AI 進了工廠，資料卻沒有走到決策桌上：製造業真正卡住的地方

近九成食品與飲料製造商已使用或規劃使用 AI，但蒐集的資料只有約 45% 被有效利用。這不是兩個可以直接相減的成熟度指標，卻清楚指出智慧製造的核心難題：把資料收進來，與讓資料改變生產決策，是兩件不同的事。

2026 年 10 月 28 日，工業自動化業者洛克威爾自動化（Rockwell Automation）公布食品與飲料製造業的 AI 應用分析。新聞稿提出一組引人注目的數字：近 90% 受訪食品與飲料製造商已使用人工智慧或機器學習，或計畫在近期使用；另一方面，製造商表示所蒐集的資料只有約 45% 得到有效運用。這項分析引用該公司 2026 年《智慧製造現狀報告》的研究結果。^[1]

看起來，企業既然已經願意把 AI 放進工廠，剩下的工作似乎只是多裝幾套系統、多買幾個模型。然而，導入意願不是實際使用深度，資料有效利用比例也不是 AI 專案成功率。工廠真正要回答的是：設備每天回傳的訊號、品質檢驗結果、訂單與排程資料，究竟有多少能在正確的時刻，交給對的人，支持一個可執行、可追溯的決定？

這個問題比模型選型更難。因為模型可以向供應商採購，資料從哪裡來、代表什麼、由誰負責、出了錯誰能修正，以及建議怎麼進入現場作業，都必須由企業自己建立。

先把數字講清楚：近九成不是全球製造業的共同採用率

洛克威爾 10 月 28 日的「近 90%」指向食品與飲料製造業，涵蓋「正在使用」與「近期規劃使用」兩類受訪者。把這個數字改寫成「全球近九成工廠已經導入 AI」，會同時擴大產業範圍，也把計畫當成完成，並不準確。^[1]

同一集團於 2026 年 5 月發布的全球報告，則以橫跨 17 個國家、1,560 位製造業受訪者為基礎，指出受訪企業蒐集的資料中，平均只有 43% 被有效運用。亞太地區發布的結果為 42%。食品與飲料產業分析中的約 45%、全球的 43% 與亞太的 42%，分屬不同統計範圍，不能直接拼成跨年度進步曲線，更不能推論台灣工廠的實際平均值。^[2][3]

這份全球研究的受訪企業年營收範圍從 1 億美元到超過 300 億美元，樣本特徵與許多台灣中小型零組件、加工廠並不相同。調查結果適合用來辨識大型工業體系共同遇到的問題，不適合直接當作每一家台灣工廠的績效基準。^[2]

還有一個常被忽略的細節：所謂「資料有效利用率」，在對外摘要中是受訪者回報的使用情況，不等同有人逐筆盤點所有機台資料，經過一致規則後計算出精確利用比例。不是所有未使用的資料都應該使用。某些原始訊號必須依法或因品質追溯需求留存，平日未必需要進入演算法；另一些資料的分析成本可能高過效益。因此，45% 不是「55% 的資料全部浪費」，而是提醒管理者檢查資料的使用目的及決策價值。

如果說這份報告給了企業一道考題，題目就不是如何把利用率推到 100%，而是哪些資料能改變良率、停機、交期、能源或風險，為何這些資料仍然沒有順利進入決策？

資料流不停，決策卻可能仍靠電話與經驗

想像一個常見但純屬示意的生產情境：某工廠的設備有溫度、壓力與運轉時間紀錄，品保部門保存檢驗結果，生管人員在 ERP 查看工單，維修部門用另一套表單登記故障。每個部門都可以說「我們有資料」，也可能各自做出一張報表。

某一天，產品不良率上升。品保看見異常批次，工程師想查該批生產時的機台參數，生管要確認交貨期限，維修人員則懷疑設備曾短暫異常。此時若工單編號、批號、設備編號與時間紀錄無法互相連結，四個部門便需要人工交叉比對。即使公司安裝了最先進的 AI，模型也不能憑空知道哪一個壓力值對應哪一批產品。

這就是「數據孤島」真正昂貴的地方。問題不只是資料放在不同系統，而是跨系統的意義沒有被約定。生產線上的「完成時間」，可能是機台停機時刻；ERP 的「完成時間」，可能是人員結案時刻。兩者名字相同，卻不是同一件事。一旦直接合併，就可能得到錯誤的分析結果。

製造業的資料也有時間性。一個感測器每秒記錄一次，品檢每批記錄一次，維修事件依人工填寫，業務訂單可能每天更新。這些資料沒有天然的共同節奏。如果企業只要求 IT 把所有資料匯入一個資料湖，卻未定義事件如何配對、時間如何校正、異常如何認定，原本分散的問題只是被集中到更大的系統裡。

