• 谷林專欄
    2026-11-16

    工廠要不要導入 AI Agent?先把問題拆成三層,再決定做到哪一層

    月初,老闆看完電費帳單皺起眉頭:「這個月電費怎麼這麼高?」停了幾秒,又補一句:「聽說現在 AI Agent 什麼都能做,我們是不是也該做一個?」

    上一篇談到,工廠導了很多 AI,工作卻沒變少,原因在現場數據鏈還沒打通:電表、機台的數字還靠人抄,沒有自動進系統。數據接上之後,「要不要直接導入 AI Agent」就成了下一個問題。答案要看問題本身:同一個問題可以解到不同深度,有的設一條警報就夠,有的才值得讓 AI 串起整條工作流。這篇用「電費太高」當例子,把問題拆成三層,再用三個判斷題決定該做到哪一層,最後說明 GoodLinker 谷林運算怎麼陪工廠一層一層往上做。

    本文重點

    • 直接導入 AI Agent,常卡在三個地方:問題沒定義、底層數據沒到位、判斷規則講不出來。
    • 同一個問題可以解到三層:看見(警報)、看懂(拆解數據)、串起來(AI 跨系統追查並提出建議)。用頻率、規則、代價三個問題,決定該做到哪一層。
    • 判斷三題:重複又吃工嗎、結果人檢查得了嗎、錯了中間攔得住嗎。第三層也有深淺:先讓 AI 查和建議,錯了攔不住的,決定和動手留給人。
    • GoodLinker 谷林運算的能源模組,把電費的三層排在同一條數據鏈上:即時監測、時段費率分析與重大能源設備、每月用電報告,往上爬不必重做前一層。

    為什麼 2026 年工廠都在問要不要做 AI Agent?

    研討會、展場、廠商簡報,2026 年到處都看得到「交給 AI Agent 處理」的說法。

    上一代的 AI 工具像問答機,你問一句、它答一句。Agent 是一套跑在系統上的 AI 軟體,用起來比較像指派一位助理:交代一件事,它自己去翻電表紀錄、對照生產排程、抓出異常的機台,把好幾個步驟接著做完。

    想做 Agent 的念頭沒有錯,只是順序反了。要不要做 Agent 是工具的選擇,在它前面還有兩題:到底要解決什麼問題,這個問題又需要解到多深。工具先定、問題後補,常見的結果是做出一套看起來很厲害、現場卻沒人每天用的系統。

    工廠直接導入 AI Agent,最常卡在哪三個地方?

    第一個卡點:問題沒定義,Agent 只是把模糊的流程自動化。

    「降低電費」「提升效率」,這些是方向,還算不上問題。一個定義清楚的問題,要回答得出:看哪一個數字、目標是多少、誰負責看、多久看一次。

    原本的流程如果就說不清楚,交給 Agent 也只是讓它更快地跑完一套說不清楚的流程。報告每天準時產出,卻沒人知道該拿來做什麼決定。

    第二個卡點:底層數據沒到位。

    上一篇講過,AI 沒辦法無中生有。這件事放在 Agent 身上更明顯:它要串的系統越多,只要其中一段數據缺漏或延遲,後面每一步判斷都會跟著偏掉。

    第三個卡點:判斷規則講不出來,最後回到人身上。

    Agent 要替人做事,前提是人至少講得出「什麼結果算對」。

    很多工廠的判斷藏在資深師傅的經驗裡,例如「這批料摸起來比較濕,速度就放慢一點」。這些經驗還沒變成可以檢查的數據之前,Agent 做不了決定,只能把資料整理好再丟回給人。繞了一圈,工作還是落在原本那個人身上,只是多了一套要維護的系統。

    ▲ 問題沒定義、數據沒到位、規則講不出來,任何一處卡住,Agent 都跑不起來

    電費太高,AI 可以幫到哪一層?

