製造業報價要 3 天?用 AI 壓到 30 分鐘的實戰指南

台灣中小製造業最常見的隱形漏單,不是輸在價格,而是輸在「報價太慢」。一張詢價單從業務收信、找工程師查 BOM、算料成本、加上匯率與關稅、最後產出正式報價單,平均要 2 到 3 個工作天。對北美買家來說,這個速度往往等同於「出局」。本文拆解報價流程的每一個節點,說明哪些步驟可以用 AI 介入、哪些不能,並給出一套不必更換 ERP、30 天就能上線的導入 SOP 與成效衡量方法。

報價慢,到底損失了多少?

製造業老闆通常嚴重低估報價延遲的真實成本。在 B2B 採購情境中,第一個提供完整且專業回覆的供應商,贏單機率顯著高於後續才回覆者;速度本身就是一種「這家供應商靠不靠譜」的代理訊號。對台灣外銷工廠而言,北美買家常同時對 5 到 8 家詢價,72 小時內沒有完整回覆,基本上就被排除在短名單之外,後面報得再漂亮也沒人看。

把帳算清楚:假設一家年營收 2 億新台幣的工廠,每月收到 60 張詢價,平均報價週期 2.5 天,因延遲流失的詢價若僅 15%,等於每月有 9 張單在還沒比價前就消失。這些不是輸給對手的價格,而是純粹「沒接到」的損失。把這 9 張乘上平均單價與你的歷史成交率,就是報價慢每年燒掉的真金白銀,通常是七位數新台幣起跳。

台灣的外銷產業結構以中小企業為主,根據 經濟部國際貿易署 的貿易統計,機械、五金、手工具、零組件等出口品項競爭高度集中,買家選擇多、轉換成本低,反應速度往往是中小廠唯一能與大廠及東南亞同業抗衡的籌碼。Statista 對台灣製造業的產業概覽 也顯示,台灣製造出口長期高度依賴少數高度競爭的品類,代表「慢一步」的懲罰在這些市場特別重。

在 B2B 採購中,回應速度不只是服務態度,而是買家用來篩選「這家供應商值不值得繼續往來」的第一個代理指標。

更關鍵的是,報價慢的代價不是線性的,而是階梯式的:慢一天可能只少 5% 機會,慢三天可能直接掉出名單,慢一週連被比價的資格都沒有。這也是為什麼報價自動化的投資報酬率,通常比工廠老闆事前預期的高出好幾倍——你省下的不是「人時」,而是「整批本來接得到卻沒接到的訂單」。

還有一個常被忽略的隱藏成本:報價慢會反過來污染你的客戶結構。當工廠長期只接得到「願意等三天」的買家,通常代表這些買家本身不急、議價空間被壓縮、忠誠度也低;而真正高價值、會回頭、願意付合理價的買家,往往就是最沒耐心、最先被你的速度勸退的那一群。換句話說,報價速度不只決定「接到多少單」,還默默決定了「接到什麼樣的客戶」。一家工廠若把首次回覆從三天壓到當天,半年後通常會發現客戶平均單價與回購率同步上升,因為你終於接得住那群本來留不住的優質買家——這個結構性效益,遠比省下的工程師工時更值錢,也更難被同業複製。

拆解報價流程:哪幾個節點最該被自動化

把一張詢價單走完的流程攤開,通常有 7 個節點:(1) 收信與需求判讀,(2) 規格釐清與往返確認,(3) BOM 與用料計算,(4) 成本試算(料、工、製費),(5) 匯率、關稅、運費加成,(6) 報價單與條款生成,(7) 內部簽核。其中真正吃掉時間的,是第 1、3、4、6 這四個節點,而它們的耗時來源完全不同,必須分開對症。

節點 1(需求判讀)的耗時,來自業務要從一封結構鬆散、夾雜技術術語的英文信裡,正確抓出產品型號、數量、規格公差、認證要求(FDA / CE / RoHS / REACH)、目的地與期望交期。漏抓一項,後面整串就要重來。節點 3(BOM 計算)的耗時,來自工程師要翻舊報價、對料號、確認替代料與最小採購量。節點 4(成本試算)的耗時,來自試算表分散在不同人電腦、版本不一、料價沒人定期更新。節點 6(報價單生成)的耗時,則是格式重排、條款套用、幣別與付款條件的人工複製貼上。