美國製造業領導力委員會（Manufacturing Leadership Council，MLC）2026 年公布的資料成熟度調查也呈現類似障礙。受訪者最常提到的困難，包括從舊系統提取資料（43%）、整合不同來源（37%）、資料品質不佳（25%），以及資料治理與權責不清（22%）。這些是同一份問卷中的受訪者選項比例，並不是各項問題對效率損失的貢獻率。^[4]

換言之，工廠可能早已付費取得數據，真正稀缺的卻是把數據連成可驗證事實的能力。

第一個斷點：沒有共通的批號、時間與定義

在導入 AI 的討論裡，「先把資料整理乾淨」很容易淪為一句口號。對製造業而言，資料品質必須落到可操作的欄位與規則。以瑕疵分析為例，至少要釐清批號是否唯一、設備編碼能否對應設備主檔、檢驗結果是否有一致的判定版本，以及資料的發生時間與登錄時間是否分開記錄。

如果同一批產品換線生產，設備識別碼是否保留歷程？如果品檢標準改版，舊批次要依舊標準還是新標準回顧？如果機台時鐘與伺服器時間相差數分鐘，異常訊號還能正確對應產品嗎？這些問題都不是調整提示詞就能解決。

企業需要的是一套簡明的「資料契約」，讓各系統約定欄位名稱、單位、允許值、時間定義、更新頻率與錯誤處理方式。契約不一定要是大型 IT 專案，最初可以是一張由製造、品保、生管與資訊共同確認的規格表。重點是每一個關鍵欄位都有負責人，有改版紀錄，也有發生衝突時的裁決規則。

這裡還牽涉主資料管理，也就是把設備、產品、供應商、工單等常用識別資訊維護成一致版本。若相同設備在三個系統有三個不同名稱，後續分析就需要不斷人工對照。AI 可以協助發現疑似重複紀錄，卻不應擅自決定哪一筆是公司的正式定義。

第二個斷點：設備連上網，不代表現場與管理系統整合

製造業常見的 IT 與 OT，是資訊科技（Information Technology）和營運技術（Operational Technology）的簡稱。IT 處理訂單、財務、庫存、資料庫與企業系統；OT 接觸設備、控制器、感測器與產線運作。兩者的主要目標不同：辦公系統強調資訊流通，產線控制首先重視安全、穩定與不中斷。

因此，把兩者連起來不能只看傳輸速度。當 ERP 記錄客戶需要的交期，MES（製造執行系統）掌握工單與現場狀態，設備控制系統則持續產生訊號，企業必須決定哪些資料可以跨網段流動、哪些資料應只讀不寫、哪些動作一定由現場人員確認。把報表資料送給 AI，與讓 AI 直接修改設備設定，是完全不同的風險等級。

洛克威爾 2026 年亞太區分析顯示，受訪組織只有 22% 表示 MES 已完成整合；系統與 ERP、產品生命週期管理等平台的互通，仍是現代化工作的重要挑戰。這個結果不能解讀為其他所有企業都「沒有 MES」，它衡量的是整合程度，而非單純購買或安裝系統。^[3]

企業如果跳過這一層，就可能出現一個看似合理卻無法落地的狀況：AI 判斷某設備可能需要保養，但維修排程沒有接收到通知；或是報表已經顯示產能異常，生管仍按照原先人工更新的表格排班。模型能提供洞察，不代表工作會因此發生改變。

所以，一項 AI 專案的驗收條件，不能只寫「預測準確率達標」。還要確認結果是否進入既有工單、異常處理、維修與主管核准流程，以及系統停止運作時，現場是否能安全地回到人工程序。

第三個斷點：會看見異常的人，不一定有權改變流程

資料轉成決策，需要的不只是資訊系統，還有管理授權。品保可能知道瑕疵率提高，卻無權更改設備參數；設備工程師可以調整參數，卻未必清楚某筆訂單的交付優先級；業務希望提前出貨，卻不知道改排程會不會降低整體良率。

在這種結構下，AI 即使把問題指出來，也可能只增加一張待處理清單。主管看到更多紅燈，現場卻沒有新增處理能力。久而久之，員工開始忽略警示，組織再把「系統不好用」歸因於模型不夠聰明。

真正有效的設計，要把 AI 的輸出放進明確的責任鏈。誰負責接收警示？多快要看？誰能判定為誤報？有爭議時由誰覆核？決策要留下哪些證據？不同嚴重程度是否需要不同層級批准？這些規則往往決定了 AI 能否從展示畫面進入日常營運。

