工廠不是缺 AI，而是訂單一路卡關：製造業 AI 導入先從報價、排程與異常處理下手

專題編輯：Adrian Hsu｜企業 AI 策略編輯

客戶早上詢問交期，業務中午追問生管，生管下午找採購確認物料，到了隔天才發現工程版本已更新。整條流程不是沒有系統，而是訊息分散在 ERP、Excel、郵件、通訊軟體與資深員工記憶裡。這是用來分析的假設情境，不代表特定工廠實績，但足以指出製造業導入 AI 的關鍵：把資訊變成可靠的下一個工作動作，而不只是多做一份分析報表。

美國 NIST 於 2026 年 7 月發布智慧製造 AI／機器學習路線圖，指出工業大數據、異質感測與控制系統整合，以及可信賴、可解釋的運作，仍是落地的重要挑戰。台灣經濟部也持續推進製造業 AI 應用開發與擴散計畫。這些資料說明製造業 AI 已不是單一工具議題，但不能據此推論某一工廠必須先建置大型模型。［S1］［S2］

為什麼「先把設備接上 AI」不一定是最好的起點？

設備預測維護、瑕疵辨識、能源最佳化都有價值，但它們的先備條件不同。視覺檢測要有合理的影像品質、缺陷定義、標註資料和誤判處理；預測維護要有穩定感測資料、故障事件與運轉條件；即時排程則必須知道工單、物料、工時、設備與交期限制。如果上述資料不足，先買平台只是把原本的混亂搬到更昂貴的系統裡。

對工廠而言，「先做什麼」不能只按 AI 技術的新穎度排序。應看流程損失、可取得的資料、錯誤成本、人工覆核能力，以及是否能在有限範圍內量測效果。客戶報價常被延遲、交期承諾反覆更動的工廠，可能應優先處理業務、工程、生管之間的資訊交接；製程已穩定且累積大量標註影像的工廠，則可能適合進行視覺檢測驗證。

第一個場景：把報價當成資料核對，不要讓 AI 直接決定價格

報價工作往往跨越品號、材料、加工製程、設備時數、外包報價、治具、歷史訂單與客戶特殊要求。傳統作業由業務收件，工程評估圖面和製程，採購更新物料價格，財務或主管核准毛利。只要版本不一致，就可能產生漏項、超低價承諾或不實交期。

比較穩健的 AI 用法，是先做「報價前審查助理」：將詢價郵件與附件整理為待核欄位；檢查是否缺尺寸、公差、材料、數量及交期；從公司已授權的規格文件找出可能衝突；產出交給工程與採購確認的詢問清單。最終成本、可製造性與售價仍交由有權責的人員決定。

此處的驗收指標不該是 AI 能產生多少份漂亮報價，而是完整詢價資料的比例、跨部門往返次數、從收到 RFQ 到能提出有效報價的時間，以及報價錯誤率。若為了讓 AI 看起來成功而排除最棘手的客製訂單，測試結果就不足以支持全面導入。

第二個場景：排程不只要「算得快」，還要處理限制與例外

生產排程有許多彼此衝突的目標：準時交貨、降低換線、提高設備利用率、減少在製品與滿足急單。生成式 AI 可以協助解讀排程異動原因、摘要延誤風險、整理缺料明細；但涉及大量硬性限制的最佳化，通常仍需要確定性規則、排程演算法或既有 APS／ERP 功能，不能只請聊天模型「幫我排最好的順序」。

一個務實的第一步，是建立每天一致更新的工單變更清單。每項變更至少包含工單號、原預定與新日期、原因分類、影響工序、物料風險、待決策者及版本時間。AI 可以比對昨日與今日差異，將「可能影響交期」的事件整理成生管會議的優先清單；生管仍需要驗證資料是否最新，並判斷可否承諾給客戶。

生管主管應分別衡量兩個指標：一是提出風險提醒的準確度，二是提醒是否讓公司提早採取有效行動。前者只證明模型能描述異常；後者才有機會改善交付。若警示太多而沒人處理，表面上很智慧，實際只是新增工作量。

第三個場景：品質異常最值得做的是縮短「找原因」的時間

品質檢測通常被想成相機自動辨識瑕疵，但大量工廠的痛點也可能在檢出異常之後：品保需要查前次相似案例、對照 SOP 修訂、找出受影響批次、確認供應商資料、安排工程與生產開會。若過去的不良品紀錄、8D 報告或客訴處理單可以去識別化並建立一致欄位，AI 便有機會協助檢索過往原因與處理方案。

