一家傳產工廠導入 AI 那年，老師傅哭了

坤榮師不知道。他以為自己只是在「抓機器的毛病」。

二、老師傅哭了：不是被取代，而是第一次被「看見」

系統上線第四個月，模型的準確率爬到九成七，誤判率降到可以接受的水準。林彥廷做了一個決定：把 AI 從「輔助」改成「第一關」，人員只複檢被 AI 標記的件數。換句話說，坤榮師的工作從「全部看一遍」變成「只看有問題的」。

這個決定在廠內引發不小的反彈。有幹部私下說：「總仔是不是想裁員？」「老師傅的經驗，電腦學得會嗎？」坤榮師本人倒是沒多說什麼，只是那幾天話變少了，中午吃飯一個人坐在角落，筷子撥著便當裡的滷蛋，撥了很久。

那一夜的良率曲線

真正的轉折，發生在一個週四的深夜。

那天產線趕一批急單，夜班加班到十一點。晚上九點四十七分，AI 系統突然連續標記了十七件「微刮痕」，全部集中在同一台研磨機的下游。夜班領班覺得奇怪，因為那批料是白天做的，白天檢查都正常。他調了監視器，又把零件拿給剛好還沒走的坤榮師看。

坤榮師一摸，臉色變了。

「這台機器的主軸有問題。」他說，「你們看這個痕跡，很細，但是方向都一樣，這不是人為的，是機器在抖。」

工程師隔天一早拆機檢查，果然，主軸軸承磨損，間隙變大，研磨時產生高頻振動，在零件表面留下肉眼幾乎看不見的細微刮痕。這種瑕疵，過去都要等到客戶端抽檢才會被發現，一次退貨就是整批報廢，損失動輒百萬。

而這一次，AI 在十七件的時候就攔下來了。

隔天下午，林彥廷召集全廠開會，把這件事從頭到尾講了一遍。他沒有說「AI 好棒」，他只說了一句話：

「這十七件，是坤榮師教的。系統裡的標準，是師傅這三十四年，一件一件告訴我們的。」

會場很安靜。坤榮師坐在最後一排，低著頭。然後，有人看到他在揉眼睛。

眼淚背後的三个真相

後來有人問坤榮師，那天到底在哭什麼。他想了很久，說了三句話，這三句話，我覺得比任何一份 AI 導入報告都值得記錄下來。

第一句：「我以為我這輩子會被機器淘汰。」

這是很多老師傅心裡沒說出口的恐懼。他們一輩子靠手感吃飯，當機器開始「看得懂」的時候，第一個反應不是驚喜，而是「那我算什麼」。這種恐懼，不是教育訓練可以解決的，也不是加薪可以安撫的。它需要的是「被證明自己仍然重要」。

第二句：「結果是機器證明我這輩子沒白做。」

AI 的模型裡，有幾百個參數來自坤榮師的判斷。當工程師把「師傅標準」視覺化、數據化之後，他才發現，自己那些「說不出來為什麼」的直覺，其實有非常清晰的邏輯。AI 不是取代他，而是把他腦袋裡的東西「翻譯」出來，讓它可以被保存、被複製、被傳承。這是他一輩子沒想過的事。

第三句：「以後我退休，這些東西還留得下來。」

這句話，是整件事的核心。傳產最大的焦慮，不是訂單，不是成本，而是「技術斷層」。老師傅的經驗，隨著退休一起消失，這是台灣無數中小企業正在發生的靜默危機。AI 在這裡扮演的角色，不是取代人力，而是「經驗的容器」。

三、傳產導入 AI 的真實路徑：不是買軟體，是改文化

這個故事聽起來很溫暖，但如果你以為「買一套 AI 系統，老師傅就會感動落淚」，那就太天真了。從林彥廷決定導入，到坤榮師在會議室掉眼淚，中間隔了整整十四個月。這十四個月裡，黑函、誤判、加班、預算超支、部門對立，一樣都沒少。

我把這家工廠的經驗，拆解成幾個比較務實的觀察，給正在考慮導入 AI 的傳產老闆參考。

從「老師傅的腦袋」到「公司的數據資產」

很多傳產導入 AI 失敗，不是因為技術不好，而是因為「資料不存在」。老師傅的判斷，長期存在他的眼睛裡、手指上，不在任何一個系統裡。品管紀錄只寫「OK／NG」，沒有影像、沒有原因、沒有標準。在這種情況下，你買再貴的 AI，它也學不到東西。

這家工廠的做法很土，但很有效：他們先不談 AI，先做「資料化」。工程師拿著平板，站在坤榮師旁邊，他看一件，工程師拍一件，標一件。良品、不良品、什麼瑕疵、在哪個位置、嚴重程度如何，全部建檔。前三個月，只建了八千多張影像，但這八千張，就是後來模型的全部養分。

這件事的關鍵不是技術，是「尊重」。工程師不是去「糾正」老師傅，而是去「記錄」老師傅。姿態擺對了，老師傅才願意教。這一點，比任何演算法都重要。

九十天陣痛期：五個關鍵節點

如果你問我，傳產導入 AI 最難的是哪一段，我會說：不是建模型，是「人」。以下五個節點，是這家工廠實際走過的路，也是多數傳產會卡關的地方。

節點一：找到一個「痛到不能不做」的問題。

不要為了 AI 而 AI。這家工廠的痛點非常明確：外觀檢驗人力老化、客訴罰款提高、急單時段人力吃緊。問題越具體，AI 的切入點就越清楚。如果一開始就喊「智慧製造」、「數位轉型」，通常會變成大拜拜，錢花完就沒了。

