中小型工廠該不該導入 AI?用資料成熟度與 ROI 判斷的決策框架

去年秋天,一位做金屬沖壓的老闆把我們找去。他花了六位數買了一套「AI 品檢」系統,供應商 Demo 那天用漂亮的樣本圖秀了 99% 的瑕疵辨識率。三個月後,產線上的作業員還是照舊用眼睛看,那套鏡頭被布蓋著。問題不在演算法,在於他們的產品是小批量、多樣式,每個月換料換模,系統要的那種「幾千張標好的瑕疵照片」,這家廠根本生不出來。

這不是特例。中小企業做製造業 AI,最常見的失敗不是技術不行,而是在資料還沒準備好的時候,就先簽了合約。所以我們想先把一件事講清楚:該不該導入,不該用「同業都在做」來決定,該用兩把尺量——你的資料成熟度到哪裡,以及第一個題目的 ROI 算不算得出來。

先給一個能直接引用的判斷

一句話版本:當一家工廠的關鍵流程資料已經在被穩定記錄、且你能指出一個「重複發生、有明確金額、目前靠人硬扛」的痛點時,就值得導入 AI;反之,資料還散在紙本與老師傅腦袋裡、或找不到可量化的題目,先別碰模型,先把資料收起來。

AI 不會無中生有。它是把你已經記錄下來的規律放大。如果你沒有記錄,它只能放大你的混亂。

第一把尺:資料成熟度分四級

我們進場評估時,通常把工廠分成四個階段。你可以對號入座。

多數台灣中小型工廠落在 L1。這不丟臉,反而是好消息——因為從 L1 往上走,投資小、見效快,而且是做 AI 之前本來就該做的基本功。真正該踩煞車的是 L0 卻想一步到位的老闆。我們遇過幾家,錢花在模型上,結果六個月都在補資料,那筆預算等於買了一台跑不動的引擎。

一個現場能自測的問題:如果我現在問你「上個月 A 產線第 3 站的不良率是多少、主要不良原因前三名是什麼」,你能在十分鐘內從系統調出來,還是要打電話問領班? 十分鐘內調得出來,你大概在 L2;要問人,你在 L1 或更低。

第二把尺:ROI 算不算得出來

過了資料這關,第二個問題比技術更重要——這個題目值多少錢。

我們幫客戶挑第一個 AI 題目時,只用三個條件篩:這件事會不會重複發生、單次損失或耗時能不能換算成金額、現在是不是靠人力硬撐。三個都中,才值得做。舉個真實的算法:某塑膠射出廠,關鍵設備一年非計畫停機約 8 次,每次停線加上趕工損失抓 15 萬,一年約 120 萬。導入預測性維護,把感測資料接進來預警,首年目標是把停機砍一半,省下約 60 萬。系統與導入成本落在 40 萬上下。這題,做。

反過來,如果有人跟你推「AI 幫你寫日報摘要」,聽起來很潮,但你算一下:一天省 20 分鐘、一個人、一年幾千塊價值,導入卻要花十幾萬。這題,不做,或至少不是第一題。

第一個題目的選擇,決定了整個 AI 計畫的命運。選對,老闆看到省下的錢,願意投第二題、第三題;選錯,一次失敗就會讓整間公司對 AI 三個字過敏。

最小可行投資:別一次買一座工廠的 AI

我們給中小型工廠的建議幾乎都一樣:先做一條產線、一個題目、三個月。 不要全廠上線,不要一次簽三年。

一個健康的起步,大致是這樣的節奏:第一個月盤資料、確認那把「資料尺」真的到位;第二個月做出能在真實產線跑的最小版本,不追求 99%,先追求「作業員願意用」;第三個月看數字,不良率、停機、工時,任何一個真的動了,才決定要不要擴大。這筆最小可行投資,通常控制在單一題目數十萬的量級,而不是動輒百萬的全廠方案。

這裡有個我們踩過的雷:很多 Demo 漂亮的系統,是為「一般工廠」設計的。但你的廠之所以能活下來,往往正是因為你哪裡不一般——特殊料、急單、老設備、老師傅的手感。通用方案套上去,水土不服的地方就是使用率崩盤的地方。Demo 很美不算數,產線上有人天天在用,才算數。

那到底該不該做?

把兩把尺疊起來看就清楚了。資料到了 L2、又找得到一個算得出金額的重複痛點——該做,而且現在就該做。卡在 L0/L1、或連題目都指不出來——先別急著上模型,把資料收起來、把流程數位化,這半年不會白花,反而是日後 AI 真正能發揮的地基。

我們自己的做法,是派工程師直接進廠,先陪著把這兩把尺量準,再決定動不動手——因為導入 AI 這件事,最貴的從來不是模型,是把它真正推上產線、還讓人願意用的那段路。