AI 沒辦法無中生有：工廠工作沒變少的真正原因
2026-10-15
4
1987 年，經濟學家 Robert Solow 有一句常被引用的觀察：「電腦時代隨處可見，就是在生產力統計裡看不到。」近 40 年後，這句話套在 AI 身上幾乎一字不改。企業導入的 AI 工具越來越多，工廠現場的工作卻沒有變少。問題不在 AI 不夠聰明，而在 AI 拿不到東西可用。
一、背景：AI 到處都是，工作量卻沒少
1. 辦公室先動起來
這兩年企業導入 AI 的速度很快。信件有 AI 起草，簡報有 AI 生成，會一開完，逐字稿和摘要幾分鐘內就出來。辦公室裡常見的文書工作，幾乎都找得到對應的 AI 工具。
2. 工具變多，工作量沒跟著變少
回頭問一句：工作真的變少了嗎？我們在工廠現場拜訪時，常聽到主管的回答是「差不多，甚至更忙」。Solow 當年看到的現象又出現一次：工具買進來了，工作量卻沒有跟著下降。與其再多導一套工具，更值得先問的是，工作到底卡在哪一步。
二、痛點：為什麼辦公室先受惠，工廠跟不上
1. 材料不一樣
辦公室的 AI 工具能馬上見效，是因為它處理的材料本來就是文字：信件、簡報稿、會議錄音轉出來的逐字稿。AI 讀得懂文字，自然幫得上忙。
工廠現場是另一回事。現場的材料是電流、溫度、壓力、機台運轉狀態這些物理訊號。AI 讀不懂電流本身，也看不懂機台上那顆燈轉紅代表什麼。這些訊號要先轉成有時間、有來源、格式一致的數據，AI 才有東西可以處理。兩邊的起跑點本來就不同，這是材料性質的差別，談不上誰比較落後。
辦公室的材料本來就是文字，工廠的材料是還沒變成數據的物理訊號
2. 靠人記的數據，有三個成本
很多工廠的數據至今還靠人抄：巡檢員拿紙本抄電表，作業員在報表上填稼動狀況，交班時用口頭交代異常。這種做法有三個成本。
很多機台上還是類比錶頭，數字要靠人走過去看、抄下來
- 不準：抄錯、看錯、估一個大概，數字本身就有誤差。
- 太慢：紙本要等人彙整、輸入，往往隔天才看得到。
- 太粗：一班記一兩筆，中間的波動全被平均掉。
把這樣的數據交給 AI，它頂多把錯的、慢的、粗的東西更快整理成一份報表。數字不準，它改不準；沒記下來的波動，它也找不回來。
不準、太慢、太粗：人工數據的三個成本
3. 工具越多，工作越多
工廠導入數位工具時，常見的情況是各部門各買各的：品保一套、生產一套、設備一套。每多一套系統，就多一道搬資料、對格式的工。系統之間欄位不同、時間對不上，各部門拉出來的數字兜不攏，最後還是要人一筆一筆核對。
同一批貨，三套系統記成三種格式
本來想省事，結果多出一份對帳的工作。製造業趕搭 AI 時最容易忽略的就是這點：底層的資訊落差沒先處理，工具疊得越多，重工也疊得越多。
AI 沒辦法無中生有。它能加速的，是已經存在、格式一致、讀得到的數據。一份原本就不存在的乾淨數據，它變不出來。
三、解法：先把數據鏈打通，AI 才有東西可用
1. 從一個點開始打通
要讓 AI 在工廠派上用場，前提是把底層準備好：現場訊號要能自動收集、經過整理、送上雲端，變成格式一致、查得到來源的數據。少一步，AI 拿到的就還是殘缺的材料，前面講的三個成本一個都沒解決。
實際做的時候，不必一次全廠翻新。比較穩的順序是：
1. 先挑一個最痛的數字：每天要人抄的電表、最常被追問的稼動率，或各部門最常對不上的那份報表，挑一個就好。
2. 把這個數字改成自動收集：直接從現場設備取訊號，不再經過人手抄寫。
3. 數據穩定了，再交給 AI：先讓報表自動產生，再談異常分析與 AI 問答。
一個點跑通、看到效果，再往下一條產線、下一個部門擴。
先挑一個數字、改成自動收集、穩定後再交給 AI
2. GoodLinker 的角色：把現場訊號變成可信任的數據鏈
GoodLinker 谷林運算做的，是這條數據鏈的底層：把現場的數位與類比訊號，轉成 AI 讀得懂的 Token（AI 處理文字與數據的基本單位）。每一筆數據都帶著正確的時間與來源，才算得上可信任。至於數據乾不乾淨、有沒有脈絡，留到本系列第三篇再談。
從現場設備到 AI 報表，中間每一步都不能少
3. 同一條數據鏈，每個角色各少做一件事
我們服務客戶的日常是這樣：由 LESI 機上盒在現場收集設備訊號、整理成一致格式，送上雲端，再交給 AI 做報表與分析。
機上盒安裝在現場控制箱內，負責把訊號收集起來、送上雲端
攤開到每個角色的工作，各自省下的是不同的一段：
- 一線人員：不用再手抄數據，機上盒自動收集。
- 辦公室人員：不用再彙整資料做報告，雲端戰情室有現成報表，也能直接匯出。
- 中層管理者：不用自己整理分析再轉給別人，直接用 AI 問答查某段時間有沒有異常、原因可能在哪。
- 廠長：要向上回報時，AI 摘要先把重點整理好。
- 經營管理者：不用等人做週報月報，AI 報告會定期寄到信箱。
一線人員到經營管理者，各自省下的是哪一段工作
數據上雲後，現場拿平板就看得到機台的產量與稼動（扣件成型廠）
雲端戰情室把各設備的即時狀態集中在一個畫面（示範場域）
直接對圖表提問，由 AI 整理成可以回報的重點（示範場域）
結語
AI 省下的是整理與解讀資料的時間。數據的收集與整合，AI 自己做不到，要靠底層自動化補上。很多工廠導了一堆 AI，工作卻沒少，原因就在這一段還沒打通。
數據有了，下一步該做什麼？先別急著把流程全交給 Agent，先想清楚這個問題需要解到哪一層。這是下一篇要談的。