AI視覺進工廠，誰才是決策者與使用者？

Who Decides, Who Uses, and Who Takes Responsibility for AI Vision in the Factory?

內容目錄

「客戶都在問我們有沒有 AI 檢測，這個案子做下去。」

會議室裡，老闆先開了口。

投影幕上是一份簡報，放著競爭對手的智慧工廠案例、客戶稽核時提出的數位化要求，還有幾家 AI 視覺檢測廠商提供的展示畫面。鏡頭掃過產品，系統在幾秒內框出刮傷、缺件與表面異常，畫面看起來很有說服力。

PM 沒有立刻接話 「我們還沒定義清楚，到底要解決哪一個檢測問題。」

工程師看著現場照片補了一句 「而且現有資料不夠。瑕疵樣本很少，產品表面反光又不穩定。先不談模型，光學條件就得重新做。」

廠長皺了一下眉 「你們要測可以，但不要影響產線。這條線每天都在趕交期，停半天不是只有半天的事情。」

坐在旁邊的老師傅沉默了一陣子，才說 「這個零件有沒有問題，我看一眼就知道。為什麼要 AI？」這段對話，在許多 AI 視覺檢測專案開始前，可能都有不同版本。

有人看到客戶要求，有人看到投資效益，有人看到技術限制，有人擔心停線風險，也有人只是很直接地問：原本做得好好的事情，為什麼要改？

表面上，大家都在討論同一套AI系統。
實際上，每個人想解決的可能根本不是同一個問題。

「客戶要AI」，不等於現場知道AI要做什麼

近年不少工廠開始接到客戶的要求。

有些是稽核時詢問是否導入智慧製造，有些是希望供應商具備更完整的品質追溯能力，也有些客戶直接把 AI 檢測、數位化管理或自動化能力寫進評估條件，這些要求會讓管理端很快做出判斷。

不能落後
要開始導入
要有能對外說明的案例

這個判斷不一定有問題。當市場、客戶與競爭環境都在改變，工廠確實需要思考下一步。

只是「導入 AI」本身，還不是一個完整的需求。

如果沒有先釐清問題，專案很容易從一開始就變成一場模糊的採購。

要檢測的是外觀瑕疵、組裝缺件、印刷錯誤，還是尺寸偏差？
導入的目的，是降低人工檢驗負荷、減少漏檢、縮短追溯時間，還是回應客戶稽核？
AI 判定後，是直接剔除產品、提醒人員複判，還是只留下品質紀錄？
現場最痛的地方，是人力不足、品質標準不一致，還是異常發生後找不到原因？

如果這些問題沒有先回答，最後買到的可能是一套很會展示、卻很難被使用的 AI 視覺檢測系統。

一場會議裡，五個人其實站在不同現場

「這個案子不做，客戶以後可能不會把高階產品交給我們。」

老闆在意的，是公司有沒有能力走向下一階段。

他看到的是投資，是客戶關係，是競爭門檻，也是工廠未來幾年的位置。AI 視覺檢測對他來說，未必只是抓瑕疵，而是公司是否有能力對外說明品質管理正在升級。

但 PM 的角度不同。

「我們現在連驗收標準都還沒有。準確率要看什麼？漏檢跟誤判容許到哪裡？系統做出 NG 判定之後，現場要怎麼處理？」

PM 在意的是，這件事能不能變成一個可執行的專案。

因為只要需求沒有定義清楚，後面所有事情都會變成爭議。供應商說模型已達標，工廠卻覺得誤判太多；工程團隊認為光源需要調整，管理端則認為為什麼上線時間一延再延。

同一套系統，每個人對「做好了」的想像都不一樣。

工程師看到的問題更靠近底層。

「資料量不只是少而已。現場真正的瑕疵不會每天出現，嚴重瑕疵更少。模型要學什麼？拿正常品去做異常偵測，還是等瑕疵資料慢慢累積？」

「還有，產品今天跟明天的反光都不一樣。相機位置偏一點、光源亮度變一點，判定就可能跟著變。」

工程師不一定反對 AI。

他只知道，AI 視覺檢測不是把相機裝上去、把模型丟進去，系統就會自動開始工作。它需要光學條件、資料品質、設備控制與穩定網路，也需要足夠時間做測試。

廠長聽到這裡，通常會問一句最現實的問題….「所以要停線多久？」

對廠長而言，產線不是測試場。

一條線背後有交期、人力、材料、機台稼動率與客戶承諾。工程團隊可能需要幾天測試不同角度與光源，廠長想到的卻是少做幾天貨、後段工序怎麼接、急單要怎麼排。

至於老師傅，他每天面對的是產品本身….「這種刮傷跟正常紋路不一樣，摸一下、轉個角度就知道。系統看照片，有時候反而把正常品當不良品。」

這句話常被誤解成抗拒改變。

其實，老師傅講的往往是最重要的現場知識。他知道哪一種痕跡是加工留下的正常現象，哪一種是材料異常；他知道某個班別、某台設備、某批原料出問題時，產品會出現什麼樣的細節。