這裡需要嚴格分開「查找相似案例」與「宣告根因」。前者可以提供佐證與候選原因；後者可能涉及量測、公差、材料與人機法環等現場證據，不能單憑語意相似就下結論。若 AI 推薦停線、報廢或更改製程參數，應由有權責者核准，並保存依據。NIST 路線圖也強調可信賴與可靠性在工業環境的重要性。［S1］

用一張「製造現場 AI 場景卡」決定先後順序

以下是本文整理的原創決策工具，適用於部門共識會議，不是官方標準。每一個候選題目只需填七欄，避免開會時用工具演示取代商業判斷。

當一個題目連基準與資料權威來源都填不出來，優先工作通常是資料清理或流程定義，而不是模型選型。相反地，若公司已有穩定工單資料，且每週重複大量報價資料檢查，這類任務常比高風險的設備自主控制更適合作為試點。

ERP、MES、Excel 與 AI 的責任邊界要畫清楚

AI 不應任意取代公司既有的交易與製造紀錄。ERP 保存訂單、採購、庫存等正式業務狀態；MES 管理工廠執行與現場紀錄；Excel 可能承載尚未系統化的部門表單。AI 的合理位置可以是資料整理與異常解釋層，但每一筆數值仍要能追回原始系統、資料時間與計算規則。

例如要讓 AI 解釋某張工單為何延誤，先由系統取得工單、物料到貨、排程與機台狀態，再讓 AI 整理「可能原因」及缺漏資訊。若底層資料衝突，就標示待確認，而不是推測某個確定答案。對資料無法離開廠區的企業，需評估既有內部環境、資料分級、授權條款與運算資源；所謂內部介面若仍呼叫外部 API，便不能假裝沒有外部資料流。

不要把示範節省時間直接當成工廠利潤

假設報價處理原本平均每件花 100 分鐘，試點後人工加 AI 的總處理時間降為 70 分鐘。這個 30 分鐘差距只是示意計算，且仍需確認比較的是同類型案件、是否包含覆核與返工。即使時間真的下降，也不能直接乘以員工時薪宣稱公司獲利增加。只有當節省時間轉化為更多有效報價、縮短接單等待、減少加班或降低可證實的錯誤成本，才可能形成財務效益。

因此應同時記錄「速度與品質」：任務完成率、返工率、人工覆核分鐘數、漏報／誤報率與最終交付時間。在品質或安全風險高的製程，錯誤代價必須高於速度收益，不能只用平均節省時間判斷專案成功。

先做一條流程，然後決定下一條

可以把第一輪規劃拆成四個交付：

1. 流程圖。 從客戶需求或現場異常開始，畫到正式決策與回覆，清楚標示誰負責。
2. 資料樣本。 選擇經授權、去識別化且涵蓋正常和例外的真實工作樣本。
3. 試點工具。 可以是既有授權平台加上表單、查核規則與人工覆核，不必一開始自行訓練模型。
4. 比較報告。 同一口徑比較前後結果，列出有效率、錯誤、返工、成本與下一步。

先讓一個班別、一條產品線或一種訂單類型穩定使用，再考慮跨線複製。真正的擴張條件，不是簡報展示成功，而是新同仁能依規則執行、舊同仁不必每天救火，例外事件也有處理辦法。

三種工廠條件，應該走三條不同的 AI 路線

第一種是資訊化基礎較薄弱的工廠：工單有紙本、Excel 或不一致的檔案命名，但還沒有穩定的資料主檔。此時可先整理 RFQ 必填欄位、物料名稱與版本規則，把每一份異常單轉成有識別碼的紀錄。AI 適合協助擷取資訊與提示缺漏，卻不應直接自動覆寫正式工單。衡量指標是資料可追溯性、重複輸入與交接錯誤，而不是模型跑得多快。

第二種是已有 ERP 或 MES，但跨部門資訊仍不順暢的工廠。這類公司常有不少數據，問題卻在系統間的更新節奏與責任。例如 ERP 顯示已採購，並不代表物料已驗收並可投入生產。較適合的起點是建立跨系統事件對照表，確定每個欄位的權威來源與更新時間，再讓 AI 協助解釋變更及提出待決策清單。

