一個保全的 AI 巡邏路線，比學長教的還細
這三點不是要否定老張，而是要說明：傳統路線是「人的經驗」經過「紙本載體」壓縮後的產物。AI 能做的，不是取代經驗，而是把經驗展開、補上被壓縮掉的那部分。
二、當 AI 走進警衛室：巡邏路線是怎麼被「算」出來的
很多人以為 AI 巡邏就是「裝幾支攝影機、串一個辨識模型」，其實完全不是。真正影響保全每天工作的，是「路線」與「時段」的排程問題，這是一個結合一堆現實約束的最佳化問題，而不是影像辨識問題。
從打卡點到風險地圖：資料從哪裡來
一套堪用的 AI 巡邏路線系統，輸入資料通常包含四類：
把這四類資料疊在一起，就會得到一張「風險地圖」：每個點位在每個時段都有一個分數，分數越高代表越需要被看見。這張地圖跟老張腦中那張「哪裡要小心」的圖其實是同一件事，只是把它數位化、可查詢、可交接。
路線排程其實是「旅行推銷員」的變形題
技術上，巡邏路線規劃是經典「旅行推銷員問題」（TSP）的變形：要在有限的時間內，走過一組點位，讓總加權風險最低、總路程最短，同時滿足一堆現實限制。差別在於它多了幾個維度：
這些條件丟進求解器，出來的就是一份「分時段、分風險、可調整」的巡邏任務表。它不會是一條漂亮的直線，反而常常看起來有點繞——因為它服的對象是風險，不是幾何。
為什麼 AI 排出來的路線會比學長更細
關鍵在於「顆粒度」。老張的路線是以「趟」為單位，一趟四十分鐘；AI 的路線是以「點 × 時段 × 停留秒數」為單位。同樣是經過 C 棟後側回收區，老張的路線是「順路經過」，AI 的路線可能是「凌晨 01:50 停留 40 秒、面向巷口方向、並確認圍牆感應器狀態」。
這就是「細」的真正含義：不是走更多路，而是每個動作都有理由。而當每個動作都有理由時，交接就變得可能——阿宏不需要複製老張的十一年，他只需要照著任務表走，並且在遇到狀況時回報，系統就會把這次回報納入下一版路線。
三、比學長更細的地方在哪裡？五個具體差異
抽象地談「AI 很厲害」沒有意義。以下用雅寶社區試辦三個月後實際跑出來的差異，來說明 AI 路線與傳統路線到底不一樣在哪裡。
差異一：時間權重的顆粒度
傳統路線是「每兩小時巡一趟」，每趟內容一樣。AI 路線則是把一天切成多個時段，每個時段給不同權重。以雅寶社區為例：
18:00–20:00 外送與住戶返家高峰：大廳、車道入口、電梯廳權重最高，每 40 分鐘一次短巡。
21:30 垃圾車時段：垃圾集中區與資源回收區權重上升，必須在垃圾車抵達前後各一次。
06:00–07:00 晨間：垃圾集中區、中庭、主要出入口，配合清潔與住戶晨間運動。
同樣的人力，總巡邏時間沒有增加，但風險高的時段被加權，風險低的時段被釋放出來。這一點是紙本路線最難做到的地方，因為它需要計算，而人腦一次只能記住幾條規則。
差異二：動線交叉與死角覆蓋
傳統路線常常出現「走過去但看不到」的情況：保全經過了某個走廊，但走廊盡頭的轉角不在視線內。AI 路線在計算時會把攝影機視野、照明、建築轉角一起納入，要求某些點位必須「面向特定方向」停留，才能完成覆蓋。
雅寶社區試辦後，AI 找出 11 個「過去三個月從未被實地確認」的死角，包括 B 棟地下二樓機車區後方、C 棟一樓無障礙坡道下方、頂樓電梯機房外側平台。這些點位不是沒人走過，而是走過去時視線角度不對、或停留時間不足。這種「有走等於沒看」的問題，是傳統巡邏最常見的漏洞之一。
差異三：事件記憶與動態調整
AI 路線每一週會根據前一週的事件紀錄重新計算權重。舉例來說，某週連續三次有住戶通報「深夜有人在 C 棟後門抽菸」，下一週 C 棟後門在深夜時段的權重就會被拉高，路線會自動增加停留點與頻率。這種「回饋—調整」的機制，讓路線變成活的，而不是一年檢討一次。
更重要的是，這些調整是有紀錄的。管委會可以清楚看到「為什麼這條路線這週變長了」，而不是像過去一樣只能說「學長覺得最近要多注意」。可解釋性，是 AI 路線能進入社區治理的關鍵。