    回到老闆那句「這個月電費怎麼這麼高」。同一句話,可以解到三種深度。

    • 第一層:看見。設定警報門檻。需量快要超過契約容量,或某台設備在下班時段還在耗電,系統就通知負責的人。這一層不做分析,目標是讓同樣的狀況不要每個月重演。
    • 第二層:看懂。把用電數據導出來,按時段、按設備拆開看,找出電耗在哪幾個時段、哪幾台設備。到這一層才答得出「為什麼高」,也才知道該調排程、改契約容量,還是檢查設備。
    • 第三層:串起來。由 AI 定期跨電表、生產排程、電價時段抓資料,發現異常就自己往下追:是哪個時段、哪台設備、跟過去比差多少,再整理成報告並提出建議。Agent 在這一層才真正派上用場:它接手的是原本要有人在幾張表之間來回對照、追查、寫摘要的工作。

    ▲ 同一句「電費太高」,可以停在看見、看懂,或一路串起來

    三層是往上疊的。第三層要追查的資料,全部來自前兩層已經站穩的數據。連第一層的警報都還沒有就直接做第三層,Agent 手上只有殘缺的資料,寫出來的報告也只能是殘缺的。

    第三層本身也有深淺。讓 Agent 查資料、寫報告、提建議是一回事;讓它直接動手,例如自動改排程、調設備參數,是另一回事。Agent 要讀電表、排程、帳單,本身就得開系統權限;讓它動手,等於連操作權限也交給它,而 AI 也會判斷錯、會講錯。停在建議,錯了還有人在中間攔得住;直接動手,錯了影響的就是產線。大部分工廠可以先讓 Agent 停在「查和建議」,要不要放手讓它動手,交給下面第三個判斷題。

    怎麼判斷一個問題該做到哪一層?先問三個問題

    並非每個問題都得爬到第三層。動手前先問三題:

    • 頻率:這件事是不是重複發生,而且每次都吃掉人力?一年碰到一次的事,人工處理就夠了;每天、每週或每月固定要做,每次又得花上不少時間的,才值得往上做。
    • 規則:做出來的結果,人檢查得了嗎?規則一句話寫得完的(超過多少就通知),用不到 AI,第一層的警報就解決了。規則很難一次寫完整,但好壞判斷得出來的,例如一份用電檢討寫得對不對、建議合不合理,懂的人一看就知道,才適合交給 AI 去追查和整理。連好壞都還判斷不了的,先回到第二層,把數據看懂再說。
    • 代價:判斷錯了,中間有沒有人看得出來、攔得住?AI 的產出會先經過人才變成決定,例如報告先給主管看過,就可以放手讓 AI 去做;AI 的判斷會直接變成動作,錯了會影響品質、安全或交期,就只讓它查和建議,決定和動手留給人。

    三個常見的用電問題,各該做到哪一層?

    拿工廠常見的三個用電問題來試,答案會落在不同層:

    • 下班後空壓機還在空轉:每天都可能發生,規則一句話寫得完(下班時段功率超過某個值就通知),漏報的影響也不大。停在第一層就夠了,一條警報解決,用不到 AI,更用不到 Agent。
    • 某幾個月電費突然變高,沒人說得出原因:連問題出在哪都還不知道,自然也判斷不了 AI 給的答案對不對。這時候該做的是第二層,先把用電按時段、按設備拆開看,找到原因再談下一步。
    • 每個月給老闆的用電檢討:一個月只做一次,但每次都得有人在電表、排程和帳單之間拉資料、對數字、寫摘要。哪幾台設備該看、該跟哪個月比,很難一次寫成固定規則;但報告寫得對不對,主管一看就知道,而且報告會先經過人才變成決定。這種工作適合交給第三層:AI 不只是把報表排好寄出,而是自己追到用電變多的設備,跟上個月、去年同期比,再寫成摘要和建議。

    ▲ 同樣是用電問題,三題的答案各自落在不同層

    三題答完,多半會發現大部分問題停在第一、二層就夠了。真正值得做成 Agent 的,是那些重複發生、每次吃掉大量整理時間、結果又檢查得了的工作。先把這幾件挑出來,Agent 才有發揮的地方。

    使用情境:老師傅的烘乾經驗,怎麼一層一層變成 AI 用得上的數據?

