你在台南經營一家 30 人的金屬零件加工廠，上個月去聽了一場 AI 說明會，回來就想讓 AI 幫忙回答客戶的交期詢問。結果你問了一圈才發現，交期要看排程表，而排程表在生管的 Excel 裡；機台會不會延誤要問老師傅，可是他的判斷從來沒有寫下來；至於客戶的催貨訊息，則是散在三個業務各自的 LINE 裡。你原本以為只要挑一套 AI 工具就好，現在卻連 AI 要從哪裡拿資料都說不清楚。
在挑工具之前，我會建議你先看看別人是怎麼開始的。南部已經有公開的導入案例，例如屏東大學協助的一家門鎖零件廠、高雄的嘉信遊艇，而它們有一個共同點：都是先只挑一個步驟做，做出成果之後才談下一步。
所以這篇我會先講這兩個案例，再拿你這家台南加工廠當例子，把導入拆成盤點、小範圍試行、擴大三段。先講結論，你的加工廠現在在第一段，而這篇會一路講到第一個試行做完、真的上線跑過一個月之後，你手上會有什麼。
南部兩個公開的導入案例
屏東大學協助的門鎖零件廠：用 AI 幫新進技師選刀
國家高速網路與計算中心（國網中心）的網站轉載過一篇 DIGITIMES 電子時報的報導，講的是屏東大學 AI 數位轉型中心協助的一家金屬加工廠。這個中心服務的是屏東、內埔與屏南工業區的中小製造業，報導沒有寫這家工廠的名字和確切地點。
這家工廠代工門鎖的鑰匙齒胚（還沒切出齒形的鑰匙坯料）和鎖具，主要用滾齒機（用旋轉刀具在工件上切出齒形的機台）加工。每一個工件要用哪一把刀、機台參數要怎麼設，都是機長或班長看著設計圖判斷，再手動輸入機台，而刀選錯或參數設錯，切出來的工件就不能用。報導寫到，有經驗的技師做出來的良率（做出來的工件裡合格的比例）可以到 99%，但新進技師常常因為原料偏軟或偏硬、治具（固定工件用的工具）和參數設錯，甚至拿錯設計圖，結果良率就掉下來了。
他們的做法，是把機台上的參數、物料規格和設計圖之間的對應關係大量蒐集起來，報導寫的是 5 台機台、每台每天約 4,000 筆工單資料（工單就是每一批要加工的生產指令），再用國網中心的 AI 平台，讓電腦從這些紀錄學出「什麼設計圖要配什麼刀和參數」。
成果是一台放在滾齒機旁邊的平板，它會針對每個工件的設計圖給技師建議，讓技師比較不會選錯。報導說全廠的平均良率從 94% 提升到 96%，並估計以一年 160 到 300 萬個工件的產量，初步可以少損失新台幣 80 到 100 萬元。屏東大學 AI 數位轉型中心協助中小製造業推動數位轉型
高雄：嘉信遊艇用 AI 找出船體瑕疵
嘉信遊艇是 1977 年在高雄創立的遊艇廠。依數位時代 2021 年的報導，它參加了當時經濟部工業局的「AI 智慧應用服務發展環境推動計畫」，和邁森科技、台灣金屬材料品管合作，讓 AI 找出船體裡的瑕疵。經濟部工業局推動產業 AI 化跨界共榮展現實力
遊艇的船體是用玻璃纖維強化塑膠（FRP）做的，而這種製程容易在船體內層留下空洞、水泡，或是一層層材料沒有黏牢而分開。這些瑕疵藏在內層，從外面看不出來，傳統做法是在半成品階段檢查，曲面的船體又不好測，再加上船廠本身缺工。所以他們用陣列式超音波（PAUT，用很多個探頭一起掃描、看材料內部有沒有缺陷的檢測方式）掃描船體，再讓 AI 學著從掃描結果裡自動找出瑕疵。報導寫到，這個檢測方案當時已經完成第一階段的開發，可以節省 20% 到 30% 的作業時間。
這兩個案例怎麼挑第一步
把兩個案例放在一起看，有三點是你的工廠也可以照著做的：
- 只挑一個步驟：門鎖零件廠只處理「選刀和設參數」，嘉信只處理「看超音波掃描結果、找出瑕疵」。
