生產排程靠老師傅腦袋?用 AI 重建可追溯的排程與 BOM

走進多數台灣中小工廠的生管室,你會看到兩種畫面:一塊寫滿型號與日期、每天被擦掉重寫的白板,以及一台老師傅腦袋——真正決定誰先做、誰後做、哪台機台插哪張單的,其實是那顆腦袋。這套「人腦排程」在訂單單純時運作良好,但一旦插單、急單、缺料、機台故障同時發生,整個工廠就會陷入「救火」。本文談的不是要你導入百萬等級的 APS 系統,而是用 AI 把排程與 BOM 從「綁在某個人身上的隱性知識」,變成「可追溯、可模擬、可交接」的數位資產——而且不必換掉現有系統。

「老師傅排程」為什麼是隱形風險

老師傅排程的最大問題不是不準,而是「不可複製、不可追溯、不可規模化」。當排程邏輯只存在一個人腦中,工廠就承擔三個結構性風險。第一是人員風險:這位老師傅請假、離職或生病的那一週,工廠的交期承諾基本上失控,沒有人能解釋為什麼這張單排在那張單前面。第二是擴張風險:當訂單量成長,人腦能同時權衡的變數有上限,排程品質會隨複雜度上升而崩壞,工廠因此卡在某個規模上不去。

第三是決策不可追溯。當客戶抱怨交期、老闆想知道「為什麼這張急單沒排進去」,得到的答案往往是「因為當時很忙」這種無法檢討的回覆。沒有可追溯的決策紀錄,工廠就無法從延遲中學習,同樣的錯誤每季重演。麥肯錫對製造業營運的長期研究 指出,中小製造商的產能損失,有相當比例不是來自設備或人力不足,而是來自「排程與換線決策品質」——也就是這顆腦袋的好壞,直接決定了同樣的機台能產出多少價值。

排程不是排程軟體的問題,是「決策知識有沒有被記錄下來」的問題。沒被記錄的知識,就是隨時會蒸發的風險。

更隱蔽的是,老師傅排程通常「看起來在運作」,因為這位老師傅真的很強。正因為他很強,問題被他一個人扛住了,老闆看不到底下的脆弱,直到他離職那天才發現整個工廠的交期能力綁在一個人身上——而那時候才開始補課,代價極高。

這裡要破除一個常見迷思:很多老闆覺得「我們廠子小、單純,不需要這套」。事實正好相反——廠越小,人越少,單一決策者離開的衝擊越大。大廠有冗餘、有副手、有制度;十幾人的小廠,排程那個人就是制度本身。所以「規模小」不是不需要排程數位化的理由,反而是更需要的理由。另一個迷思是「我們訂單種類少,排程不難」。難的從來不是訂單種類,而是「同時要權衡的限制變數」:交期、料況、機台、人力、換線成本、客戶重要性——就算只有十種產品,當這六個變數一起變動,人腦能算出的「夠好」方案,和電腦能搜尋出的「更好」方案,差距往往就是一個月多接幾張單的差別。把這兩個迷思講破,老闆才會願意正視這件事。

BOM 混亂的隱形成本

如果排程是「決定先做什麼」,BOM(物料清單)就是「做這個要用什麼」。台灣中小廠的 BOM 現況常是:同一個產品,業務手上一份報價 BOM、工程一份設計 BOM、生管一份領料 BOM,三份對不起來;替代料記在某個資深採購的 LINE 對話裡;改版後的舊 BOM 沒有歸檔,下次接到同型號訂單又要重新拼湊。這種混亂的成本是複利型的,每一張單都在重複付一次。

具體的代價有四種:領錯料造成的呆滯庫存與重工;報價 BOM 與實際用料不符造成的毛利侵蝕(你以為賺,其實在賠);改版控管失靈導致出貨規格與客戶要求不符的客訴;以及最常被低估的——工程師每天花在「找正確版本 BOM」的時間。iThome 對製造業數位化的報導 多次指出,台灣中小廠導入數位工具時,投報率最高的起點往往不是產線設備,而是把分散、多版本的 BOM 集中成單一可信來源,因為它同時止住了上述四種出血。