    GoodLinker 谷林運算正陪一家染紗廠規劃這段路。

    廠內的高週波烘乾機是全廠的瓶頸站:不論染什麼顏色、走哪條產線,每一批紗最後都要經過這裡。這台 80kW 的純電設備,功率靠基板高低調整,停留時間靠輸送帶速度控制,兩者都由現場人員依經驗設定。同一規格一視同仁,不會因為進料的含水率高低而調整。

    ▲ 每一批紗都要經過的高週波烘乾機,是全廠的瓶頸站(示意圖)

    用前面三個問題來看,頻率沒有問題:每一批紗都要烘,天天在發生。結果也檢查得了:紗有沒有烘乾、用了多少電,都量得到。代價則很清楚:參數調錯會影響品質,所以決定必須留在人手上。

    卡住的是數據。含水率多高該配什麼功率、什麼速度,現在只存在老師傅的經驗裡,沒有任何紀錄可以拿來比。所以這台烘乾機不能直接跳到第三層,要先用前兩層,把經驗變成數據:

    • 第一層:先看見。在烘乾機上裝一顆電力品質電表,接上 LESI EDGE 工業數據機上盒(把電表數字自動送上雲端的工業數據盒),從此每一批烘乾耗了多少電都看得到,不靠人抄。這份數據同時是改善前的基準,少了它,之後做任何調整都證明不了有沒有效。
    • 第二層:再看懂。把電力數據、烘乾參數(功率與輸送帶速度)、批號與進料含水率接在一起,看清楚不同條件下各耗多少電。「摸起來比較濕就放慢」的經驗,到這一層開始變成看得到、可以檢查的數字。
    • 第三層:先找參數,再談 Agent。數據累積夠了,由我們協助用 AI 比對不同參數組合的耗電,在達到烘乾標準的前提下,整理出比較省電的功率與速度搭配,給現場當調整的參考。老實說,這一步是數據分析,還不到 Agent。等參數規則找出來,每一批進料自動對照含水率、提出建議參數,這條每天重複的工作流,才輪到 Agent 接手。

    這套參數是用工廠自己的數據跑出來的,所以屬於工廠自己。AI 負責把資料整理好、幫忙比對可行的選項;要不要調、調多少,仍由現場的人決定。就算走到 Agent 那一步,也是停在「查和建議」。

    GoodLinker 能源模組怎麼對應電費的三層?

    想知道自家工廠的用電走到哪一層,可以順著同一條數據鏈問三件事:需量快碰到契約容量時,有沒有人會先收到通知?用電能不能按時段、按設備拆開看?每個月的用電檢討,是有人花時間整理,還是系統自動產出,而且會追蹤上個月的異常有沒有改善?

    GoodLinker 谷林運算的能源模組也是照這個順序排的。現場電表的數據由 LESI EDGE 工業數據機上盒收集、送上雲端,再進到 LESI CLOUD 的能源模組。三層用的是同一條數據鏈,往上爬不必把前面重做一次。

    ▲ 以能源模組為例:從即時監測到每月用電報告,三層接在同一條數據鏈上

    第一層「看見」:即時監測與警報推播

    即時監測看得到需量離契約容量還剩多少。搭配系統的警報推播,需量快碰到上限就先通知負責的人。

    第二層「看懂」:時段費率分析與重大能源設備

    時段費率分析把每天的用電曲線對照電價時段,看出電耗集中在哪幾個時段;重大能源設備把各台設備的耗能放在一起比,看出電耗在哪幾台設備。到這一步,「電費為什麼高」才有數據可以回答。

