让系统根据每次排程执行后的反馈自动调整策略，形成闭环学习。这需要工厂端持续回传执行结果，且系统能够区分“排程不合理导致的延误”和“设备故障、物料短缺等外部因素导致的延误”。
DriveX没有披露其技术路线属于哪一层。从公司官网来源正文为空这一事实看，外部无法通过官方渠道核实其技术细节。Thesaasnews的报道仅给出了产品层面的概述性描述。因此，“从过往生产表现中学习”目前只能作为公司口径来理解，其技术深度和实际效果尚无独立验证。
没有客户名单的制造业软件，商业化验证路径在哪里
制造业软件有一个与消费级产品截然不同的特点：客户不关心你的算法有多先进，只关心你能不能在下周三之前排出一份可执行的计划，并且在插单发生时十分钟内给出调整方案。这意味着DriveX的商业化验证，不取决于融资新闻稿里的产品描述，而取决于它能否在真实工厂环境中证明两件事：排程结果可执行，以及排程调整足够快。
DriveX未披露任何客户名称或部署案例。这在早期阶段并不罕见，尤其是制造业客户通常对供应商关系保密。但这也意味着外部无法判断其产品是否已经在真实生产环境中运行，还是仍处于试点或概念验证阶段。从资金用途中“加强面向制造业客户的实施与支持体系”这一表述看，公司至少已经在接触客户，并且意识到实施与支持是排程软件落地的关键瓶颈。这个判断本身是合理的：排程软件的价值高度依赖与工厂现有流程的适配，单纯交付软件而不提供实施支持，在制造业几乎无法落地。
但“加强实施与支持体系”也意味着成本结构的变化。实施与支持是人力密集型业务，如果DriveX的收入模式以软件订阅为主，实施服务的投入会拉低毛利率；如果以项目制为主，则规模化能力受限。公司没有披露其商业模式的具体定价方式，因此无法判断其收入质量。从已披露信息看，DriveX的商业模式被描述为“向制造业客户提供Smart Production Planning软件，并配套实施与支持体系”，这是一个相对宽泛的表述，覆盖了从纯软件销售到项目制交付的多种可能。
日本制造业排程市场的结构性机会与结构性阻力
日本制造业的数字化进程存在一个显著的结构性特征：大企业有预算但决策慢，中小企业有需求但预算有限。DriveX作为一个2022年成立的初创公司，其最可能切入的客户群体是那些已经上了ERP和MES、但排程环节仍然依赖人工的中型制造企业。这类企业有数据基础，有明确的效率痛点，也有一定的软件预算，但通常无法承受传统APS系统动辄数千万日元的实施成本。
从已披露的产品定位看，DriveX的差异化在于“AI驱动”和“与现有ERP/MES集成”。前者意味着它试图用数据驱动的方式降低排程建模的复杂度，后者意味着它不试图替代客户已有的核心系统，而是作为中间层嵌入。这个定位在逻辑上是自洽的：替代ERP或MES对初创公司来说几乎不可能，而在两者之间做优化层，既避开了与大型系统集成商的正面竞争，又切入了真实存在的效率缺口。
但结构性阻力同样明显。排程问题的高度行业特异性意味着，DriveX在一个细分制造场景中积累的学习能力，未必能直接迁移到另一个场景。注塑、冲压、SMT贴片、机械加工、组装，不同工艺的排程约束完全不同。如果公司试图服务多个行业，其产品化程度和交付效率将面临考验；如果聚焦单一行业，则市场天花板需要重新评估。DriveX未披露其目标行业或已部署的制造场景，因此无法判断其市场策略的聚焦程度。
1.5亿日元能花多久，以及花在哪里最合理
以日本东京的软件人才成本估算，1.5亿日元大约可以支撑一个10人左右的团队运营12到18个月，具体取决于人员结构和外包比例。DriveX将资金用途分为三块：产品开发、实施与支持体系、人才招聘。这三块的优先级排序，实际上反映了公司当前对自身瓶颈的判断。