把 BOM 數位化、單一化,還有一個策略性副作用:它是排程自動化的前提。AI 要算出「這張單需要哪些料、料夠不夠、什麼時候能開工」,必須讀得到一份乾淨、結構化、版本明確的 BOM。BOM 不整理就想做 AI 排程,等於要求系統在沙地上蓋樓——這也是為什麼本文把 BOM 放在排程前面談。

實務上,BOM 數位化的第一步不需要昂貴的 PLM 系統,而是先做一件樸素卻關鍵的事:把「現在到底有幾個版本的 BOM、各自在誰手上」盤點清楚。多數工廠老闆會驚訝地發現,同一個熱銷品竟然有四五個流通中的版本,而且沒人能說出哪個是「對的」。盤點完之後,指定一位「BOM 守門人」(通常是資深工程或生管),規定所有 BOM 異動只能透過他、且必須留下「改了什麼、為什麼改、誰要求的」紀錄。這個動作沒有任何 AI、也不用花錢,卻能立刻止住最大的出血點:版本失控。等單一可信版本穩定運行一兩個月,再把它結構化成 AI 讀得懂的表格,才是有意義的下一步。順序錯了——先買系統再整理資料——幾乎注定失敗,因為你只是把混亂搬進一個更貴的地方。

AI 排程能做什麼、不能做什麼

先講清楚邊界,避免期待落空。AI 排程能做的是:在給定的限制條件下(機台產能、人力班別、料件到齊時間、客戶交期、換線成本),快速生成多組可行排程方案並比較利弊;模擬「如果這張急單硬插進去,其他單會延遲幾天」;在缺料或機台故障時,幾秒內重算出一份新的可行排程,而不是讓生管枯坐半天重排。它的本質是「在複雜限制下快速搜尋與模擬」,這正是人腦最吃力、電腦最擅長的部分。

AI 排程不能做也不該做的是:替你決定「要不要為了 A 大客戶犧牲 B 客戶的交期」這種牽涉客戶關係與商業策略的取捨。系統可以告訴你「插這張單,B 客戶會延遲三天、違約金風險約多少」,但「要不要這樣做」必須是人的決定。同樣地,AI 不該在資料不全時硬排——它應該主動標示「這張單的料件到齊時間未知,排程信心低」,而不是給一個看似精確、實則虛構的開工日。

哈佛商業評論對 AI 與決策的分析 反覆強調,AI 在營運場景最大的價值不是「取代決策者」,而是「把決策者從蒐集與計算解放出來,專心做判斷」。一個健康的 AI 排程系統,應該讓生管從「每天花三小時排明天的單」變成「每天花二十分鐘審核 AI 排好的方案、處理它標示為低信心的例外」。如果導入後生管反而更累,通常是邊界畫錯了。

另一個值得釐清的能力邊界是「最佳化」與「可行化」的差別。許多工廠對 AI 排程的期待是「幫我算出最賺錢的排法」,但對中小廠而言,真正的痛點通常不是「不夠最佳」,而是「連一份可行、不缺料、不爆機台、不違約的排程都要排半天」。因此導入初期,系統的第一目標應該設定為「在幾分鐘內穩定產出一份可行解」,而不是一上來就追求理論最佳。可行解每天準時生成、能被生管信任,本身就已經把工廠從救火模式拉出來;最佳化是穩定運行半年後的進階課題。把目標設錯——一開始就追求最佳化——往往導致系統過度複雜、生管看不懂、最後沒人用,這是中小廠最常見的失敗模式之一。

低成本起步:不必換掉現有 ERP / Excel

很多老闆一聽到「AI 排程」就想到動輒數百萬的 APS(進階規劃排程)系統,然後因為預算與導入風險直接放棄。事實上,中小廠的最小可行架構,可以完全建立在你現有的 Excel / Google Sheet 與 ERP 匯出資料上,核心只有三件事。

第一,單一可信的資料底座:把分散的 BOM 與機台產能、班別、標準工時整理成結構化表格,指定唯一維護人。這一步沒有 AI,但它是後面一切的地基。第二,一個能讀限制、吐方案的引擎:用 LLM 加上排程邏輯,輸入「目前未完工訂單清單 + 限制條件」,輸出「建議排程 + 每個決策的理由 + 風險標示」。第三,一個給生管審核的介面:不需要漂亮的系統,一張每天自動生成、列出「建議順序 / 為什麼 / 風險」的清單就夠用。