節點二：挑一條產線，不要挑整個廠。

這家工廠只選了「研磨後外觀檢測」這一個站點試辦，為期三個月。範圍小，失敗成本低，成功案例也比較容易複製。很多老闆想一次到位，結果戰線拉太長，每個部門都在等別人先動，最後全部停擺。

節點三：讓老師傅參與「定義標準」，而不是「被通知」。

這是整件事的靈魂。AI 的判定標準，必須由老師傅來「教」，而不是由工程師來「規定」。當老師傅發現自己的判斷變成系統的一部分，他的心態會從「被取代」轉變成「我是這個系統的作者之一」。這種心理轉變，是導入成功的分水嶺。

節點四：接受「不完美」，但要有「異常處理 SOP」。

AI 一定會誤判。重點不是追求百分之百準確，而是建立一套「誤判怎麼辦」的流程。這家工廠的做法是：AI 標記的件數，一律由人員複檢；人員推翻 AI 的判斷時，必須填寫原因，並把影像回饋給模型。這套流程讓 AI 每個月都在進步，也讓現場人員覺得自己仍然握有主導權。

節點五：算 ROI，而且要算「人」的那一份。

很多傳產老闆卡在「這套系統要花多少錢」。這家工廠的算法很實際： AI 系統建置加上兩年維護，大約兩百多萬；但過去一年因為外觀瑕疵造成的客訴、重工、報廢，損失超過四百萬；再加上檢驗人力未來三年的退休缺口，如果補不到人，產線會直接停擺。這筆帳算下來，不是「要不要做」，而是「什麼時候做」。

四、人機共舞的新工序：AI 不會取代師傅，會取代「不肯學的師傅」

系統穩定之後，坤榮師的工作內容改變了。他不再需要整天盯著零件看，而是變成「AI 的教練」。每天早上，他會花半小時看前一天被 AI 標記、但被人工推翻的案例，判斷是 AI 學錯了，還是人員看錯了。每個月，他會跟工程師開一次「模型檢討會」，討論最近出現的新瑕疵型態。

老師傅的新角色：從操作者變成「AI 教練」

這個轉變，對坤榮師來說並不容易。他一輩子靠「做」吃飯，現在要他「說」、要他「教」、要他跟工程師討論參數，一開始非常排斥。但當他發現，自己教的東西會直接影響系統的判斷，而且年輕工程師真的會聽他的意見時，他的態度慢慢變了。

現在廠裡有新進的年輕檢驗員，第一件事不是學看零件，而是跟著坤榮師學「怎麼教 AI」。坤榮師會說：「這個刮痕，你要讓機器知道它跟上一件不一樣在哪裡。你講得出來，機器就學得會；你講不出來，機器就永遠學不會。」

這句話，其實就是 AI 時代傳產轉型的縮影。AI 不會取代老師傅，但它會放大老師傅的價值：如果你能把經驗說清楚，你的經驗會被保存幾十年；如果你說不清楚，那它就真的只能跟著你退休。

中小企業導入 AI 的務實清單

如果你是一家傳產中小企業的老闆，正在考慮導入 AI，我會建議你先問自己以下幾個問題，再決定要不要花錢：

把這幾題想清楚，再去找系統商談，你會發現自己問的問題完全不一樣。你不再問「你們的 AI 多厲害」，而是問「你們怎麼幫我把老師傅的經驗變成資料」。這是一個非常關鍵的轉變。

五、結語：工廠裡最貴的那滴眼淚

那年冬天，我又去了一趟那家工廠。鐵皮廠房一樣熱，研磨機一樣吵，但產線末端那塊螢幕上的紅框，已經很少跳出來了。坤榮師坐在旁邊的椅子上，手裡拿著一杯茶，看著年輕的檢驗員操作系統。

我問他：「師傅，你現在還會怕 AI 嗎？」

他笑了一下，說：「怕什麼？它是我教出來的。」

然後他補了一句：「不過它有的時候還是會笨笨的，我還要再教。」

我想，這就是傳產導入 AI 最好的樣子。不是把老師傅換掉，也不是把 AI 當神拜，而是讓兩邊互相學習：AI 學會老師傅的手感，老師傅學會用新的方式把自己的價值留下來。

那天在會議室掉的眼淚，事後想起來，其實不是悲傷的眼淚，也不是感動的眼淚。那是一個做了三十四年的人，第一次發現「我這輩子做的事情，可以被留下來」的時候，心裡那個很深的、關於「老了就沒用了」的恐懼，終於被放下來的眼淚。

這樣的眼淚，在台灣還有很多工廠裡正在發生，或者即將發生。問題不是「AI 會不會來」，它已經來了。問題是：當它來的時候，我們是把它當成敵人，還是把它當成一個「不會累的學徒」，讓老師傅的手感，有機會傳給下一個三十年。

如果你問我，一家傳產工廠導入 AI，最貴的是什麼？不是那兩百多萬的系統，不是那十四個月的時間，也不是那些加班的工程師。最貴的，是老師傅願意坐下來，把他一輩子的本事，一件一件教給機器的那些下午。

那些下午，AI 學得會。而我們，最好不要等到老師傅退休了，才想起來要學。

🏠 返回首頁