- 挑的是最依賴經驗的那一步：選刀靠老技師的眼光，看懂超音波影像靠檢測人員的經驗，而嘉信的報導也寫到船廠缺工。
- 那一步已經有資料可以讓 AI 學：門鎖零件廠的機台每天都會留下幾千筆工單紀錄，所以 AI 才有東西可以學。
你的加工廠最依賴經驗的一步，是老師傅判斷機台會不會延誤。可是他的判斷從來沒有寫下來，AI 沒有東西可以學，所以你的第一個試行不會從這一步開始。
至於這兩家後來的發展，報導提到門鎖零件廠擴廠後會加入更多新機台，這套系統可望用在更多機台上，下一步則打算做自動光學檢測（AOI，用攝影機拍工件、由程式檢查外觀），也要用攝影機拍機台的操作畫面、讓參數自動記錄；不過這些有沒有做成，報導沒有後續，我也沒有查到更新的公開資料。嘉信的報導則只寫到第一階段完成。你從這兩個案例要學的，是怎麼挑第一步、怎麼證明它有效；至於它們用的是哪一套 AI 工具，對你的工廠反而沒那麼重要。
三段路線總覽
回到台南那家加工廠。你遇到的狀況，在南部的傳統製造、精密加工和區域服務業裡其實很常見。關鍵判斷在老師傅身上，訂單在舊的 ERP（管訂單、庫存和帳務的系統），排程在 Excel，客戶訊息在 LINE，而且公司沒有專職的 IT 人員。資料越散，第一段通常就要排越多時間，不然後面的時程都會跟著延。
下面這張表是三段各自要回答的問題，以及做到什麼程度才進下一段：
| 階段 | 要回答的問題 | 這一段要做出什麼 | 做到什麼程度才進下一段 | 延伸閱讀 |
|---|---|---|---|---|
| 1. 盤點 | 哪個步驟最值得先做？資料在哪裡？ | 候選流程清單、每一步的資料放在哪裡、現在每週幾件和每件花多久 | 選定一個步驟，現在的數字記下來 | 挑第一個流程、資料要整理到什麼程度 |
| 2. 小範圍試行 | 拿真實案件來做，做不做得到？ | 試行紀錄、AI 找錯的案件、有沒有過關 | 舊案件考過標準，再實際跑一個月也維持住 | 權限與人工確認、專案怎麼驗收 |
| 3. 擴大 | 能不能穩定運作、交給別人維護？ | 誰負責維護、下一個要做的步驟 | 第一個步驟穩定運作一段時間 | 自建、平台或委外 |
如果你不確定自己現在在哪一段，可以這樣對：
- 說不出交期詢問每週幾則、每則花多久：你還在第一段。
- 已經記下這些數字、選好要先做哪一個步驟，準備拿過去的案件來測：你在第二段。
- 試行過了標準，實際上線也已經穩定跑了一季：這時才談第三段。
你的加工廠現在在第一段，所以下一步就是記下交期詢問的數字，並約老師傅聊聊他是怎麼判斷延誤的。
台南加工廠的三段路線（圖上數字是示範）：先盤點手上的資料和現況，再拿一小部分真實案件試行，達到標準、穩定運作一段時間之後才擴大。
第一段：盤點流程、資料和現況
盤點要做三件事，下面用到的數字都是示範，請換成你們自己的紀錄：
- 列出候選的流程，再拆成步驟。以你的加工廠來說，「回答客戶交期」其實是三個步驟：先從 LINE 訊息找出是哪一張訂單，再去排程表查預計完成日，最後判斷機台狀況會不會延誤。
- 寫出每一個步驟要用的資料放在哪裡、怎麼拿得到。找訂單要讀業務的 LINE，查排程要讀生管的 Excel，判斷延誤則要問老師傅。
- 記下現在的數字，也就是每週有幾件、每件花多久、多常出錯，例如交期詢問每週 40 則、每則平均要花 10 分鐘，其中大約 8 分鐘是在翻 LINE 找訂單、開 Excel 查排程。
