Knowledge Doesn’t Stay. Systems Do.

很多工廠在談數位轉型、智慧製造與 AI 導入時，第一個問題往往是：

• 我們可以用 AI 做什麼？
• 能不能做預測維護？
• 能不能用影像辨識抓瑕疵？
• 能不能影像動態辨識?
• 能不能用聊天機器人回答現場問題？
• 能不能把報表自動化？

這些都是會思考的…但很多卡住的地方，不是沒有 AI 工具，也不是沒有資料平台，而是工廠裡最重要的經驗，還停留在少數人的腦中。

老師傅(資深經驗人員)很強

他看一眼設備運轉的聲音、震動、溫度，可能就知道哪裡不對；他看到產品的外觀，能判斷這是材料批次問題、機台參數問題，還是操作手法問題；他知道某台老設備在下雨天、夏天高溫、換料之後，容易出現什麼狀況；他也知道某個供應商的材料規格表看起來沒問題，但實際上要注意哪一個細節。

可是新人學不起來

不是新人不努力，也不是老師傅不願意教，而是公司把經驗傳承理解成「人帶人」而已。

老師傅帶著新人做幾次，新人記筆記、看操作、照著做。正常情況下或許沒問題，但一旦碰到例外、異常、跨部門協調、客戶臨時要求，或設備出現過去沒看過的狀況，新人還是只能回頭找老師傅。

於是工廠看起來有 SOP，實際上卻還是靠人，是許多企業數位轉型最容易忽略的問題。

真正的數位轉型(Digital Transformation)，不是先導入 AI。

先思考…把組織裡分散的 know-how，逐步轉成能被執行、驗證、更新與複製的工作流程，再把工作流程變成標準，最後才讓 AI 有能力放大這些標準。

如果中間幾層沒有建立起來，AI 只會學到混亂。

老師傅的價值，不只是「會做」

很多工廠最大的風險，不是設備老化，也不是人才不足，而是關鍵經驗集中在少數人身上，這些人通常有一些共同特徵…

• 做了十幾年，知道設備真正的脾氣。
• 很少照著文件處理，因為他知道文件寫得不完整。
• 遇到異常時反應很快，但很難清楚解釋自己怎麼判斷。
• 其他人都知道「有問題找他」，卻不知道他到底做了什麼。
• 他退休、離職、調職或長期請假後，現場效率立刻下降。

公司常常把這種人視為資產，但從管理角度看，這也是高度集中化的營運風險。因為一個工廠真正需要的，不是永遠依賴某一位英雄。

而是讓英雄的經驗，能變成團隊共同使用的能力，但…老師傅的 know-how 往往不是一句「溫度調低 5 度」這麼簡單。

他真正掌握的是情境判斷，例如…同樣是設備溫度異常，可能要先看…

• 是哪一個產品型號？
• 使用的是哪一批材料？
• 前一站的條件是否有變？
• 現在是連續生產，還是剛換線？
• 異常是瞬間出現，還是逐漸偏移？
• 這台設備過去是否有類似維修紀錄？
• 是否與環境濕度、冷卻水、供電或操作人員有關？

這種能力不是單一知識點，而是一連串判斷。

所以，公司若只要求老師傅「把經驗寫成 SOP」，通常很難成功，因為他不是不願意寫，而是很多判斷根本需要從工作情境中被拆解出來，有些也真的很難用寫的。

Know-how 不等於 Workflow

Know-how (專業知識)是某個人知道怎麼做。

Workflow (作業流程/訣竅)則是當特定問題出現時，團隊知道應該由誰、在什麼時間、根據什麼資訊、採取哪些步驟、做出什麼判斷，以及如何留下紀錄。

兩者的差別很大…例如，老師傅知道某設備異常時，應該先檢查冷卻系統，再確認材料狀態，最後才調整機台參數。這是 know-how。

但如果要變成作業流程，至少要被整理成：

1. 什麼狀況會觸發檢查？
   是溫度超標？良率下降？異音出現？還是客戶端回報異常？
2. 第一線人員先做什麼？
   能否自行排除？需要停機嗎？需要通知誰？
3. 要蒐集哪些資料？
   設備參數、材料批號、操作紀錄、環境數據、前後站資訊。
4. 判斷的順序是什麼？
   先排除安全風險，再確認設備，再檢查材料，最後才進行參數調整。
5. 哪些狀況必須升級？
   什麼時候要找設備工程師？什麼時候要通知品質單位？什麼時候需要主管決策？
6. 處理後要留下什麼？
   原因、處置方式、影響批次、預防措施，以及這個案例是否需要更新標準。