第三種是資料穩定、具備現場感測、檢測或設備維護紀錄的工廠。這時可以評估視覺檢測、異常預測與進階最佳化，但要先建立正常、異常、停機、產品切換與不同批次的測試資料。不能只用相同批次影像或相鄰時間的數據訓練與測試，就宣稱模型能泛化至未來所有產品。高風險應用也應在真實環境部署前保留人工接管與停止條件。

這三種情況並非產業成熟度排名。同一間工廠的不同產線也可能同時處於不同狀態。選型要依每項任務的資料與風險獨立判斷，不宜為了統一採購，把不具備條件的流程一起打包進去。

先把品質異常的「發現」與「結案」分開量測

以一件成品尺寸不符的案例說明。設備或檢測工具發現異常後，現場仍需要確認受影響批次、判斷是否停線、找出責任工序、執行重測、追蹤供應商與顧客通知。AI 可能縮短查資料與尋找相似報告的時間，卻不會自動縮短重新加工、等待檢驗或簽核所需的實際時間。

因此應將「異常被偵測時間」「責任人接手時間」「處置決定時間」「實際結案時間」分開記錄。改善若只出現在第一項，代表 AI 主要強化感知；第二與第三項改善，才顯示資訊交接與決策變快；第四項還受材料、設備、產能與外部條件影響。把不同階段混成一個「AI 處理速度」，會讓管理者看不見真正的瓶頸。

如何避免工廠成效被少數容易的樣本美化？

試點抽樣應包含正常、缺料、急單、版本衝突、設備異常及需主管批准的情境。至少分別記錄處理量與錯誤類型，不要把大量簡單案例的高合格率當成高風險例外同樣可靠。當產品種類、加工方式或供應商改變，也需要重新確認過去的判斷規則是否適用。

若要把一條產線擴張到另一條，不只看模型輸出是否接近，還要檢查資料欄位、交接人員與現場 SOP 是否一致。缺乏這些條件時，應把複製視為新的受控試點，而不是直接將原本的成果乘上產線數量。

常見問題

沒有 MES 的工廠能導入 AI 嗎？

可以從有明確來源、明確負責人的文件與表格流程開始，例如 RFQ 完整性檢查、技術文件摘要與異常工單分類。但若要做即時製程控制與高精度預測，資料取得、測量品質與系統整合需求就會提高。

製造業第一個 AI 專案一定要做瑕疵檢測嗎？

不一定。應比較損失大小、資料成熟度、失誤風險與可量測性。瑕疵檢測若有穩定標註資料，可能是好題目；若交期承諾反覆失準，報價與生管交接也許更有價值。

AI 可以直接連 ERP 改工單嗎？

技術上可能辦到，但不應一開始開放寫入權限。先用唯讀查詢與建議模式，再依規則驗證、角色權限、人工批准和稽核紀錄逐步擴張。避免讓模型直接繞過正式業務規則。

怎麼知道成果值得擴大？

看相同工作類型的品質、交期、返工和總成本是否持續改善，再確認現場班組、IT 與管理主管願意依同一套程序操作。單次展示結果不能視為可複製證據。

結語：把 AI 放在工廠正在失血的地方

製造業要的不只是更準的預測，而是讓正確資訊及時出現在對的人手上。從報價、排程與異常處理挑一個邊界清楚的問題，先建立可追溯的資料與交付，再決定是否導入更深的設備模型與自動化。只要企業把交期、品質與現場責任放在工具前面，AI 才有機會成為生產力，而不是另一套需要人工照顧的系統。

延伸閱讀：企業 AI 導入怎麼做？從需求盤點到 90 天試點、企業 AI 導入顧問與陪跑。

資料來源

［S1］NIST：2026 Roadmap on Artificial Intelligence and Machine Learning for Smart Manufacturing。
［S2］經濟部產業發展署：製造業 AI 應用開發及擴散計畫。
［S3］經濟部中小及新創企業署：以需求導向推動中小微企業 AI 應用轉型。

圖片與素材說明

本文封面為原創 AI 概念插畫，並非特定工廠、設備或企業現場實拍。文中流程及數字案例均為編輯方法和教學示意，不代表實際客戶成效。