第 2 件事做下去，你會碰到兩個實際的問題。第一個是過去的 LINE 對話怎麼拿出來。LINE 的聊天室可以在設定裡用「傳送聊天記錄」匯出成文字檔，裡面有每則訊息的時間和文字，但客戶傳的照片和圖面不會在裡面。如果業務用的是自己的私人 LINE，就要先跟他們講好只匯出跟客戶的對話。這些匯出來的對話，後面試行時就是 AI 的考題。
第二個是老師傅的判斷怎麼留下來。要老師傅一邊顧機台、一邊自己打字記錄，多半很難持續，所以我會建議每週撥 1 小時讓他用講的，由一位熟悉訂單的同事（例如生管）記進一張共用的 Excel：哪一張訂單、他判斷會不會延誤、理由是什麼。門鎖零件廠的 AI 能建議選哪一把刀，也是因為過去技師選刀、設參數的工單紀錄都留了下來，AI 才有東西可以學。所以把老師傅的經驗寫下來，往往比挑工具更值得先花時間。
第 3 件事的數字很重要。Microsoft 在 AI agent（會自己決定下一步、呼叫其他工具去完成工作的 AI 程式）的導入指南裡，也建議在開發之前就先定好要改善的指標，並把目前的表現記下來。Business plan for AI agents
門鎖零件廠能說出「良率從 94% 到 96%」，就是因為導入前已經知道原本的良率是多少。如果你沒有先記下來，三個月後就很難說清楚 AI 到底有沒有幫上忙。
把交期詢問拆成三個步驟之後，你會發現三個步驟需要的東西都不一樣。找訂單要先讀懂客戶寫得很隨意的訊息，例如「上次那批鋁件好了沒」，再對到這個客戶最近的訂單，而這種沒有固定格式的訊息，比較需要 AI。查排程則是照訂單編號去 Excel 找日期，只要排程表的格式固定，用 Excel 的查表公式就能自動帶出來，不需要 AI。至於判斷會不會延誤，則還是要問老師傅。把一件事拆成幾個步驟之後，你才看得出哪一步真的需要 AI。
查排程這一步，就是 Anthropic 在整理 AI agent 設計經驗時講的情況：先找最簡單的做法，簡單做法不夠用時才再加東西，有時甚至完全不用做成 AI agent。Building effective agents
查表公式、RPA（照固定步驟點畫面、抄資料的軟體機器人）、AI 和 AI agent 各適合哪一種工作，可以看 AI agent 和聊天機器人、RPA、自動化流程差在哪；挑流程的四個條件和評分表，則整理在哪些企業流程適合先交給 AI agent。
盤點這一段，政府也有資源可以用，例如中企署的企業診斷服務就是在協助盤點現況，細節我放在文末的「可以找的外部資源」。
第二段：挑一個步驟，小範圍試行
三個步驟裡，你的加工廠第一個試行要挑哪一個？Microsoft 的同一份指南建議，試行時先挑最難的步驟，因為如果 AI 在最難的那一步都做得到，其他步驟就比較放心。不過這有一個前提，就是那一步要有資料可以拿來測。你的工廠最難的「判斷會不會延誤」，老師傅的判斷還沒有紀錄，所以沒辦法測。
所以我會建議你的第一個試行，先讓 AI 做「從 LINE 訊息找出訂單」，因為這一步的資料拿得到，AI 找錯了也有業務會發現。開始做之前，要先做兩個決定。
第一個決定是 AI 做到哪一步就要停下來給人看。以你的加工廠來說，流程會是這樣：
- AI 讀客戶的 LINE 訊息，找出是哪一張訂單；看不懂的訊息，就標成「轉給業務處理」。
- 用 Excel 的查表公式，依訂單編號自動帶出排程表上的預計完成日。
- 系統把訂單編號和預計完成日列成一張待確認清單。
- 業務看過、確認沒錯之後，再自己回覆客戶。如果客戶問的是會不會延誤，或是完成日已經很近，業務照原本的方式問老師傅。
