老師傅的腦袋怎麼數位化?製造、物流、車用的專家知識傳承 AI 劇本

一位做了三十二年的沖壓老師傅,退休前三個月。他負責的那台八百噸沖床,只要聲音一變、鐵屑捲曲的角度不對,他伸手一摸模具溫度就知道要停機。廠長很緊張,因為這些判斷從來沒寫在任何 SOP 裡。我們問老師傅:「你怎麼知道要停?」他想了很久,說:「就……感覺不對。」

這就是製造、物流、車用產業最貴、也最容易蒸發的資產:老師傅腦袋裡的隱性知識。它不在文件裡,只在手感、耳朵、和二十年累積的例外處理裡。今天談的知識傳承 AI,核心不是做一個聊天機器人,而是把這種「說不清楚但每次都對」的判斷,轉成可檢索、可交接、能被下一個人在現場調用的知識系統。

為什麼傳統做法會失敗

多數工廠處理傳承,第一招是「拍教學影片、寫作業手冊」。我們看過太多這種資料夾——三百支影片、每支四十分鐘,躺在共用磁碟裡,沒人看得完,更沒人在故障當下看得到。第二招是「師徒制」,但徒弟要花五到八年才接得起來,而師傅明年就走。

問題出在知識的形態。老師傅的知識是「條件觸發」的:在 A 情況下看到 B 徵兆,就要做 C。手冊是線性的,現場是隨機的。你不會照著目錄第七章翻,你是在凌晨三點、機台警報響的時候,需要「這個異音+這個電流波形,以前發生過嗎、怎麼解的」。傳統文件答不了這種問句。

知識傳承 AI 的三步劇本

我們在現場實際跑的,是這樣一套流程,不玄。

第一步,把隱性知識「逼」出來。 光問「你怎麼判斷」沒用,師傅答不出來。我們改用情境重建:調出過去兩年的異常工單、停機記錄、維修對話,一條一條放到師傅面前問「這次你當時在想什麼」。人對著具體案例,記憶會回來。一個資深物流排班主管,原本說「派車就是經驗」,但看著三十筆改派記錄,他能講出「這條線遇到雨天+這家客戶,一定要提早四十分鐘」這種可寫下來的規則。訪談三週,我們從六位師傅身上抽出約四百條這樣的判斷。

第二步,把它變成可檢索的結構,而不是一堆 PDF。 這裡才是 RAG 知識系統真正的價值:我們把工單、圖面、維修記錄、師傅口述,連同機台感測數據,建成一個能用自然語言問答的知識庫。現場人員問「三號線 CNC 主軸溫度飆高、伴隨低頻震動」,系統回的不是一篇文章,是過去七次類似案例、當時的處置、和那位師傅為什麼這樣做。答案帶出處,可追溯到原始工單編號。

第三步,嵌進現場的工作流,不是另開一個網站。 這一步最關鍵,也最多人漏掉。如果師傅得離開產線、打開瀏覽器、登入系統才問得到,他就不會用。我們把它接進現場既有的平板報工介面、或維修工單系統,警報一觸發,相關的歷史判斷自動浮出來。查詢從「額外的動作」變成「順手就看到」。

我們踩過的雷:別做成問答玩具

第一版我們也犯過錯。以為把資料餵進去、模型會回答就成了。上線後使用率個位數。回去看,兩個原因:一是答案沒有出處,老技師不信任——他寧可打電話問同事;二是知識沒有「新陳代謝」,師傅退休那天的知識,半年後就過時,因為換了新模具、新客戶。

後來我們補了兩件事。答案一律附原始案例連結,讓人自己驗證;並且讓現場人員能一鍵標記「這次系統說錯了,正確做法是這樣」,回饋直接進庫。三個月後,同一套系統在一家車用零件廠的實際使用率從 7% 拉到過半,新進技術員獨立處理異常的時間,從平均四十分鐘降到十二分鐘。

這件事的取捨要先說清楚

不是每種知識都值得數位化。真正該優先的,是「高頻發生、且錯了代價很大」的判斷——沖壓的停機時機、冷鏈的溫控例外、產線異音的早期辨識。那些一年只用一次的怪案例,做進去投報率很差,不如留在人腦。挑對範圍,比技術本身更決定成敗。

也要誠實講:AI 抽不出師傅「還沒意識到自己會」的東西,情境訪談永遠有遺漏。這套系統的定位是「把八成能講清楚的判斷留下來,並持續逼近剩下的兩成」,不是複製一個人。

我們做這類專案,不交一份報告就走。工程師會進場待到系統真的被現場師傅點開來用、故障處理時間真的降下來為止——因為 Demo 那天全場點頭不算數,老技師願意在凌晨三點信任它給的答案,才算數。