從怕麻煩開始:中小傳統製造業的 AI 輔助數位轉型實踐
從怕麻煩開始:中小傳統製造業的 AI 輔助數位轉型實踐
陳慶倫 特助
義晟工業股份有限公司 特助
中原工業工程研究所
從現場的重複工作出發
對一家約三十人的鋁合金鍛造廠而言,少量多樣、接單生產是日常。從接單、採購、製令、委外加工到品質追溯,各部門都必須在有限人力下協同作業。早期許多資訊仰賴手寫、Word 、Excel與資深同仁的記憶;當人員請假或交接,工作便容易出現斷點。
我的數位化起點並非宏大的轉型藍圖,而是「怕麻煩」。現場照片拍完還要傳回電腦、插入 Word、逐張排版,我便嘗試做一個簡單的網頁工具,減少重複步驟。這段經驗讓我確信:改善應先從真正困擾使用者的工作開始,而不是為了導入系統而導入系統。舉例來說,現場的模具管理也是一樣,應該先從統一現場標示與正確的管理流程,再將梳理過的流程放入系統;如果流程本身混亂,數位工具只會讓錯誤更快速的放大而已。
有系統,不代表資訊能串成決策
公司陸續導入 ERP、MES 與 QMS,訂單、生產及檢驗資料逐漸電子化,卻也出現資訊孤島。當客戶要求生產履歷,品保人員仍須分別從 QMS 取得量測紀錄、MES 查找設備參數,再回 ERP 確認批號,最後以 Excel、Word 拼成報告。問題不是缺資料,而是跨系統的資料關聯與作業流程尚未整合。
因此,我們以既有 ERP 品號作為產品共同索引,將圖面、模具、製程和品質紀錄逐步連結;再以企業入口平台(EIP)提供各部門一致的查詢及作業介面。EIP 並非推翻原有系統,而是利用既有資料基礎,降低重複登打與人工整理的負擔。
AI 讓懂現場的人更能參與開發
過去,客製化功能往往仰賴外部廠商,需求溝通與修改成本不低。我本身不是資訊工程背景,早年自行累積的舊系統約有十六.五萬行程式、二百零六個頁面;功能越多,反而越不敢大幅修改。生成式 AI 出現後,我開始讓它協助理解既有程式、梳理需求、建立原型與除錯,自己則把重心移到流程判斷和驗收。
例如分析 ERP 資料表時,我讓 AI 在合法授權及限定權限內協助整理欄位與關聯,再由人員核對實際業務邏輯;這是建立內部資料理解能力,不能視為取代原廠授權或正式技術文件。另一項改變是現場工單介面:我們先訪談操作人員,再借鏡自助點餐機的步驟式設計,讓 AI 協助實作更直覺的進出站畫面。
從可用的案例驗證改善價值
在管理報表上,財務與業務人員原先每週各需約三十至六十分鐘匯出、分類及製圖。現在 EIP 依既定規則直接呈現 ERP 資料,主管得以把討論重點從製表移向異常原因與行動。圖面管理則透過品號關聯、版次與權限設計,降低不同部門各自保存檔案的混亂。
供應商品質文件也是適合 AI 的情境:先由 OCR 與 AI 擷取材證欄位,再由人員核對原件,依指定版本的檢驗規格判定,並保留修改與審核紀錄。AI 負責資料轉換,不負責最終放行。至於既有 QMS、MES 與排程系統的接管,我們採新舊並行、逐筆比對的方式,處理五千六百零五筆資料,過渡期間未造成生產中斷。這項成果仰賴的是驗證與切換控制,而不只是開發速度。
做得快,更要管得住
AI 降低實作門檻,也放大錯誤修改的風險。因此,每個需求都應先回答:誰遇到什麼問題、哪些既有流程不能改、怎樣才算完成、由誰驗收?開發時留下版本紀錄,以測試環境先行驗證,並保留回復原作業的能力。成果應以工時、等待與錯誤改善程度衡量,而不是只計算新增多少功能。涉及正式資料時,不能只靠提示詞要求 AI 小心,還需要指令檢核、權限限制及環境隔離。
EIP 也依角色權限控管(RBAC)區分查詢、修改與核准,並保留必要的操作軌跡。這些設計不是單純的資訊技術,而是將企業的工作責任轉化成可執行、可追溯的內部控制。
讓個人效率成為組織能力
我至今仍是公司主要的系統維護者,這也是必須坦承的單點風險。AI 可以協助定位問題,卻不能代替組織承擔決策與維運責任。下一步除了持續改善系統,更要把需求、測試、例外處理及交接知識文件化。內部對話式 AI 查詢也應以既有 API 權限及人工覆核為前提,審慎試行,而非讓模型直接取得所有企業資料。
對中小型製造業而言,數位轉型不必從龐大投資開始。先找到一件反覆發生、可衡量、可回復的工作,讓第一線同仁參與試用,確認真的減少等待、重工或錯誤,再逐步擴大。AI 讓懂現場的人更有能力實現改善;工業工程的流程思維與管理制度,才是讓成果長期留下來的關鍵。