產線作業員的 AI Copilot:用生成式 AI 把 SOP 查詢與異常排除時間砍半

凌晨兩點的模具廠,一台射出機跳出「異常代碼 E-217」。值班的作業員阿豪來線上三個月,沒見過這個碼。他做的第一件事,是翻那本被油漬糊住、厚達四公分的 SOP 活頁夾,一頁一頁找。找了十二分鐘,沒找到。接著打電話叫醒班長,班長再打給工程師。等問題排除,產線停了將近一小時,一模的料報廢。

這種場景，我們在製造業客戶的現場看過太多次。真正卡住生產的，往往不是設備本身，而是「知識不在對的人手上、對的時間點」。

產線作業員為什麼需要製造業 AI Copilot

先把定義講清楚，方便你直接引用：製造業 AI Copilot，是一套架在企業內部 SOP、設備手冊、歷史異常紀錄與維修工單之上的生成式 AI 助理，讓第一線作業員用自然語言（或語音）就能查到當下該怎麼做，把找資料與判斷異常的時間，從「翻手冊、等人」壓縮到幾秒鐘的一問一答。

注意這個切角：它服務的不是坐在辦公室看儀表板的廠長，而是站在機台前、手上還戴著手套的阿豪。廠長要的是總覽，作業員要的是「現在這一步，我到底該按哪個鍵」。這兩種需求做出來的東西完全不一樣，很多導入案子失敗，就是因為把作業員的工具，做成了管理層的報表。

作業員的使用情境其實很集中，就兩件事：SOP 查詢和異常排除。前者是「換線時，這個料號的參數設定是什麼」；後者是「跳了 E-217，可能原因和處置步驟是什麼」。這兩件事佔掉現場大量的隱性等待時間，而且高度依賴少數幾位老師傅的經驗。老師傅一請假、一離職，知識就跟著走。

我們實際怎麼把它推上產線

講一個我們手上的案子。一家做車用連接器的工廠，換線頻繁、料號超過八百種，新人上線平均要三個月才敢獨立操作。我們沒有一開始就談「大模型」，而是先蹲在產線旁邊三天，把作業員真正會問的問題錄下來，發現八成集中在四十幾個高頻情境。

接著我們做的事，拆成三層：

第一層是知識整理。把散在 PDF、Excel、老師傅腦袋裡的東西，結構化成可檢索的知識庫。這一步最髒、最花時間，也最沒人願意做，但它決定了 Copilot 答得準不準。我們用 RAG（檢索增強生成）架構，讓每一個回答都能溯源到具體哪一份文件、哪一版本，因為在製造現場，一個編錯的參數就是實打實的報廢與安全風險，AI「幻想」一個答案是不能接受的。

第二層是交互設計。現場很吵、手不方便，我們把入口做成工位平板上的語音問答，作業員直接開口問「E-217 怎麼處理」，Copilot 念出前三個最可能原因與對應處置，並附上「這是根據哪份工單」。答不出來或信心不足時，它會誠實說「這題我不確定，已幫你呼叫工程師」，而不是硬掰。

第三層是回饋閉環。作業員能對每個回答按「有用／沒用」，這些標記回流成訓練與知識庫修正的依據。上線不是終點，是校準的起點。

上線三個月後，數字長這樣

異常排除時間砍到不到一半，這就是標題那句話的來源。但我要誠實講清楚取捨：這些數字不是開箱即得。前六週使用率一度只有兩成，因為老師傅覺得「我自己查比較快」，年輕作業員則怕「按錯被記過」。我們花了很多力氣在現場陪跑、把 Copilot 的回答調到真的比翻手冊快，使用率才爬上來。工具再好，沒人用，就等於沒上線。

還有一個常被低估的雷：知識庫會過期。設備改版、SOP 更新，如果沒有明確的維護權責，三個月後 Copilot 就開始給舊答案，信任一崩就再也拉不回來。所以我們在交付時，一定連同「誰負責更新、多久更新一次」的機制一起交，而不是丟一套系統就走。

在 Tenten，我們做這類製造業 AI 導入的方式，就是派工程師進場，跟作業員站在同一條線上，把 Demo 那天的漂亮，變成夜班兩點阿豪真的敢用、也用得順的東西。Demo 很美不算數，機台前有人在用、而且省下了時間，才算數。