麥肯錫關於企業導入生成式 AI 的研究 指出,生成式 AI 對「結構化既有資料、產生草稿」這類任務的效率提升最為顯著——而報價流程的節點 1、6 恰好就是這類任務的教科書範例。節點 3、4 則屬於「需要正確數據源」的任務,AI 能加速但必須接上可信的料表與成本資料,絕不能讓模型憑空生成數字。把這個分類想清楚,才知道工具該砸在哪、人該守在哪。

實務上有個快速診斷法:拿出最近 20 張報價,請業務逐張回憶「卡最久的是哪一步」,並把卡關時間記下來。九成的工廠會發現,真正的瓶頸不是「算成本」本身,而是「等工程師有空算」與「等老闆有空簽」這兩段排隊時間——也就是節點之間的「交接等待」,而非節點內的「實際工時」。這代表自動化的第一個目標不該是「把每一步都做快」,而是「消滅交接等待」:讓詢價一進來就被 AI 解析、自動配好對應的料價草稿,工程師打開時看到的是「待校正的八成品」而不是「一張空白詢價」。光是把交接等待壓掉,多數工廠的報價週期就能砍掉一半,這部分甚至還沒動到任何 AI 模型的準確率問題。

AI 能介入的 5 個節點,以及它不該碰的地方

可以放心交給 AI 的有三個。節點 1 需求判讀:用大型語言模型把非結構化英文詢價信,解析成結構化欄位(型號、數量、規格、公差、認證、目的地、交期、付款偏好),加上一個人工覆核欄位後,實務上抽取準確率足以上線。節點 6 報價單生成:把已確認的數字套進標準範本,自動產出 PDF、條款與多幣別版本。節點 2 規格往返:AI 草擬釐清問題的回信,把買家沒講清楚的點一次問齊,業務只需審閱送出,避免「問一句等一天」的多輪空轉。

需要「AI + 可信資料源」搭配的有兩個。節點 3 BOM:AI 可根據歷史報價建議料號、替代料與最小採購量,但最終料表必須對應真實料號資料庫,模型只做建議不做決定。節點 4 成本試算:AI 可自動帶出最近一次的料價、標準工時與製費率,但匯率、關稅稅則必須抓即時來源(央行匯率、海關稅則),不可由模型推測——這是報錯價最常見的源頭。

不該交給 AI 的,是最終定價決策與節點 7 簽核。毛利率設定、策略性讓價、付款與保固條件,這些牽涉商業判斷、客戶關係與風險承擔,必須由人決定。AI 的角色是把報價週期從 2.5 天壓到 30 分鐘,讓決策者把寶貴時間花在「該不該為這個客戶讓 3%」而不是「這顆螺絲上次報多少」。哈佛商業評論對 AI 落地的長期觀察 反覆指出,AI 專案最常見的災難不是技術不行,而是把「判斷」誤交給「自動化」。這條界線搞混,遲早報出一張賠錢單。

一個實用的設計原則是「AI 提案、人類否決」:系統永遠只生成「建議值」,並在每個關鍵欄位旁附上它的依據(這個料價來自哪張表、這個工時引用哪筆標準、這個替代料為什麼建議),人類審閱時不是「從零判斷」,而是「快速否決或放行」。這個設計有兩個好處:第一,把人的認知負擔從「計算」降到「審查」,審一張報價從 40 分鐘變 5 分鐘;第二,當 AI 出錯時,因為依據都攤開來,業務一眼就能抓到「啊這個料價是上個月的、現在漲了」,而不是被一個沒有來源的數字默默坑掉。把「可解釋性」設計進流程,是中小廠在沒有資料科學團隊的情況下,還能安全用 AI 報價的關鍵。

工具組合:不必換掉現有 ERP 的最小架構

很多工廠誤以為報價自動化要先導入一套昂貴的新系統,於是專案還沒開始就被預算嚇死。事實上,最小可行架構只需要三層,而且都建立在你現有的工具上。輸入層:一個共用信箱或網頁表單,讓所有詢價集中進來,不再散落在三個業務各自的個人信箱。處理層:一個 LLM(透過 API 呼叫)負責解析詢價與生成草稿;一份結構化的料價、工時與製費試算表(可以是 Google Sheet,或現有 ERP 定期匯出的 CSV)作為唯一數據源;一段串接邏輯把兩者接起來。輸出層:報價單範本(套版生成多幣別 PDF)與一個給業務逐筆覆核的待辦清單。