這些經驗沒有被記錄時，AI 學不到；沒有被尊重時，系統也很難被信任。

AI視覺檢測專案：決策、使用與責任落在哪裡？

層級	核心問題	主要角色	沒有先釐清時的結果
決策層	為什麼要導入 AI視覺檢測？要解決什麼品質或營運問題？	管理端, 客戶窗口, PM	為了 AI 而導入 AI，需求與投資效益失焦
使用層	誰每天操作、複判、維護與回報異常？	品管人員, 線長, 作業員, 設備工程師	系統增加現場負擔，最後被繞過或停用
責任層	誤判、漏檢、停線與模型失準後，誰處理？	PM, 工程團隊, 廠長, 供應商, 品質主管	出現異常時互相等待，品質與交期風險擴大

AI視覺檢測的採購決策可以由少數人做出，但系統能否長期運作，取決於使用者是否被納入設計，以及責任是否在上線前就被說清楚。

真正使用 AI 的人，往往不是買 AI 的人

老闆決定預算，但通常不會每天站在檢測站前
客戶提出要求，但不會負責處理誤判
PM 協調專案，卻未必需要在趕貨時面對警報一直跳出來

真正需要使用 AI 視覺檢測的人，可能是線長、品管人員、作業員、設備工程師，或每天要確認異常品的老師傅，這裡有一個很常見的落差。

管理端期待 AI 降低人工檢驗成本；現場感受到的卻是多了一台需要處理的設備。
管理端期待品質數據可追溯；品管人員看到的是每天多出大量影像與判定紀錄。
工程端希望蒐集更多異常資料；產線人員則擔心每一次停下來確認，都會影響節拍。

如果現場只被當成「最後負責操作的人」，沒有參與前期問題定義，專案很容易在上線後失去支持，因為他們最早看見系統的例外狀況，也最早承受系統不穩定造成的麻煩。

AI 視覺檢測系統若把正常品一直判成 NG，誰來複判？
發現瑕疵後，產品已經流到下一站，誰來追回？
鏡頭髒了、光源變弱、網路延遲，誰有權先切回人工流程？
新產品上線時，誰負責判斷模型是否還能使用？

這些問題不是技術細節，而是使用權與責任的問題。

誰決定、誰使用、誰承擔錯誤？

一個 AI 視覺檢測專案最容易被忽略的，不是模型準確率，而是責任如何分配，系統判對時，大家都覺得 AI 有價值，系統判錯時，事情才開始變複雜。

若正常品被誤剔，造成產線堆料，現場可能覺得系統不可靠
若瑕疵品被放行，品質部門要追查漏檢原因
若模型表現下降，工程團隊要檢查光學條件、資料分布或系統版本
若供應商說模型正常、工廠卻認為現場不可用，PM 得面對驗收爭議
若因為品質事件造成客戶損失，最後仍是公司承擔

這也是 AI 導入不能只談「誰是決策者」的原因，因為一個人可以決定買不買，卻不能獨自決定這套系統是否真的可用。

角色	他真正關心的問題	容易被忽略的需求	AI 視覺檢測出錯時，最直接承受的影響
管理端	投資效益、客戶要求、競爭力、品質風險	導入後的維護成本與跨部門責任	預算失效、客戶信任與品質成本
PM	專案範圍、時程、驗收條件、供應商協作	現場例外處理是否被寫進需求	專案延誤、驗收爭議、部門失焦
工程團隊	光學、資料、模型、設備串接與系統穩定性	產線可提供的測試時間與資料品質	模型失準、設備異常、維護壓力
廠長與線長	產能、交期、節拍、停線風險	導入期間的排程緩衝與備援流程	產線中斷、堆料、交期延誤
品管與現場人員	判定是否可信、異常怎麼處理	介面、複判流程與回饋機制	額外工作、品質責任與系統不信任
老師傅	瑕疵標準是否符合真實產品狀況	經驗能否被整理成可用規則與資料	專業被忽略，卻仍得處理例外狀況