製造現場缺工怎麼辦？四個國際案例，看AI Agent走向「現場自主化」

AI代理讓「現場自主化」發展AI代理讓「現場自主化」發展

當AI產業持續地蓬勃發展，缺工仍然是台灣的嚴重挑戰。根據勞動部9月公布的《職位空缺概況調查》，全台工業及服務業共有29.6萬個職缺，其中製造業達11.1萬個，占整體37.4%，為各產業最多。從職務來看，技藝、機械設備操作及組裝人員有6.8萬個全時職缺，技術員及助理專業人員也有5.1萬個。

這不只是台灣企業面臨的挑戰。美國製造業協會(NAM)2025年第四季調查指出，72.1%的受訪製造商有技術生產人員招募需求，60.1%需要核心生產操作人員。

這些數字反映出，企業的人力壓力不只存在於第一線操作，也延伸到現場管理、判斷與協調工作。

過去企業面對這些問題，首先想到的是自動化，希望讓機器取代重複性的人工操作；隨後則透過物聯網、機聯網與數位化，讓設備、環境及營運流程資訊即時回傳。從機台振動、設備稼動率，到車輛位置、建築溫度與能源消耗，原本散落的現場資訊，逐漸匯集到管理系統與可視化電子看板或行動設備上。

然而，現場可視化後，仍需工程師判斷故障原因、需要物流人員重新協調車輛與交貨時程、管理人員決定如何調整設備參數以減少能耗。這些問題更需要有經驗的老師傅，也讓缺工問題更加惡化。

圖、企業IoT成熟階段圖

(資料來源: IoT Analytics、本文重繪制)

所幸，AI、AI Agent的發展，可望協助解決這種困境。

根據 IoT Analytics市場調查公司發布的 《2026 年企業物聯網狀況》報告，企業物聯網市場正進入代理和自動化營運的階段。從 IoT Analytics公司的物聯網成熟度曲線(IoT Maturity Curve)來看，這條曲線不只是設備連網技術的演進，更反映了企業掌握現場能力的提升。

掌握現場的能力將由設備數位化，逐步推進至監控(Monitored)、控制(Controlled)、最佳化(Optimized)到自主化(Autonomous)，乃至於跨設備、跨系統與跨生態系的協作。

這種能力的發展，除了感測器、物聯網的連結外，最重要的是工業軟體正從被動的AI助理轉向主動的AI代理。AI代理不再只是回答問題，更能夠協調複雜的工作流程、關聯跨系統的警報，並在極少人工干預的情況下觸發自動處置作業。因此，AI代理將協助現場工作朝向「現場自主化」發展。

以下我們檢視數個行業的國際案例，並歸納現場自主化的發展趨勢。

國際實例：從AI協助判斷到自主營運

「現場自主化」並不意味著工廠、物流中心或建築物突然變成無人運作，而是把過去高度依賴人員持續監看、判斷與協調的工作，逐步交由AI處理。從目前國際企業的應用來看，這條路徑已經出現幾種不同樣貌：

• 自主維護 ： Hitachi讓設備從「發出警報」走向「協助處置」:

設備維護是最典型的現場工作之一。過去即使機台已經裝設大量感測器，可以即時取得溫度、振動、壓力與運轉狀態，當系統發出異常警報後，仍然需要經驗豐富的工程師判斷：「到底是哪裡出了問題？」。

Hitachi(日立)嘗試把AI Agent帶入這個環節。日立的 HMAX Industry 將設備運轉資料、維修手冊，以及服務工程師累積的維護知識整合起來，讓AI協助分析設備狀態，並找出可能原因支援後續維修。這項工具讓資淺工程師可以處理次要的問題，不需勞煩資深老師傅協助。

AI Agent使設備維護從單純的「異常監控」，進一步朝向「判斷與處置支援」發展。

圖、日立的AI Agent設備維護作業

(資料來源: 日立)

• 自主協調：C.H. Robinson讓AI開始當「物流調度員」:

設備維護的難題是「如何判斷」，物流現場最大的挑戰則是「如何協調」。一批貨物沒有準時取貨，看似只是一個異常，但後續可能牽動承運商、倉庫、交貨預約、客戶時程等一連串工作。過去即使已經能即時追蹤貨況，發現問題之後，仍需要物流人員打電話、寄信、查詢系統，再重新安排後續流程。

全球物流業者C.H. Robinson發展Lean AI Planner，把多個AI Agent放進這些物流環節。不同Agent分別處理訂單、承運商媒合、提送貨預約、貨況追蹤與異常處理，再由系統將相鄰工作串接起來。也就是說，AI不只是回答「貨在哪裡」，而是開始處理「貨物發生變化之後，其他流程該怎麼跟著調整」。

C.H. Robinson公布的成果顯示，貨物運送速度最高提升23%，準時取貨率最高改善35%。2026年針對零單運輸漏接貨所導入的AI Agent，更將95%的漏接貨檢查自動化，每天節省超過350小時人工處理時間，並減少42%不必要的二次取貨行程。

AI Agent使得物流現成從「透明看得見」，進一步走向「自動化協調」。這將減少大量人員在跨系統與合作夥伴之間來回協調的工作。

圖、C.H. Robinson的AI Agent物流規劃作業

(資料來源: C.H. Robinson)

• 自主調節：Siemens讓建築開始自己「調冷氣」:

另一種更容易理解的自主現場，出現在建築能源管理。

瑞典房地產公司 Erna Fastigheter 原本就已經具備建築自動化與房間控制系統，進一步導入西門子的AI Agent系統，可以持續分析建築空調系統運轉狀況，再依據實際環境調整控制。

導入約8個月後，最佳化51個房間，平均每月能源成本降低6.4%。更值得注意的是，室內溫度維持於預期舒適範圍的時間，也由53%提升至81%，讓能源消耗與使用者舒適度之間持續尋找較佳平衡。AI Agent不只是分析資料，而是形成感測、判斷、控制、回饋、再調整的閉環。這正是物聯網成熟度曲線中顯示的監控(Monitored)、控制(Controlled)、最佳化(Optimized)的具體樣貌。

圖、西門子的AI Agent設備能源自動調整作業

(資料來源: 西門子)

• 自主營運：Rio Tinto讓礦場開始「自己運作」

當AI不再只是協助判斷，而是開始直接參與現場作業，「自主營運」就不是未來的想像。

澳洲礦業集團Rio Tinto位於西澳洲的Gudai-Darri鐵礦場，便是一個實際案例。這座礦場導入無人礦用卡車、自主鑽探設備及AI智慧灑水車。由距離礦場約1,500公里外的伯斯控制中心進行監督，自動礦用卡車可以全天候運作、智慧灑水車則透過車載AI監測粉塵狀況，在需要時自動灑水。過去需要人員持續操作與巡查的工作，正逐步交由自主設備完成。

在這個案例中，人的工作角色正在改變；從過去直接操作每一台設備，轉向遠端監督多台自主設備、管理作業狀態與處理例外情況。這也呈現物聯網成熟度曲線中，從監控(Monitored)、控制(Controlled)、最佳化(Optimized)進一步走向自主化(Autonomous)的發展。

AI Agent讓設備在既定任務與安全限制下，逐步具備自主執行現場工作的能力。

圖、Rio Tinto自主化無人礦用卡車

(資料來源: Rio Tinto)

小結

AI進入企業現場後，正在沿著成熟路徑的發展：從協助人判斷，到協調流程、主動調節，最後逐步自主化參與現場運營。這並不代表未來的工廠或物流中心將完全沒有人，而是重新分配「人與AI」的工作。

當AI Agent承擔更多監控、判斷、協調與例行處置，人員便能轉向設定目標、管理例外與處理更複雜的決策。面對缺工，企業不是思考如何用自動化少幾個人，而是如何進行人機協作。