當 know-how 變成 workflow，經驗才開始脫離個人。

這不是要把老師傅的判斷僵化成死板規則，而是讓其他人至少知道：遇到問題時，不能只靠猜，也不必每次從零開始。

沒有流程的 AI，只會放大混亂

很多公司想直接跳到 AI，想把歷史維修資料丟進模型，做預測維護；想把歷年品質資料拿來訓練模型，預測不良；想用生成式 AI 建立現場問答系統，讓新人隨時提問。

但如果資料本身沒有結構、紀錄方式不一致、異常原因沒有被確認、處理方式全靠口頭交接，AI 很難真正幫上忙。

它可能會得到看似精準、實際卻沒有意義的結果。

例如，系統紀錄某台設備過去一年故障十次，但沒有寫清楚每次故障的真正原因。有人標記為「設備異常」，有人寫「溫度問題」，有人只寫「已排除」，有人甚至沒有留下紀錄。

在這種情況下，AI 可以幫你分類文字、找出相似案例，卻無法保證它理解真正的因果關係。更危險的是，若公司把 AI 的建議當成答案，反而可能掩蓋原本流程與資料定義不清楚的問題。

所以，AI 導入不只是資料越多越有判斷…再加上…

• 資料是否來自一致的流程？
• 每個欄位是否有明確定義？
• 異常是否有原因分類？
• 處置是否有標準與例外條件？
• 誰有權確認這次的結論？
• 新案例出現後，如何回頭修正原本的標準？

沒有這些基礎，AI 只是替公司更快地搜尋舊資料，或更漂亮地整理混亂。

標準 / 規範(Standard)不是把現場變笨，而是讓基本能力不靠運氣

很多現場人員會擔心，標準化會不會讓工作失去彈性，這個擔心是合理的。因為工廠不是所有事情都能用一份 SOP 解決，設備有差異、產品有差異、客戶有差異、材料有波動，現場永遠存在例外。

但標準化真正的目的，不是要求每個人放棄判斷，而是把不必要的重複猜測拿掉，讓團隊能把判斷力用在真正需要判斷的地方…

• 哪些指標超標時要啟動異常流程。
• 資料要怎麼記錄，才能讓不同班別看得懂。
• 哪一類問題由哪個角色先處理。
• 哪些異常需要立即停機。
• 哪些狀況需要通知品質、設備、製造或供應鏈單位。
• 每次處理後至少要留下哪些資訊。

但以下事情仍然需要保留專業判斷…

• 這次異常是否與過去案例相同。
• 是否需要調整標準參數。
• 是否存在新的風險因素。
• 是否可以接受短期替代方案。
• 是否要升級為跨部門改善專案。

標準化不是消滅經驗，而是讓經驗不再只存在於一個人的直覺裡。

從「找老師傅」變成「跑流程」

一個成熟的工廠，不應該讓新人遇到問題時，只知道說：

• 這個要問老師傅。
• 這個只有某某工程師知道。
• 這個以前都是某某主管在處理。

這樣的組織表面上看起來很有效率，因為高手能快速救火；但長期來看，它其實沒有累積能力；真正健康的狀態可以是…

• 遇到問題，先進入既有流程。
• 流程會告訴你要查什麼資料、找哪些角色、判斷到哪裡需要升級。
• 如果是新問題，再由資深人員補上新的判斷。
• 處理完成後，新的經驗被回寫到流程與標準中。

這樣老師傅不再只是永遠救火的人，而是可以把更多時間用在改善流程、判斷新風險、訓練團隊，以及處理真正高難度的問題。

新人也不必一開始就變成老師傅，但至少可以在制度支持下，逐步累積判斷能力，這才是人才培育，而不是單純的人力補位。

---

AI 最適合放在最後一段，而不是第一段

當 Know-how、Workflow 與 Standard 都開始建立後，AI 才能真正發揮價值。AI 可以開始協助…

• 從大量維修與異常紀錄中找出相似案例。
• 自動彙整不同班別的交接資訊。
• 協助新人用自然語言查詢標準流程。
• 根據設備數據與歷史案例，提供初步的異常風險提醒。
• 找出品質問題與製程條件之間可能的關聯。
• 協助檢查 SOP 是否過期、不同文件是否互相矛盾。
• 將資深人員的處理紀錄，轉成可檢討、可更新的知識草稿。

但要記得，AI 提供的是輔助，不是責任轉移。

AI 可以提醒「這次異常與過去三次案例相似」，但不能自行決定是否停線；AI 可以整理可能原因，但不能代替製造、品質與設備主管承擔風險；AI 可以讓知識更容易被找到，但不能取代公司對流程、權責與標準的管理。

AI 是放大器，它會放大好的流程，也會放大混亂的流程。

工廠真正的轉型，是讓經驗可以被複製

智慧製造不只是自動化設備更多、看板更即時、資料更集中，或導入更多 AI 模型。

真正的智慧，來自組織能不能持續學習。

當一位老師傅解決了問題，這個問題是否只被解決一次？
還是它會變成下一個人能使用的流程？

當一個品質異常被處理完，原因是否只存在於會議紀錄？
還是它會被更新到標準、檢查點與預防機制中？

當 AI 找到一個異常趨勢，現場是否有能力確認、處理並回寫結果？
還是最後只多了一張沒人看的儀表板？

工廠真正缺的，往往不是下一套 AI 系統。

而是把人的經驗，變成組織流程的能力。

• Know-how 讓一個人很厲害。
• Workflow 讓一個團隊能運作。
• Standard 讓能力可以複製。
• AI 則讓這套能力能被放大。

如果沒有前面三層，再好的 AI，也只是在等待下一位老師傅離職。

• About
• 文章