差異四：人力與班表的現實約束
很多 AI 排程工具失敗的原因，是它排出「理論上最優、實務上做不到」的路線。雅寶社區的系統在設計時就被要求把班表、休息時間、交接時間、甚至「上廁所」的緩衝都放進去。結果出來的巡邏表，每一趟之間都留了 5–8 分鐘的緩衝，而不是把時間塞滿。
這一點看起來很不 AI，但其實很重要：好的排程不是把人力用到極限，而是讓人力可以穩定持續。保全不是機器，路線再漂亮，如果讓值班人員整晚都在趕路，最後一定會出現「只在打卡點停留三秒」的形式主義。
差異五：可解釋性與交接
最後一個差異，也是最容易被忽略的：AI 路線是一份可以閱讀的文件。它會標註每個點位的風險理由、停留秒數、注意事項、歷史事件。老張的經驗變成了路線上的註解，而不是只存在他一個人的腦袋裡。
對阿宏這樣的新人來說，這意味著他不需要「跟學長走三個月」才能上手。他可以在第一週就有一份完整依據，並且在遇到狀況時知道「這個點為什麼重要」。交接不再是口耳相傳，而是有跡可循。
四、真實場景演練：一個 320 戶社區的一日巡邏表
為了讓讀者更具體理解，以下用雅寶社區的實際參數，示範一份 AI 輔助排出的日間與夜間巡邏表（已簡化，實際系統會依每週事件動態調整）。社區條件：4 棟地上 14 層、地下 2 層、住戶 320 戶、保全編制日班 2 人夜班 2 人、打卡與巡邏點共 28 個。
日班（08:00–20:00）重點：
08:00–09:00：中庭、垃圾集中區、主要出入口。對應清潔時段與住戶出門高峰。
12:00–13:00：車道入口、地下停車場 B1。對應外送與訪客高峰。
15:00–16:00：各棟一樓梯廳、消防設備點。對應設備巡檢與住戶返家前的環境確認。
18:00–20:00：大廳、車道、電梯廳，短巡高頻。對應外送與返家高峰。
夜班（20:00–08:00）重點：
21:20–21:50：垃圾集中區與資源回收區，垃圾車前後各一次。
00:30–01:30：地下停車場全區、各棟後側巷弄、機車停放區。深夜低人流高風險時段。
02:30–03:00：頂樓水塔、電梯機房、消防加壓機房。對應設備異常與頂樓入侵風險。
04:30–05:00：中控室設備確認、各棟一樓門禁狀態複查。
讀者可以看到，這份表並不是「走更多」，而是「在對的時間走到對的地方，並且知道為什麼」。以夜班為例，總巡邏時間約 3 小時 40 分，與傳統路線相近，但風險覆蓋率明顯不同。
五、隱私、監視與勞動：AI 巡邏不能踩的五條線
談到 AI 巡邏，住戶第一個反應往往是「是不是要監控我們？」保全第一個反應往往是「是不是要監控我？」這兩個擔心都合理，也必須被正面回答。以下五條線，是任何社區導入前應該先講清楚的。
保全不是被監控的對象
AI 巡邏系統應該記錄「點位與時間」，而不是記錄「人」。也就是說，系統知道「02:14 有人完成了 C 棟後側的巡邏任務」，但不需要知道「是誰、長什麼樣子、有沒有偷懶」。若系統被設計成即時追蹤保全位置並自動評分，很容易變成勞動監控，反而破壞信任。
比較好的做法是：路線資料用於「任務是否被覆蓋」，而不是「個人是否達標」。異常未完成時，先問原因（人力不足？突發狀況？路線設計不良？），而不是直接扣分。
住戶資料的最小化原則
AI 路線不需要人臉辨識、不需要錄音、不需要住戶個人資料。它需要的是「事件類型與地點」，例如「深夜逗留」、「設備異常」、「門禁未關」，而不是「誰在深夜逗留」。任何涉及個人識別的資料，都應該在系統設計階段就被排除，而不是事後再來補救。
資料存放與保存期限
事件紀錄、巡邏軌跡、調整紀錄，都應該明確訂出保存期限（例如 6 個月或 1 年），並且以去識別化方式儲存。管委會應在社區規約或管理辦法中寫清楚，避免日後爭議。
路線不能壓縮休息時間
