- 谷林專欄2026-10-15
工廠導了 AI，工作為什麼沒變少？先把現場數據鏈打通
這兩年，企業導入 AI 的速度很快。信件有 AI 起草，簡報有 AI 生成，會一開完，逐字稿和摘要幾分鐘內就出來。可是走進工廠問一句「工作有變少嗎？」，常聽到的回答是「差不多，甚至更忙」。
1987 年，經濟學家 Robert Solow 說過：「電腦時代隨處可見，就是在生產力統計裡看不到。」近 40 年後，AI 碰到同一個問題。這篇文章從工廠現場的角度，拆解 AI 卡在哪一步，以及 GoodLinker 谷林運算怎麼協助製造業把這一步補上。
本文重點
- 工廠導入 AI 後工作沒變少，主因是現場數據還靠人抄，AI 拿不到準確、即時、格式一致的數據。
- 建議從一個最痛的數字開始：先改成自動收集，數據穩定後再交給 AI 分析。
- GoodLinker 谷林運算以 LESI EDGE 工業數據機上盒、LESI CLOUD 雲端戰情室與 GenAIoT 工業數據分析模組，建立從現場到 AI 的數據鏈。
為什麼 AI 在辦公室見效，在工廠卻卡住？
辦公室的 AI 工具能馬上見效，是因為它處理的材料本來就是文字。工廠現場的材料是電流、溫度、壓力、機台運轉狀態這些物理訊號，AI 讀不懂電流本身，也看不懂機台上那顆燈轉紅代表什麼。
這些訊號要先轉成有時間、有來源、格式一致的數據，AI 才有東西可以處理。兩邊的起跑點本來就不同，談不上誰比較落後。
▲ 辦公室的材料本來就是文字，工廠的材料是還沒變成數據的物理訊號
為什麼靠人抄的數據，AI 也救不了？
很多工廠的數據至今還靠人抄：巡檢員拿紙本抄電表，作業員在報表上填稼動狀況，交班時用口頭交代異常。
▲ 很多機台上還是類比錶頭，數字要靠人走過去看、抄下來
這種做法有三個成本：
- 不準：抄錯、看錯、估一個大概，數字本身就有誤差。
- 太慢：紙本要等人彙整、輸入，往往隔天才看得到。
- 太粗：一班記一兩筆，中間的波動全被平均掉。
把這樣的數據交給 AI，它頂多把錯的、慢的、粗的東西更快整理成一份報表。
▲ 不準、太慢、太粗：人工數據的三個成本
為什麼系統越多，對帳反而越多？
工廠導入數位工具時，常見的情況是各部門各買各的：品保一套、生產一套、設備一套。系統之間欄位不同、時間對不上，各部門拉出來的數字兜不攏，最後還是要人一筆一筆核對。
底層的資訊落差沒先處理，工具疊得越多，重工也疊得越多。AI 能加速的，是已經存在、格式一致、讀得到的數據，它沒辦法無中生有。
▲ 同一批貨，三套系統記成三種格式
工廠數據化從哪裡開始？三個步驟
要讓 AI 在工廠派上用場，不必一次全廠翻新。比較穩的順序是：
- 先挑一個最痛的數字：每天要人抄的電表、最常被追問的稼動率，或各部門最常對不上的那份報表，挑一個就好。
- 把這個數字改成自動收集：直接從現場設備取訊號，不再經過人手抄寫。
- 數據穩定了，再交給 AI：先讓報表自動產生，再談異常分析與 AI 問答。
一個點跑通、看到效果，再往下一條產線、下一個部門擴。
▲ 先挑一個數字、改成自動收集、穩定後再交給 AI
GoodLinker 怎麼做：一條可信任的數據鏈
GoodLinker 谷林運算做的是這條數據鏈的底層：把現場的數位與類比訊號，轉成 AI 讀得懂的數據，每一筆都帶著正確的時間與來源。整條鏈分成現場、雲端、AI 三層，可以一層一層加上去。
▲ 從現場設備到 AI 報表，中間每一步都不能少
現場：LESI EDGE 工業數據機上盒
機上盒裝在現場控制箱內，負責收集設備訊號、整理成一致格式，再送上雲端。一台機上盒就是一個現場資料來源，數據也可以同時送到工廠既有的 MES、SCADA 或資料庫，不必二選一。
▲ 機上盒安裝在現場控制箱內，負責把訊號收集起來、送上雲端
雲端：LESI CLOUD 雲端戰情室
數據上雲後，雲端戰情室提供即時看板、歷史查詢與資料匯出。辦公室不必再等人彙整報表；同一家公司多條產線、多台機上盒，可以整合在同一個戰情室裡看。手機 App（LESI APP）不另收費，現場人員拿平板或手機就看得到機台狀態。
▲ 雲端戰情室把各設備的即時狀態集中在一個畫面（示範場域）
▲ 數據上雲後，現場拿平板就看得到機台的產量與稼動（扣件成型廠）
AI：GenAIoT 工業數據分析模組
數據穩定之後，再疊上 GenAIoT 模組：用自然語言直接問「上週哪台機台停機最久」，AI 會整理數據回答；查詢異常時，AI 會整理摘要並提示可能原因；AI 週報定期寄到主管信箱。
▲ 直接對圖表提問，由 AI 整理成可以回報的重點（示範場域）
想從用電這個點開始？
電費是很多工廠最有感的第一個數字。EDP 智慧電力標準箱把電表和機上盒預先組在箱子裡，現場安裝後數據自動上雲。箱內的機上盒還能順便接箱外的機台與感測器，電力箱就成了工廠第一個數據上雲的入口。
延伸閱讀：電力現場套件（Energy FieldPack）｜從即時用電監測到契約容量優化
同一條數據鏈，每個角色各少做一件事
- 一線人員：不用再手抄數據，機上盒自動收集。
- 辦公室人員：不用再彙整資料做報告，雲端戰情室有現成看板，數據也能直接匯出。
- 中層管理者：不用自己整理分析再轉給別人，直接用 AI 問答查某段時間有沒有異常、原因可能在哪。
- 廠長：要向上回報時，AI 摘要先把重點整理好。
- 經營管理者：不用等人做週報，AI 週報會定期寄到信箱。
▲ 一線人員到經營管理者，各自省下的是哪一段工作
常見問題
工廠導入 AI，應該從哪裡開始？
從數據開始，不從 AI 工具開始。先挑一個每天要人抄、或最常被追問的數字（例如用電、稼動率），改成從設備自動收集；數據穩定之後，再加上 AI 分析與報告。
我們的設備很舊，也能接嗎？
很多老機台沒有通訊介面，還是可以外加電流感測器、塔燈感測器等方式取數，以非侵入或低侵入方式安裝，不動原有的控制邏輯。實際能接到什麼程度，要到現場看過設備才能判斷。
延伸閱讀：塔燈感測器怎麼用？不接入機台內部燈號線的設備狀態採集
一定要一開始就導 AI 嗎？
不用。建議先讓數據自動收集、報表自動產生，確認數據穩定可信，再加上 GenAIoT 模組。每一層都可以分階段加購。
數據可以給我們自己的系統用嗎？
可以。機上盒收到的數據可以同時送到雲端戰情室與工廠既有的 MES、SCADA 或資料庫。
結語：先讓數據流起來，AI 才有用武之地
AI 省下的是整理與解讀資料的時間。數據的收集與整合，AI 自己做不到，要靠底層自動化補上。很多工廠導了一堆 AI，工作卻沒少，原因就在這一段還沒打通。
想知道自家工廠從哪一個數字開始最划算，歡迎與 GoodLinker 谷林運算聯絡，我們可以到現場一起看。