整套架構的關鍵原則是「不動 ERP」。現有 ERP 通常都能匯出料號、庫存、標準成本的 CSV,或透過 API 唯讀;報價自動化只需要「讀」這些資料,不需要「寫」回 ERP,因此風險極低,也不必經過動輒半年的系統導入專案與 IT 抗拒。iThome 對台灣製造業數位轉型的長期報導 多次印證,成功的中小廠數位化幾乎都是「先用輕量工具打通單一痛點、做出成績、再逐步擴張」,而不是一次性砸大錢換系統然後卡在導入地獄。

實務上,一家做金屬零件的工廠只用「共用 Gmail + Google Sheet 料價表 + LLM API + 報價單範本」這四件事,就把例行詢價的首次回覆時間從 2 天縮到當天,工程師不再被臨時插單打斷本職工作。外貿協會 TAITRA 在輔導中小企業數位轉型的案例中也觀察到類似模式:真正落地的不是最完整的系統,而是最快能跑起來、員工願意用的那一套。

關於成本,中小廠最關心的「這要花多少錢」其實出乎意料地低。LLM API 以每千次詢價計,月費通常落在數百到一兩千新台幣級距,遠低於一名業助一天的人力成本;Google Sheet 與信箱多半是現成的;真正的投入其實是「第一週把料價表整理乾淨」的人力與紀律,而那本來就是工廠遲早要補的功課。換個角度看,這不是一筆 IT 支出,而是把原本散落在資深員工腦袋裡、隨時會隨人離職蒸發的報價know-how,沉澱成一份可被系統重複使用的資產——光是這個「知識不再綁在特定老師傅身上」的風險轉移,對中小廠的價值就難以估量。若想把這套系統與後端訂單、庫存、出貨進一步打通,可參考我們的 B2B 平台與流程代營運服務 與 平台代營運主題文章。

導入 30 天 SOP:從盤點到上線

第 1 週——盤點與標準化。把過去 50 張詢價單與對應報價全部調出來,逐張標記產品類別、用了哪些料、報價花了多久、最後有沒有成交。這一步的產出有兩個:一張「詢價類型分布表」(讓你知道哪一類詢價量最大、最值得先自動化)與一張「料價基準表」(讓 AI 算成本時有可信數據可帶)。沒有乾淨的料價基準,任何自動化都只是「更快地算錯」,所以這一週的重點是資料治理,不是挑工具,千萬別跳過。

第 2 週——搭建處理層。建立結構化的料價/工時/製費試算表,欄位定義清楚、指定唯一維護人;設定 LLM 解析 prompt(輸入:原始詢價信;輸出:結構化欄位 JSON);用第一週整理的 10 張歷史詢價反覆測試解析準確率,人工校正 prompt 直到型號、數量、認證這些關鍵欄位的抽取穩定。這週結束前,系統要能「讀懂」一封真實詢價信。

第 3 週——接輸出與覆核流程。完成報價單範本套版(含多幣別、標準條款、保固);設計業務覆核介面,明確標示哪些欄位由 AI 生成、哪些是必填的人工確認(尤其是定價與交期);跑 15 張新進詢價的平行測試:AI 出一版、資深業務出一版,逐欄比對差異並記錄根因。這週的目的不是上線,是「建立信任」——讓業務親眼看到 AI 草稿八成正確、剩兩成抓得出來。

第 4 週——小規模上線。選一個詢價量大、規格相對標準的產品線正式切換,業務工作模式改為「審閱並修正 AI 草稿」而非「從零報價」;每天追蹤首次回覆時間與報錯率;週末開檢討會,把當週所有錯誤回饋進 prompt 與料價表。30 天結束時,這條產品線的報價週期應該下降 70% 以上,而且系統會因為持續回饋而越用越準。