    第三層「串起來」:每月用電報告

    每月用電報告在次月自動產出,整理當月用電、標出異常事件並附上 AI 建議。現場處理完的紀錄會帶進下個月追蹤,等驗證期間的數據累積後,再由 AI 判讀有沒有改善。原本要有人每月花時間拉資料、寫檢討的工作,交給系統定期產出,人只要看結果、決定下一步。

    每月用電報告是第三層的起點:固定格式自動產出,AI 負責標出異常、附上建議。要再往上做到跨系統自己追查的 Agent,用的也是同一條數據鏈。

    想從用電這個點開始,可以參考電力現場套件的介紹:電力現場套件(Energy FieldPack)|從即時用電監測到契約容量優化

    常見問題

    工廠要不要導入 AI Agent?該從哪一層開始?

    先不要從 Agent 開始,從問題開始。把要解的問題拆成看見、看懂、串起來三層,用頻率、規則、代價三題判斷該做到哪一層。大部分問題停在第一層的警報或第二層的數據拆解就夠了;重複發生、每次吃掉大量整理時間、結果又檢查得了的工作,才值得做到第三層,交給 AI Agent。

    什麼樣的工作適合交給 AI Agent?

    三個條件同時成立的工作:重複發生而且每次都吃掉人力(每天、每週或每月固定要做)、做出來的結果人檢查得了、錯了中間有人攔得住。例如每個月給老闆的用電檢討:規則很難一次寫完整,但報告對不對主管一看就知道。反過來,規則一句話寫得完的事,用一條警報就好;連好壞都判斷不了的事,交給 Agent 只會多一套要維護的系統。

    交給 AI 之後,設備參數也讓 AI 直接改嗎?

    看錯了攔不攔得住。讓 AI 查資料、提建議,和讓它直接動手改參數,是兩件事:動手等於把操作權限交給它,而 AI 也會判斷錯。產出會先經過人才變成決定的工作,可以放手讓 AI 去做;錯了會直接影響品質、安全或交期的,例如烘乾機的功率與輸送帶速度,就讓 AI 比對選項、提出建議,要不要調、調多少由現場的人決定。

    判斷規則只存在老師傅的經驗裡,還能用 AI 嗎?

    可以,但要先把經驗變成數據。先裝電表看見每一批的耗電,再把耗電和製程參數、進料條件接在一起,經驗才會變成看得到、可以檢查的數字。規則找得出來之後,AI 才有東西可以比對和建議。

    還沒有用電數據,可以直接做第三層的 AI 報告嗎?

    不建議。三層是往上疊的,第三層要追查的資料全部來自前兩層。建議先從電表數據自動上雲、建立基準數據開始,前兩層站穩了,AI 產出的報告才有依據。

    結語:先站穩前兩層,Agent 才接得起來

    Agent 的價值,在把原本靠人一段一段接起來的工作流串成一條線。前提是前兩層已經站穩:該看見的有警報,該看懂的有數據。先把問題拆層,再決定做到哪一層,往往比先決定要不要做 Agent 更省錢,也更容易真的用起來。

    如果想今天就開始,可以先做一件事:挑一個每週都有人抱怨的問題,寫下四個答案:看哪一個數字、目標是多少、誰負責看、多久看一次。再多問一句:這個數字現在是系統自動收的,還是有人抄的?四個答案寫不出來,先別談 AI;數字還靠人抄,先回頭把數據鏈打通。都過了,再用頻率、規則、代價三題,判斷它該做到哪一層。

    ▲ 動手前的自我檢查:四個答案寫得出來、數字是自動收的,再判斷做到哪一層

    做了之後,數字到底有沒有變?AI 給的答案又該怎麼檢查?系列下一篇會用實際案例的數字來驗證。

    想知道自家工廠的哪一個問題該做到哪一層,歡迎與 GoodLinker 谷林運算聯絡,我們可以到現場一起看。

    延伸閱讀:工廠導了 AI,工作為什麼沒變少?先把現場數據鏈打通