MLC 同一份 2026 年調查發現，受訪製造企業中，69% 描述自己的資料決策主要仍是事後反應，真正將資料用於預測或預防的受訪者比例較低。這不是說反應式決策一定沒有價值，而是顯示資料被看見、被理解與提前改變行動之間，仍存在距離。^[4]

因此，企業培訓不能只教員工「如何詢問 AI」。主管需要學會定義決策場景，現場人員需要學會判讀與覆核，資訊部門需要掌握資料規格與權限；三種能力缺一，都可能讓 AI 在最後一哩路停下來。

第四個斷點：POC 做得出來，卻沒有人負責第二條產線

小型概念驗證（Proof of Concept，POC）往往選在條件最好的環境：資料完整的一部機台、流程穩定的一條線、願意協助的主管，加上工程師可以手動整理缺漏欄位。這樣的專案適合測試技術是否可行，但不能直接證明整個集團都能複製。

一旦擴展到第二座廠，設備品牌、保養週期、操作習慣、資料欄位、班次甚至原料批次都可能不同。第一廠的準確模型，未必適合第二廠的物理條件。此時要做的可能不是再訓練一個更大模型，而是先確認各廠流程差異，分清哪些規則可以共用，哪些需要個別校正。

Parsec Automation 於 2026 年 7 月公布對全球 1,200 位製造業主管的調查指出，72% 受訪製造商已在某種程度上採用 AI，但只有 10% 表示已廣泛部署。這項調查與洛克威爾的樣本、提問方式均不同，不能合併計算。不過它提供另一個角度：採用 AI 與規模化運用，確實是兩個應分別衡量的階段。^[5]

當企業決定擴展專案，最值得複製的往往不是單一模型檔，而是一整套可交接的方法：資料欄位定義、品質門檻、模型評估方式、人工覆核條件、版本管理、異常回報、成本帳本及停止使用的標準。這些才是從一條產線走到十條產線時，真正降低邊際成本的資產。

台灣的問題更具體：投入預算之前，先確認資料能不能對應良率

國際調查不能直接替台灣企業下判斷。更貼近本地的參考，是資策會產業情報研究所（MIC）2025 年 3 月公布的《臺灣電子資訊製造業導入 AI 發展》調查。其調查在 2024 年 11 月進行，有效樣本為 316 份，對象涵蓋企業高階主管，以及生產技術、開發工程與資訊部門主要人員。研究指出，28% 受訪企業已實踐 AI，另有 46% 處於規劃階段；這裡「已實踐」還包括實驗、導入與擴散，並不表示全部已完成全面部署。^[6]

MIC 也指出，已實踐 AI 的受訪業者中，有高達八成面臨資料挑戰，包含資料不足與難以理解不同資料之間的關係。當時台灣電子資訊製造業較熱門的場景包括瑕疵檢測、瑕疵圖片標記、生產流程改善、根因分析與排程規劃。這些應用的共通點，是都必須把現場的「事件」和管理的「結果」對起來。^[6]

例如，瑕疵圖片可以用於訓練分類模型，但若圖片沒有對應產品批次、設備、加工條件與最終判定，就很難進一步找出問題發生的原因。排程系統可以預測機台負載，卻必須知道實際換線時間、待料情形與訂單優先級，才能產生現場願意採用的建議。

這也說明為何純粹追求資料數量容易走偏。資料少，模型可能無法學到有效規律；資料多但缺乏治理，結果反而難以確認。蒐集更多資料的決定，應該建立在一個具體的改善目標上，而非因為感測器能裝就全部裝上去。

對台灣中小企業來說，有限預算更應該先用在可以實際改變決策的欄位與流程。與其把全廠數十年的資料一次搬進大型平台，不如選擇一項高頻、成本可衡量、責任清楚的工作，先證明資料能穩定對應到實際結果。

不是所有問題都需要生成式 AI

近年企業熟悉 ChatGPT 類工具，容易把「導入 AI」想成接入大型語言模型。可是在製造現場，不同任務需要不同技術。影像瑕疵檢測可能適合電腦視覺；設備異常偵測可能需要時間序列分析；排程優化可能需要規則、數學最佳化與啟發式演算法；維修知識查詢或交班摘要，才可能更適合生成式 AI。

這些工具不是能力愈新就一定愈好。若缺陷判定有明確的量測界線，傳統規則或統計製程管制也許更穩定、便宜、容易驗證。若某個產品瑕疵一年只出現幾次，訓練高度資料依賴的模型，可能既不經濟，也難證明可靠。

