文／Ariel

在全球製造業積極投入AI與自動化的同時，落差也變得愈來愈明顯。一邊是企業高層對預測維護、智慧排程與機器人的高度期待；另一邊則是現場工廠的系統老舊、組織文化僵化、資料品質不足，使得AI專案常陷入「推不動」的困境。

企業顧問公司Gartner近期對全球128名製造與供應鏈決策者的調查顯示，近半企業對未來3年的製造策略沒有信心，甚至有2/3坦言其營運模式尚未準備好迎接AI與自動化技術。

這些數據也揭露了一個關鍵：AI在製造業推動失敗的原因，並非因為技術不到位，而是整個工廠的營運邏輯沒有同步升級。也就是說，資料品質參差不齊、系統各自為政，才是AI應用的最大障礙。

營運邏輯未同步升級

對多數製造企業而言，「想做的AI」與「能做的AI」常常是兩件事。工廠普遍希望用AI進行設備維護、良率預測、自動排程，甚至期待未來能靠自主工廠實現最小人力監管，然而若缺乏基礎資料品質、系統整合與跨部門流程協作，這些願景終究無法落地。

尤其資料問題最普遍也最棘手，來自製造現場的感測器常出現缺值、誤差或命名不一致，許多資料缺乏上下文，例如班別、工單類型、設備狀態等資訊，使AI模型缺乏關鍵的解讀基礎。當資料品質不佳時，模型只能得出不可靠的建議，造成AI有在運作，但沒有產出實質價值的假象。加上員工在資料素養及跨部門協作培訓不足，更無法形成常態化能力。

組織員工均不夠支持

另外，系統割裂更是導致AI專案無法擴散的主因之一。許多工廠雖導入局部自動化、設備監控系統或雲端平台，但OT（操作營運技術）與IT（資訊科技）依舊處於不同世界。這種缺乏標準化與互通性的情況，使得AI試點只能侷限於單一產線、單一工廠，很難複製到其他場域。

此外，不只技術要進步，組織文化也要跟上。事實上，更深層的阻礙來自文化與組織。Gartner指出，製造業的決策層長期受「成本控管」思維框架影響，導致其治理結構難以支持敏捷、跨部門協作的AI專案。

更重要的是，操作員常擔心AI或自動化威脅到其工作，而不願採納新工具；IT與生產端的語言差異也讓專案溝通不良。這類結構性的摩擦，使導入AI成為一場「科技沒有問題，但人永遠準備不足」的長期戰。

（本文原載於《科技報橘》：逾半製造業還沒準備好迎接AI與自動化！）