拆解製造業 AI 專案的 6 個真實死因:為什麼 PoC 過了卻進不了產線

實驗室裡,那套缺陷檢測模型跑出 96% 的準確率。驗收那天,廠長很滿意,IT 主管很滿意,連採購都鬆了口氣。三週後我再進廠,系統已經被現場關掉了。

不是模型爛。是它從來沒為一條真實的產線活過。

這幾年我們進場收拾過太多這種案子。共通點很清楚:製造業 AI 導入失敗幾乎都不是死在模型精度,而是死在模型跨出 PoC 沙盒、撞上真實工廠的那一刻。以下六個,是我們反覆看到的真實死因。

死因一:PoC 餵的是乾淨資料,產線給的是髒資料

PoC 階段,資料科學家拿到的是一份被人工挑選、標註、對齊過的漂亮資料集。上了產線,鏡頭上有油污、光線隨白班夜班變、感測器會漂移、同一個瑕疵換個角度就認不出來。模型不是變笨,是它第一次見到真實世界。我們看過準確率從 96% 在兩天內掉到 71% 的案例——資料沒變質,只是它終於誠實了。

產線上真正在做決策的,常常是那位待了十五年、用手一摸就知道這批料不對的老師傅。這種隱性知識沒被寫進任何 SOP,自然也沒進訓練資料。結果 AI 學會了帳面上的規則,卻學不會現場的例外。模型判「良品」,老師傅搖頭——三次之後,現場就再也不信它了。

Demo 跑在一台獨立的筆電上,漂亮。真要上線,得接 MES、讀 PLC、跟三十年前的 SCADA 對話,還要塞進一個不能停線的節拍裡。這裡沒有 API 文件,只有一位快退休的工程師記得那串接口怎麼接。PoC 的預算算到驗收就結束,偏偏整合才是九成工作量的開始。沒人扛,案子就卡在這。

95% 聽起來很好。一條日產十萬件的產線,5% 就是每天五千次誤判。誤判往哪邊倒,決定生死:漏檢瑕疵品,是客訴與召回;把良品誤殺,是操作員每天被幾千次假警報淹沒,兩週後他們學會的第一件事,就是把警報關掉。單一準確率數字,是製造業 AI 最貴的幻覺。

材料換供應商、模具磨損、產品改版、季節換了——真實工廠一直在漂移。一個沒有人負責重訓、沒有監控、沒有 MLOps 的模型,會安靜地一天比一天差。它不會報錯,只會慢慢失準,直到某天有人發現不良率悄悄爬高,再回頭已經三個月。PoC 沒人談這件事,因為 PoC 永遠停在最好的那一天。

這是最少人講、卻最致命的一個。現場領班的 KPI 是產量與稼動率,AI 每攔下一件疑似品,他的線就得停一下。當工具的目標和用工具的人的獎懲是對立的,再準的模型也會被繞過。導入 AI 從來不只是技術專案,是一次組織改動——沒改誘因,就等於把系統推給一群沒有理由用它的人。

把這六個排在一起會發現:沒有一個是演算法問題。它們全是「模型離開沙盒、進入一家不一般的工廠」時才會浮現的問題。

這也是為什麼我們不把工作停在交出模型。我們的做法是派工程師進場,陪產線一起把系統推到真的有人在用、且撐得過材料換版與夜班油污為止。Demo 很美不算數;良率真的動了、操作員沒把警報關掉,才算數。