生成式 AI 擅長處理文件、文字與知識互動，卻可能生成看似流暢但不正確的內容。因此，讓它協助整理設備保養紀錄，可以是有價值的起點；讓它在未經驗證與人工核准的情況下自動決定安全關鍵的機台設定，就不是同一回事。企業應先區分「幫助人理解」與「直接控制設備」兩種用途，再決定驗證、權限和稽核等級。

這個觀點也是前述數據最需要的反面補充：沒有用到全部資料，不一定代表轉型失敗；某項 AI 沒有投入生產，也可能是審慎評估後的正確決策。真正值得問的是，企業能否說清楚自己選擇使用或不使用資料的理由，並證明這個選擇符合營運目標。

如果從一項品檢專案重新開始，會怎麼設計？

以下是供管理者理解方法的假設案例，不是對某家工廠的採訪，也不是已完成的成功案例。

假設一家工廠想降低特定產品的重工比例。管理層先定義問題，不急著選 AI：過去三個月，哪些產品、批次與製程最常發生重工？重工成本由哪些項目組成？若能提前辨識問題，現場是否真的有時間調整？

接著，團隊建立最小可行資料集：工單、批號、設備與產線、時間區間、關鍵製程參數、品檢結果，以及重工原因。每筆紀錄要有可串接的識別鍵，資料缺漏要能被標記，並以人工抽樣確認關聯是否正確。此時尚未需要複雜模型，先做一張能按批次追溯的報表，就可能揭露原先無法發現的作業問題。

再往下，團隊選擇一個基準方法。例如先用既有品質規則辨識異常，記錄誤報、漏報，以及需要人工介入的時間。當基準穩定後，再引入 AI 模型比較，確認它是否比原方法更早發現問題，是否降低重工，或只是把工作轉移給品保人員。

最後才是流程介接：異常發生後，哪一個工單自動建立？誰會收到通知？多久沒有回應就升級？現場修正後，資料如何回寫以供下一輪評估？模型更新前後如何比對？如果某個環節沒有負責人，先補責任設計，而不是繼續增加模型功能。

這樣的專案會留下三種重要資產。第一是可維護的資料規格，第二是經驗證的判斷與覆核程序，第三是能與財務成本連結的改善紀錄。即使最後發現傳統統計方法比 AI 更適合，企業仍然取得了可複用的管理能力，而不是只留下無法繼續操作的展示系統。

ROI 應該算「改變了多少」，而不是「模型回答多少次」

製造業 AI 專案最常見的效益計算陷阱，是把技術指標直接當作商業指標。辨識準確率提高，不一定帶來良率提升；預測能提早發出警示，不一定減少停機；員工使用次數增加，也不代表工時下降。

合理的評估方式，應從實際流程建立可比較基準。以設備保養為例，企業需要記錄導入前後的非計畫停機時間、誤報造成的額外維修、零件費用、人工時數，以及因停機影響的實際產出。若生產量、產品組合或季節性不同，還必須調整比較口徑，避免把市場變動誤認為 AI 的功勞。

可採用一個簡單的管理公式：「淨效益＝經驗證的節省與新增收益－導入、維護及風險控制成本」。成本不能只算軟體訂閱，還包括系統串接、資料清理、機台停線配合、人員訓練、資安控管、模型監控與日後更新。評估期要事先約定，對尚未發生的效益標示為預估，不應寫成已實現。

假設某廠的專案一年能避免 300 小時重複人工比對，每小時可歸屬成本為新台幣 500 元，則可估算的工作量價值為 150,000 元。這只是假設試算，尚不能視為現金節省：如果人員只是轉去處理其他工作，企業可能取得的是產能或服務品質，而非實際減薪或現金流入。要宣稱財務 ROI，仍需另外計入真實成本與可歸屬收益。

還有一項管理者常忽略的指標：從異常發生到有人採取正確行動，花了多少時間？它把資料品質、系統整合與現場責任放在同一個觀察點。對多數營運情境而言，能縮短正確處置時間，往往比展示更複雜的模型結構更有價值。但是否改善，仍必須靠實測，而非以案例敘事取代證據。

企業該先買平台、先整理資料，還是先訓練員工？

答案取決於目前的斷點，不存在對所有工廠都正確的採購順序。如果資料品質已經可靠，但訊號被鎖在老舊系統，優先工作可能是安全的資料擷取與介接；如果資料取得順暢，員工卻不知道怎麼判讀，則需要訓練與流程設計；若企業連要改善哪個指標都說不清楚，平台與訓練都不應搶先成為最大支出。