這樣就算 AI 找錯了，也不會直接傳到客戶那裡。門鎖零件廠也是一樣，平板只是給建議，實際操作機台的還是技師。
第二個決定是合格標準，也就是拿過去的真實案件當考題，事先講好要做到什麼程度才算通過。你可以拿業務匯出的過去兩個月約 300 則交期詢問當考題，例如訂單要找對 9 成以上，而業務確認一則不超過 1 分鐘，才算通過。這兩個數字只是舉例，你們可以依自己能接受的錯誤程度來定。
Microsoft 的指南還有一個建議我覺得很實用：每個階段都先定好要看的營運數字，試行結果沒有達到事先講好的標準，就先暫停、重新評估。所以如果 300 則考題只找對 7 成，就先回頭看是哪幾種訊息找錯，例如客戶只寫「上次那批」，或是同一個客戶同時有好幾張訂單，把這些情況處理好之後再測一次。
考題過了之後，還不能算完成，因為考題是過去的訊息，而新進來的詢問可能寫法又不一樣。所以下一步是讓 AI 實際處理每天新進來的交期詢問，一樣只列待確認清單、由業務回覆，先跑一個月。這一個月裡，每週記下三個數字：AI 找對幾成、業務確認一則花多久、轉給業務處理的有幾則。連續幾週都維持在標準以上，才算真的穩定下來。
權限怎麼分級、哪些動作一定要人確認，可以看 AI agent 的權限與人工確認怎麼設；而測試的考題怎麼準備、合格標準怎麼寫，則整理在 AI agent 專案怎麼驗收。
第三段：穩定之後再擴大
第一個步驟穩定運作一段時間之後，再來談擴大。擴大有兩個方向，一個是同一個流程讓 AI 多做一點事，另一個是挑下一個要做的步驟。
以你的加工廠來說，如果找訂單已經穩定跑了一季，第一個方向可以是：AI 找到訂單、而且排程表上的日期沒有變動時，就直接回覆客戶「已排入生產、預計某日出貨」，只有找不到訂單或日期有變動的詢問才轉給業務。第二個方向，就是老師傅的延誤判斷，等他的紀錄累積夠了，再重新跑一次第一段的盤點。
這一段最容易被忽略的是維護。例如 AI 模型更新之後，同一句「上次那批」可能會對到不同的訂單；生管改了排程表的格式，查表公式就會帶錯日期；業務也會碰到新的例外情況。所以要有一個人負責看 AI 每天的紀錄，通常就是交期詢問最多的那位業務；排程表一改格式，也要有人同步調整查表公式。
我建議至少每季回顧一次，看兩個數字：轉給業務處理的詢問有沒有變多，以及業務修改 AI 清單的次數有沒有變多。這兩個數字往上走，通常代表客戶的寫法或排程表的格式變了，規則也要跟著調。
很多南部的中小工廠沒有專職的 IT 人員，這些維護工作就需要外部協助。我們的企業 AI 營運服務，就是到現場幫工廠把內部的軟體和資料串起來，例如 ERP、Excel 和 LINE 裡的資料，讓找訂單、查排程這類工作可以自動跑。而公司裡有沒有人能接手維護，也會影響當初該選自建、用平台還是委外，比較方式在企業 AI agent 自建、用平台還是委外。
回到台南那家加工廠
照這三段走，你的加工廠前三到四個月要做的事其實並不多。第一個月先把交期詢問拆成三個步驟，記下每週幾則、每則花多久，請業務匯出過去兩個月的客戶對話，也請老師傅開始講他判斷延誤的理由。第二個月只讓 AI 做「從 LINE 訊息找出訂單」，拿那些對話當考題，看它找對幾成、業務確認一則要多久。考題過了，第三個月再讓 AI 實際處理新進來的詢問，每週記下數字。
如果實際跑的這一個月，AI 還是維持找對 9 成以上、業務確認一則不到 1 分鐘，那原本花在找訂單、查排程的 8 分鐘，就變成確認 1 分鐘。扣掉找錯要重查的那幾則，每週 40 則大約可以省下 4 個小時（數字是示範）。這時你就有一個和前面兩個案例一樣的東西：一個只做一步，但真的上線跑過，而且你算得出省了多少時間的 AI 流程。
