製造業的 AI 應用:報價、排程與品檢的切入點

跟製造業老闆聊 AI,最常聽到兩種反應:一種是「我們又不是台積電,用不到那個」,另一種是被顧問公司簡報轟炸過,以為導入 AI 就是要蓋智慧工廠、上百萬起跳。兩種都把門檻想得太高了。我們自己經營 AI 工具平台、也替客戶做過流程自動化,誠實說:中小型製造業最有價值的 AI 應用,多半發生在辦公室,不在產線上。

產線要動 AI,牽涉感測器、資料採集、產線停機成本,那是資本支出等級的決策。但報價、排程、品檢紀錄這些「紙本與 Excel 撐著的環節」,用現在的大型語言模型就能處理,投入是幾十萬等級,回收週期看得見。這篇講三個我們認為最務實的切入點。

報價單自動化:業務最耗時的例行公事

接單型工廠的報價流程通常長這樣:客戶丟來一張圖面或一封規格信,老師傅憑經驗估工時、查材料價、算稼動,來回兩三天才回一張報價單。這裡面有多少是「判斷」、多少是「查找與抄寫」?我們實際拆解過,大約七成是後者。

AI 能做的是:讀懂客戶來信與規格文件,自動比對歷史報價紀錄,抓出「上次類似的案子報多少、毛利多少、有沒有虧」,把草稿整理好給老師傅過目。判斷還是人做,但從三天縮到半天。關鍵前提是歷史報價要先數位化——如果過去十年的報價都躺在個人信箱和紙本資料夾裡,第一步其實不是 AI,是把資料撈出來整理。這也是為什麼我們總說導入 AI 的第一步是盤點流程,不是買工具。

排程與交期:不求最佳解,先求看得見

很多老闆聽到「AI 排程」就想到自動化最佳排程系統,那是誤會。真正的痛點往往更基本:業務答應客戶的交期,跟現場實際排程對不上;插單之後沒人知道哪張單會延誤,直到客戶打電話來罵。

這個階段需要的不是演算法,是把排程資訊系統化、讓 AI 幫你回答問題。「如果這張急單插進來,哪些訂單會受影響?」「這個月哪幾台機器稼動率偏低?」——當排程資料進了系統,這類問題 AI 可以即時回答,業務不用再打電話問廠長。等資料累積夠了,再談預測與最佳化才有意義。順序反了,就是買一套沒人餵資料的系統。

品檢與異常回報:讓紀錄自己變成報告

品檢的 AI 視覺檢測是成熟技術,但建置成本高、換線就要重新訓練,適合大量單一品項的場景。多數台灣中小廠是少量多樣,我們反而建議從更便宜的環節切入:異常回報的整理。

現場的異常紀錄通常是 LINE 群組裡的照片加兩句話、手寫的日報表、口頭交接。這些散落的訊息,LLM 非常擅長整理:自動分類異常類型、歸戶到機台與批次、週會前產出一份「本週異常彙整與重複發生項目」。品質改善的前提是看得見趨勢,而看得見趨勢的前提是紀錄有被整理——這件事以前要一個助理工程師花半天,現在可以自動化。

中小製造業的 AI 不是取代老師傅的經驗,是把老師傅從查資料、抄資料的雜事裡放出來,讓經驗用在真正需要判斷的地方。

從哪裡開始?

我們的建議順序很簡單:挑一個「高頻、規則明確、目前靠人力硬撐」的環節,先做小規模驗證。報價自動化通常是首選,因為投入產出最好算——省下的業務工時、加快的回覆速度,直接反映在接單率上。

如果你不確定自家流程哪個環節適合切入,歡迎找我們聊聊。我們會誠實告訴你哪些值得做、哪些現階段不值得——包括「你現在最該做的其實不是 AI」這種答案。