這三件事裡,真正困難的不是技術,而是第一件——資料底座。多數中小廠的機台標準工時是「老師傅說大概」、班別產能沒有明確數字、料件前置時間靠經驗抓。AI 不會通靈,它只能根據你給的數字算;垃圾進、垃圾出。所以導入第一個月的功課,八成是「把這些一直存在腦袋裡的數字逼出來、寫下來、定期更新」。這個過程本身就有獨立價值:就算你最後不上 AI,光是把標準工時與產能講清楚,排程品質與報價準確度都會提升。換句話說,資料底座是「不論有沒有 AI 都該做」的基本功,AI 只是讓這份基本功的回報放大數倍。把這點想通,老闆就不會覺得「整理資料」是為 AI 做白工,而是本來就欠的帳。

關鍵原則同樣是「不動 ERP」:系統只讀 ERP 匯出的訂單與料況,不寫回,因此不需要漫長的系統整合專案,也不會有 IT 抗拒。外貿協會 TAITRA 與 數位時代 對台灣中小製造業數位轉型的觀察一致:成功案例幾乎都是「先用輕量工具解決單一痛點、做出可被看見的成績,再逐步擴張」,而不是一次性砸大錢上完整系統。想把排程與後端訂單、庫存進一步打通的工廠,可參考我們的 B2B 平台與流程代營運服務 與 傳統工廠 AI 自動化案例。

與現有系統介接的最小架構

很多工廠卡在「介接」這兩個字,以為要請 IT 廠商做昂貴的系統串接。其實對中小廠而言,最務實的介接方式是「檔案級介接」而非「API 級介接」。具體做法:ERP 每天(或每班)自動匯出三份 CSV——未完工訂單、料件庫存與到貨預計、機台狀態;AI 排程引擎讀這三份檔,產出一份排程建議檔;生管在介面上審核、微調、確認;確認後的排程再以人工或半自動方式回填 ERP 或工單。

這種架構的好處是「鬆耦合」:AI 系統壞了,工廠不會停擺,生管回到手動排程即可;ERP 升級或更換,只要匯出格式不變,AI 系統不用大改。對沒有專職 IT 的中小廠,這種「壞了也不會死」的設計遠比「整合得很漂亮但牽一髮動全身」重要。Gartner 對製造業技術導入的觀察 也指出,中小製造商數位專案失敗的主因之一,正是過度追求系統整合的完整性,導致導入週期過長、風險過高而胎死腹中。

這裡也要提醒一個常見的供應商陷阱:當你詢問系統商,多數會推薦「完整即時整合方案」,因為那筆生意比較大、綁得比較深。但對中小廠而言,「完整整合」往往等於「導入週期長、客製費用高、改一個地方要等原廠」。檔案級介接雖然聽起來土,卻有一個無可取代的優勢:你自己看得懂、改得動、壞了救得回來。對沒有專職 IT 的工廠,「自己掌控得了」遠比「技術上最先進」重要。先用低風險方式跑順,把議價權與理解權留在自己手上,等真的需要再升級,這個順序能幫中小廠避開絕大多數導入地獄。

進階一點的工廠,可以在檔案介接穩定運作三到六個月後,再評估是否升級到 API 即時介接。但順序不能反:先用最低風險的方式證明 AI 排程真的有用、團隊真的會用,再投資更深的整合。倒過來做的工廠,十之八九會在「系統整合做了半年還沒上線」的階段就放棄。

真實去識別化案例:一家螺絲扣件廠

一家中部的螺絲扣件廠,年營收約 3 億新台幣,六台主力成型機,長期由一位資深生管以白板加經驗排程。痛點很典型:急單一來全廠重排、料況不透明常常排了才發現缺料、這位生管一請假交期就亂。他們沒有導入 APS,而是照本文架構,花一個月做了三件事:把三份對不起來的 BOM 統一成單一表、讓 ERP 每天匯出訂單與料況、用 LLM 引擎每天產出「建議排程 + 理由 + 缺料風險標示」。