如果沒過，你也只花了三四個月，而且已經知道問題出在客戶的訊息寫得太隨意、業務的對話匯不出來，還是同一個客戶的訂單太多分不清。不管結果是哪一種，你下一步要做什麼，都會比去聽完說明會那天清楚很多。
可以找的外部資源
- 中小及新創企業署（中企署）的企業診斷：經濟部 2026 年 2 月 4 日的新聞稿「115 年度協助中小企業 AI 轉型輔導」，公告了中企署今年的智慧化經營計畫，其中一項是企業診斷服務，由法人機構、公協會或企業提案，協助中小企業盤點營運現況和 AI 應用需求，剛好就是第一段的工作。提案收件在 3 月 10 日截止；你的工廠能不能透過已經獲選的單位接受診斷，可以打給新聞稿上的聯絡窗口問。經濟部新聞稿
- 中小微企業數位轉型計畫：中企署依公司的程度開數位課程，也幫忙介紹合適的軟體工具，比較適合資料還沒整理好的公司。計畫頁沒有寫目前是否受理，申請之前可以先打給頁面上的聯絡窗口確認。計畫頁
- 附近大學的 AI 中心或育成中心：育成中心是大學裡協助企業和新創的單位。門鎖零件廠的案例，就是透過屏東大學的 AI 數位轉型中心做起來的。
- 智慧雨林產業創生計畫：場域在嘉義、臺南、高雄、屏東的公司可以看，它補助的是把 AI 做出來，以及推廣到更多公司，也就是第二、三段。能不能自己一家申請、要不要找學校和軟體廠商一起提案，要看申請的是哪一種案子，我整理在智慧雨林計畫申請指南。
常見問題
AI 導入多久能看到效益？
要看第一段花多久。訂單和排程已經集中在同一套系統的公司，盤點可能一兩週就做完；而資料散在紙本、Excel 和 LINE 的公司，光是把資料找齊、匯出來就會花比較久，像台南那家加工廠，第一個月就會花在這裡。所以我會建議先定一個小範圍的時間點，例如三到四個月內完成一個步驟的試行和一個月的實際上線，再用結果決定下一步。
公司沒有 IT 人員，導入後誰來維護？
這件事要在第三段之前就決定。以台南那家加工廠來說，看 AI 每天紀錄的是交期詢問最多的那位業務，有問題由他先回報；查表公式和 AI 的設定要調整時，則交給平台或外部團隊處理。
導入 AI 會讓員工失業嗎？
第一個步驟通常只做整理和草稿，最後的判斷還是由人負責，就像門鎖零件廠的平板只給建議、機台還是技師在操作。實際改變的是工作內容：同事少花時間找資料、抄資料，多花時間在確認和處理例外。
舊的 ERP 系統能和 AI 串接嗎？
要看 ERP 有沒有可以用的介面（API，讓別的系統讀寫資料的接口）、資料格式是否一致，以及讀寫權限拿不拿得到。沒有介面的舊系統，有時可以改用 RPA 處理，但速度比較慢，系統一改版也比較容易失效。以台南那家加工廠來說，第一個試行只用到 LINE 和排程的 Excel，還不用碰 ERP；等擴大到要查庫存或出貨紀錄時，再在盤點時確認 ERP 拿不拿得到資料。
只想先做資料儀表板，也算 AI 導入嗎？
資料儀表板是把訂單、產量這些數字整理成一頁圖表，嚴格來說用不到 AI，但它很適合當第一段的成果。如果訂單、排程已經集中在固定的位置，先挑三到五個最關心的數字做成儀表板就好；但如果資料還散在 LINE 和紙本裡，畫出來的數字只會是一部分，所以要先照中小企業數位轉型先做哪一步把資料位置整理好。
參考來源
以下依政府機關公告、官方文件與媒體報導整理，計畫內容與申請期間以當期公告為準。