如果产品尚未达到可稳定交付的状态，产品开发投入优先是合理的。排程软件的核心难点在于算法对复杂约束的处理能力和对异常情况的鲁棒性，这需要持续的工程投入。如果产品已经基本可用，但客户部署过程中暴露出实施成本过高的问题，那么加强实施与支持体系就是更紧迫的选择。从公司同时列出三项用途看，其资源可能需要在产品、交付和团队三条线上同时推进，这对一个早期团队的聚焦能力是考验。
另一个值得注意的细节是，DriveX没有将销售和市场推广列为资金用途。这可能意味着公司目前的客户获取主要依靠创始人的行业关系和口碑推荐，尚未进入需要大规模市场投入的阶段。也可能意味着公司认为在产品成熟之前，过早的销售扩张会带来交付风险。无论哪种情况，销售体系的缺位都是一个需要观察的变量：如果产品验证完成，公司能否快速建立可复制的销售流程，将决定下一轮融资的估值基础。
风险不在AI能力，而在数据主权与现场信任
DriveX面临的核心风险，从公开信息可以归纳为三个层面。第一层是数据可用性风险。排程AI的效果高度依赖输入数据的完整性和准确性。如果客户的订单数据分散在多个系统中，且缺乏统一的数据治理，DriveX需要投入大量工程资源做数据集成和清洗。公司称其系统能够处理分散的订单数据，但未披露其数据接入方式、支持的ERP/MES系统类型或数据清洗能力，因此这一能力在真实客户环境中的表现尚待验证。
第二层是现场信任风险。制造业排程的最终执行者是人。如果AI生成的排程方案与现场老师傅的经验判断不一致，而系统又无法解释其决策逻辑，现场人员可能选择不执行。DriveX没有披露其产品是否提供排程结果的可解释性功能，例如展示某个排程决策背后的约束条件和优化目标。这个功能的缺失与否，直接影响产品在工厂现场的接受度。
第三层是竞争与替代风险。DriveX的竞争对手信息在公开来源中完全缺失，但这并不意味着它没有竞争对手。传统APS供应商、ERP厂商的排程模块、以及近年来出现的其他AI排程初创公司，都可能构成替代方案。尤其是ERP厂商如果将排程功能作为其平台的内置模块免费或低价提供，DriveX作为独立排程软件的市场空间将受到挤压。从已披露信息看，DriveX的应对策略是强调与现有ERP/MES的集成能力，而非替代关系。这个策略能否在商业上成立，取决于客户是否愿意为ERP自带排程功能之外的增量价值付费。
从已披露的1.5亿日元融资和产品定位看，DriveX选择了一条真实存在但验证周期较长的赛道。它的产品描述指向制造排程中ERP与MES之间的数据断层，这个断层在大量中型制造企业中确实存在。但“AI驱动的智能排程”从产品概念到可复制的商业交付之间，隔着数据治理、行业适配、现场信任和销售体系四道关卡。公司目前披露的信息不足以判断其已经跨过了其中任何一道。这笔融资的意义，更多在于为DriveX赢得了一个继续验证的时间窗口，而非证明其产品已经找到了可规模化的市场入口。
验证边界与可复核指标
本文涉及的“首个、唯一、最大、领先”、订单、出货、性能等表述，如无另行说明，均是公司、创始人或投资方在现有公开材料中的披露口径；RecodeX未在本次采集材料中找到独立审计或第三方测试结论，因而不将其视为已经独立确认的事实。文中的产业协同、竞争位置和商业路径属于基于已披露产品与融资用途的编辑分析，不代表相关结果已经实现。
- 技术侧应核验第三方测试条件、样本规模、良率、稳定性及与可比方案一致口径的结果；
- 商业侧应核验去重后的付费客户、可执行合同、收入确认、复购率以及订单转化；
- 资本与产业协同应以工商股权、关联交易、联合开发、采购或量产文件为准。
RecodeX 极客视：DriveX的故事本质上不是一家AI公司的故事，而是一家试图在制造业最不性感、最不标准化的夹层里建立信任的公司。ERP和MES之间的排程断层存在了三十年，不是因为没有技术，而是因为每一家工厂的“差不多”背后都有一套无法复制的现场逻辑。1.5亿日元买不来答案，但可能买来一次把问题问对的机会。
信息来源
本文在采集与核验阶段引用了以下公开来源，按站点去重列出；来源内容归原发布方所有，其口径不代表 RecodeX 的核实结论。