建議用三層問題做一次內部診斷。第一層是業務成果：想減少哪一種損失，現有基準是多少？第二層是資料與系統：所需資料能否取得、關聯、查核，資料權限是否適當？第三層是行動與責任：收到結果後誰能處置，怎麼驗證效果、記錄異常與停止錯誤流程？三層必須同時成立，專案才具有擴展條件。

若企業規模較小，也不必把治理誤解為先成立龐大委員會。可以由一名具決策權的流程主管、一位熟悉資料的窗口與一位現場代表共同負責，建立固定的例外清單與每週檢核。資料字段少，不代表標準可以模糊；團隊人數少，更需要知道誰有權確認某筆資料能否被使用。

對培訓單位來說，課程的產出也應跟著改變。與其只要求學員示範幾個提示詞，不如讓不同部門用同一份工單及品質資料完成一次跨部門驗收：生管確認資料對得上批次，品保確認判斷準則，資訊人員確認權限與更新方式，主管確認是否能從報表採取行動。這樣才有機會把個人技能轉成組織能力。

成功的驗收，是讓新人也能接手同一套工作

許多工廠的資料專案仍高度依賴少數資深工程師，只有原開發者知道資料存在哪裡、哪一種異常可以忽略，或某個欄位背後的特殊含義。短期來看，專案進度可能很快；長期來看，一旦人員輪調或系統更新，企業又得從頭摸索。這類隱藏知識若不能轉為文件、檢核規則與交接程序，AI 專案的維護成本會被低估。

因此，驗收時不妨安排一位沒有參與開發的同仁，依照操作文件完成資料更新、處理一筆異常、追溯輸入來源，並說明何時必須停止自動化。如果他無法完成，代表這套系統尚未充分變成組織能力。這項測試對員工培訓也很公平：它不是測驗誰最會操作模型，而是檢查流程能否離開原本的專案團隊持續運作。

接下來要看的，不是 AI 採購率，而是三項執行證據

未來的智慧製造報告，很可能繼續出現「更多企業計畫增加 AI 投資」的好消息。但企業真正應該追蹤的，是能否從試點走向可維護的營運能力。

第一，看資料是否可追溯。企業能否在限定時間內，從一個品質異常找回對應工單、設備、關鍵參數、檢驗版本與處理紀錄？第二，看決策是否可閉環。警示送出後，有沒有處理人、期限、結果與回饋？第三，看改善是否可歸屬。相同條件下，是否真的降低重工、縮短停機、減少延誤或提高良率？

這三項不需要同時依賴大型語言模型，卻決定了之後任何 AI 技術能發揮多少價值。它們也提供一個務實的停損準則：如果某項 AI 反覆要求人工修正資料，且尚無可證明的淨效益，企業應先調整資料與流程，而不是把更多預算投入新的模型。

近九成的意願，代表企業已經看見 AI 的可能性；約 45% 的資料利用率，則提醒我們，收集資料與使用資料之間還有很長一段路。數字的統計範圍有限，但背後的管理問題十分具體：一家工廠若無法把事實交給有權行動的人，再聰明的 AI，也可能只是在原本的流程外面增加另一個畫面。

延伸實作與企業培訓

本文是獨立產業分析。希望從資料整理、清理、比對、異常分析及 Dashboard 開始建立團隊基礎能力的讀者，可參考天地人學堂的《AI 數據分析與視覺化》課程；需要跨部門客製化訓練，可先閱讀企業內訓專題再評估是否適合自身場景。課程教學不等於保證工廠 AI 導入成效。

資料來源與研究說明

1. Rockwell Automation，〈Food & Beverage Manufacturers Race to Scale AI Beyond the Pilot Stage〉，2026 年 10 月 28 日。
2. Rockwell Automation，〈90% of Manufacturers Say Digital Transformation Is Now Essential〉，2026 年 5 月 19 日。
3. Rockwell Automation，〈95% of Asia Pacific Manufacturers Say Digital Transformation is Now Essential〉，2026 年 5 月 20 日。
4. Manufacturing Leadership Council，Penelope Brown，〈Survey: In Manufacturing Data We Trust—Mostly〉，2026 年 7 月 30 日。
5. Parsec Automation，〈Parsec Survey: 72% of Manufacturers Have Adopted AI, but Only 10% Have Done So at Scale〉，2026 年 7 月 16 日。
6. 資策會產業情報研究所（MIC），〈臺灣製造業 28% 已實踐 AI〉，2025 年 3 月 11 日。

統計限制：各調查的產業範圍、樣本、題目及「導入／利用／規模化」定義不同。本文僅用來交叉討論結構性問題，沒有把百分比合併為同一樣本或推論因果。假設情境與金額試算均為本文自行設計的管理示例，非調查發現或企業實績。