導入後三個月的變化是結構性的,而非只是「快一點」。第一,生管每日排程時間從約三小時降到約四十分鐘,省下的時間轉去做料況預警與客戶交期溝通——也就是把人從「計算」移到「判斷與溝通」。第二,因缺料造成的「排了卻開不了工」事件顯著減少,因為系統會在排程前先比對料況、把高風險單標示出來。第三,也是老闆最有感的:這位生管終於可以放心請假,因為接手的人看著 AI 產出的「建議 + 理由」就能維持運作,排程知識不再綁在一個人身上。

這個案例還有一個常被忽略的後續效益值得記錄:這位資深生管在卸下「每天三小時手動排程」的重擔後,並沒有變得無事可做或被裁掉,反而被老闆轉去做更高價值的工作——主動與大客戶溝通交期、提前預警料況風險、規劃產線改善。換句話說,AI 沒有取代他,而是把他從「重複計算」升級成「策略性產銷協調者」,這個角色過去工廠根本沒人有時間做。這也回應了導入前最大的內部恐懼:資深員工怕被取代。實際上,設計得當的 AI 排程,釋放的是工廠最稀缺的資源——資深判斷力,讓它去做真正需要人的事。

這個案例的真正重點不是「AI 很神」,而是「順序對了」:先整理 BOM 與資料底座(無 AI)、再讓 AI 在乾淨資料上做模擬與建議、最後保留人來做判斷。把這三步顛倒或跳過任何一步,結果都會很慘。想看更多製造業流程數位化的延伸打法,可參考 貿易流程自動化文章 與我們的 作品集。

該追蹤哪些 KPI

導入前一定要先量基準值,否則事後無法證明效益,也無法說服內部繼續投資。建議追蹤三組指標。排程品質指標:準時交貨率(OTD)、平均訂單前置時間、急單導致其他單延遲的平均天數、「排了卻因缺料無法開工」的次數。後兩項最能反映 AI 模擬能力帶來的差異,卻最常被忽略。

效率與韌性指標:生管每日排程耗時、機台故障或缺料後「重排出一份可行排程」所需時間(從半天降到幾分鐘,是這套系統最直接的價值)、排程知識可交接性(用「換人接手後交期是否失控」來檢驗,這是人員風險是否解除的真實證據)。這三項裡,老闆最該緊盯的是「重排時間」——因為平常一切順利時,人腦排程和 AI 排程的差距不明顯;真正拉開差距的是「出事的那一天」:一台主力機台早上突然故障,人腦可能要半天才重排出一份還算能用的計畫,期間全廠空轉;AI 幾分鐘就能吐出多組重排方案讓生管選。製造業的利潤往往不是賺在順的時候,而是輸在亂的時候——衡量韌性,就是衡量你「亂的時候」掉多少。

衡量時還有一個方法論提醒:一定要在導入前留下至少一個月的基準數據,而且要誠實。很多工廠導入後覺得「好像有變好」卻說不出具體數字,最後無法對老闆或股東交代,投資就停在這裡。基準值不用複雜,把上面幾個指標用最土的方式(Excel 手記)先量一個月,導入後再量同樣口徑,差異自然會說話。沒有基準,再大的進步都會被「感覺沒差很多」這句話抹平,這是很多本來成功的導入,最後在內部溝通上失敗的真正原因,務必引以為戒。

商業成效指標:因交期延遲造成的客訴與違約金、產能利用率、可承接訂單複雜度上限。一家工廠把排程數位化後,通常 6 個月內會發現「敢接的單變複雜了」——因為過去不敢接、怕排不出來的混線小批量多樣訂單,現在系統能模擬可行性,反而成了同業不敢搶的利基。數位時代對台灣製造業升級的觀察 也指出,中小廠真正的護城河,往往不是更便宜,而是「敢接別人不敢接的複雜單還能準時交」——而這正是排程數位化解鎖的能力。打通排程後,下一步可把同樣乾淨的產品與產能資料延伸到客戶開發,讓系統不只「做得出來」也「接得到單」,可延伸閱讀我們的 AI 客戶開發服務。