這裡要特別提醒一個常見的組織陷阱:導入第一個月,資深業務往往會「偷偷不用」,寧可照舊手動報價,因為他們不信任系統、也擔心自己被取代。這不是技術問題,是變革管理問題。解法有三:第一,讓最資深、最有話語權的業務當「第一個試用者」而非「最後一個被迫接受者」,讓他從挑錯中找到成就感;第二,公開把「省下的時間」歸還給業務本人(例如少加班、把時間拿去經營大客戶),而不是拿來砍人或加任務,否則沒人會真心配合;第三,前兩週刻意保留「手動報價」選項並排,讓業務自己比較後心服口服。略過這段人的工作,再好的系統都會在第六週悄悄回到舊流程,這是中小廠導入失敗最常見、卻最少被寫進 SOP 的原因。

最常見的 5 個導入失誤

失誤一:先買工具再想流程。沒有乾淨的料價基準就急著上 AI,結果是「用更高的效率報出更多錯價」。永遠先標準化資料,再談自動化。失誤二:讓 AI 決定價格。AI 只負責湊齊資料、生成草稿,定價權與毛利策略必須留給人;一旦讓模型「順便」把價格也填了,遲早出事。失誤三:一次全廠上線。先在單一產品線跑順、累積信任、修穩 prompt,再橫向擴張;一次全上,出錯時你連是哪個環節壞掉都定位不出來。

失誤四:不留覆核關卡。全自動把報價直接寄出,等於把品牌信用和毛利交給一個會偶爾出錯的模型;務必保留業務一鍵審閱與修正,這個關卡每天只花幾分鐘卻能擋下所有災難。值得強調的是,保留覆核並不會抵消速度效益——因為瓶頸從來不是「人按下確認」的那幾秒,而是前面「湊資料」的好幾小時;AI 把湊資料的時間清掉之後,即使保留人工把關,整體週期照樣大幅縮短。失誤五:導入後不建立回饋循環。AI 解析一定會犯錯,真正決定成敗的不是「初始準確率」,而是有沒有建立「錯誤 → 修正 prompt 或料表 → 下週更準」的每週循環。Google 官方對 AI 與搜尋品質的長期說明 與多數企業 AI 落地經驗一致:會持續迭代的系統才會贏,一次性上線然後放著的專案幾乎都失敗。

成效衡量:該追蹤哪些指標

不要只憑感覺說「好像有變快」,要建立可比較的儀表板,而且要在導入前先量一次基準值,否則事後無法證明效益。核心營運指標:首次回覆時間(從收到詢價到送出第一版報價,目標 < 4 小時)、完整報價週期(到正式報價單,目標 < 1 天)、報錯率(送出後需更正的比例,目標 < 2%)、工程師被臨時插單打斷的次數(這項老闆常忽略,卻是內部抗拒的根源)。

商業成效指標:詢價轉報價率、報價轉訂單率、業務人均可處理詢價量。一家工廠把報價週期從 2.5 天降到 0.5 天後,通常 3 個月內就能在「詢價轉報價率」看到可量測的提升,因為更多詢價在買家還有興趣、還沒被對手收編時就被接住了。這個指標的改善,才是真正會反映到營收的部分。

長期戰略指標:每月因延遲流失的詢價數應趨近於零。把這個數字乘上平均單價與成交率,就是這套系統的年化效益,通常遠高於導入與維運成本,且效益會隨料價表越維護越準而持續放大。

最後一個提醒:衡量時務必區分「速度」與「品質」兩條線,不能只追快。一個設計良好的儀表板應該把「首次回覆時間」與「報錯率」放在一起看——如果速度上升但錯誤率也跟著爬,代表你的覆核關卡形同虛設,這時該做的不是繼續加速,而是回頭補強人工審查與料價表的維護紀律。健康的導入軌跡應該是:前一個月速度大幅改善、錯誤率持平;第二、三個月速度持平、錯誤率隨回饋循環持續下降。當你能同時把這兩條線都壓到目標值以下並穩定維持,才算真正完成導入。報價自動化打通後,你會發現同一套乾淨的料價與產品資料,還能延伸出更大的價值:讓系統不只「接得快」,還能反過來「主動找買家」。這部分的整合打法,可延伸閱讀我們的 AI 客戶開發服務 與相關案例 作品集。