AI 排程很容易「最佳化到極限」，把每一分鐘都填滿。但保全工作包含突發狀況處理、住戶服務、設備操作，這些都無法被排程。因此路線設計必須保留緩衝，並且尊重法定休息時間。這一點應該寫進系統需求，而不是留給現場人員自己想辦法。
透明溝通與住戶知情
最後，導入前應該向住戶說明：系統記錄什麼、不做什麼、誰可以調閱、保存多久。透明不是為了免責，而是為了讓 AI 巡邏真正被接受。雅寶社區在試辦前辦了兩場說明會，住戶最在意的其實不是 AI，而是「會不會多花管理費」與「我的資料會不會被看到」。把這兩題回答清楚，阻力就少了一大半。
六、導入指南：從一台平板開始的漸進式做法
如果讀者所在的社區也想試試看，以下是一個相對務實的三階段做法，不需要一次採購大系統。
第一步：數位化既有路線，先讓資料存在
不要一開始就想「用 AI 重排路線」。先做最基礎的事：把現有的紙本路線數位化，建立打卡點清單、每個點位的照片、以及過去一年的異常事件紀錄。這一步的重點是「資料品質」，而不是「演算法」。很多社區失敗的原因，是連自己有哪些點、過去發生過什麼都說不清楚，就直接買系統。
建議做法：用一台平板或手機，搭配簡單的表單工具，讓保全在巡邏時記錄「點位、時間、狀況」。三個月後，你就會有一份足以支撐後續分析的基础資料。
第二步：建立事件標籤，讓風險可以被討論
接著，把事件分類。建議至少分成：人員異常（逗留、徘迴、爭執）、設備異常（照明、門禁、電梯、消防）、環境異常（積水、異味、垃圾堆置）、交通異常（車道堵塞、違停）。每個事件都要標上時間與地點。
有了標籤，管委會與保全就能一起討論「哪些時段、哪些地點風險最高」，這時候再引入路線規劃工具，才會有事半功倍的效果。因為工具需要的是清楚的輸入，而不是模糊的期待。
第三步：小範圍試辦，用一個月檢驗
建議先選一個班別（例如夜班）試辦一個月，並且設定三個檢驗指標：
覆蓋率：高風險點位在指定時段被實際確認的比例。
異常發現率：試辦期間主動發現的異常事件數量，與試辦前同期比較。
人員負荷：巡邏總時間、平均每趟緩衝時間、值班人員主觀負荷評分。
如果三個指標都往好的方向走，再擴大到大夜班與日班。如果人員負荷變差，就要回頭調整路線，而不是要求人員「再撐一下」。AI 巡邏的成敗，往往不是演算法問題，而是路線設計有沒有尊重現場。
七、結語：AI 不是取代學長，是把學長的經驗變成資產
回到文章開頭那個凌晨兩點的警衛室。老張後來跟阿宏一起看系統跑出來的路線圖，看了很久，然後指著 C 棟後側說：「這裡我其實知道要看一下，只是以前一個人走，時間不夠，就沒排進去。」這句話點出了整件事的核心：老張不是不知道，是被現實條件壓縮了。
AI 巡邏路線的價值，不在於它比人聰明，而在於它能把一個人十一年累積的直覺，展開成一張可以被檢查、被調整、被交接的地圖。它讓「學長教的」不再只是一條走慣的路，而是一份有理由、有紀錄、會跟著社區一起變化的任務表。
當然，AI 也有它做不到的事。它不會在住戶慌張跑進警衛室時遞上一杯水，不會在半夜聽到奇怪聲音時憑經驗判斷「這應該是風聲」，也不會在兩戶吵架時知道該怎麼勸。這些事情仍然需要人。但也正因為如此，我們更應該把「路線」這種可以計算的事交給系統，讓保全把時間留給那些真正需要人的時刻。
對雅寶社區來說，這套系統目前還在試辦階段，路線每一週都還在調整，老張偶爾還是會憑經驗加註「這週廟會，晚上人多，中庭要多走一趟」。而系統會把這句話變成下一版路線裡的權重。這大概就是最好的狀態：學長的經驗沒有被取代，而是被留下來了。
如果你也是社區管委、總幹事，或正在第一線值班的保全，或許可以從一個很小的問題開始問自己：我們現在的巡邏路線，是「順路」，還是「對的時間走到對的地方」？這個問題的答案，往往就是導入 AI 巡邏最好的起點。
💬 想說點什麼？
歡迎到留言板分享你的想法、心得或疑問。
💬 前往留言板 →