「各位同仁，今天我們非常榮幸，邀請到業界知名標竿企業的專家，來為大家分享數位轉型的成功經驗……」

台上的司儀拿著麥克風熱情開場，投影片上輪播著各種高大上的架構圖與智慧工廠遠景。然而在會議室後排的陰暗角落裡，幾位資深工程師卻把頭埋得低低的，私下忍不住低聲吐槽：

「唉，又來了。每次上面聽完這種分享，回頭就一定要我們跟著做這套 AI 應用……」
「產線狀況差那麼多，我才不要被總部硬套！等一下點頭微笑裝沒事，散會趕快回現場顧機台卡實在。」

這種「台上講得口沫橫飛、台下聽得如坐針氈」的防禦機制，在製造現場早已是司空見慣的日常風景。但平心而論，現場的抗拒真的全是因為「專家不懂、現場懂」嗎？倒也不盡然。

現場同仁並非不知痛點何在，只是在長年的生產高壓下，早已演化出根深蒂固的防衛直覺：許多關鍵參數被當成獨門經驗鎖在老師傅腦袋裡，機台小毛病靠灰色作業地帶摸索搞定，甚至只要良率不亮紅燈、不出包，誰也不願意輕易把真正的製程細節攤在陽光下給系統檢視。然而，當外部空降的專案總是拿著脫離現實的解法硬塞時，現場只會更加收攏防線，索性把「守舊」當作保護自己的最佳掩體。

這幾年各家企業言必稱「數位轉型元年」，對外新聞稿滿分，對內大家卻霧裡看花。外面演講動輒宣稱「降本 15%」、「減少工時 20%」，但只要你實際參與過專案報告製作就知道，那些漂亮的百分比絕大多數都是「估」出來的。反正簡報講完、掌聲響起，台下聽眾誰也不可能真的跳起來找你對質。

直到某次內部高層會議，大老闆在聽完各部門天花亂墜的智慧化成果後，冷不防幽幽地轉頭向技術長丟出一句直擊靈魂的拷問：

「都說 AI 帶來幾百億效益，為什麼公司財報上一點都看不到？」
空氣瞬間凝固。

現在生成式 AI、AI 代理人滿天飛，大家爭相計算表面指標：呼叫了多少次 API、消耗了幾百萬顆 Token。這跟早年採買期刊資料庫如出一轍——下載量與點閱率高得驚人，但年底攤開研發清單，真正轉化出來的商業新案掛零。虛榮自嗨過後，一切終究要回歸到冷酷的損益表。

轉得好，企業重獲新生；轉不好，那就真的是「下輩子又是一條好漢」，直接往生。 而決定這場生死的唯一分水嶺，就是你能不能在專案第一天，把問題定義逼出一個雷打不動的「量化刻度」。

聽起來都對的「質性廢話」：為什麼別人的成功案例，永遠敲不進現場心坎？

讓我們回到開頭的那幕尷尬場景：為什麼第一線同仁對於各種光鮮亮麗的 AI 分享，往往毫無共鳴？
答案很簡單——因為你對台上所講述的「痛點」，根本毫無體感。

這類標竿分享最常見的起手式，永遠充斥著看似無懈可擊的定性描述：

「因為過去都是人工憑經驗控制、大環境溫濕度劇烈變化，加上備貨量常常過多或不足，所以我們導入了 AI 演算法，一次性解決上述所有問題……」

坐在台下，你只要隨便抓一位現場的資深製程工程師，他心裡的吐槽大概能塞滿整本筆記本：

「我們廠都穩穩運作幾十年了，每年單位成本不是還在想方設法往下降？人工主觀判斷有落差是不假，但現場哪一次真的失控到不可收拾？再說了，我們產線是全天候恆溫恆濕的無塵室，外面的大氣溫濕度到底關我什麼事？至於備貨不足？現在市場天天缺料，能趕在明天順利出貨給客戶就該偷笑了，誰不缺貨？」

這就是製造現場最真實的骨感之處：每個場域都有其獨特性與物理限制。

大方向上，講者那些質性的文字描述一點毛病都沒有，粗聽之下完全合理；但偏偏就是因為太籠統、太缺乏邊界條件，對第一線人員來說根本「無法引起共鳴」。痛點無法對齊，台下對後續端出的神奇解方自然只剩半信半疑：最終那張光鮮亮麗的效益折線圖，到底真的是演算法神機妙算立了功，還是現場剛好修好了管線洩漏、或是透過其他雜七雜八的改善，順手把最後的 KPI 給「做」得漂漂亮亮？

對外分享為了機敏與公關，把 5W1H 裡的具體因果能省則省，大家心照不宣；若演講者換成了企管顧問，問題往往更嚴重。專案要做得成，關鍵在於「決策者到底要不要負責」。 外部顧問的費用是按專案合約走，跟工廠未來的真實損益完全切開；難免有業者先挑最流行的名詞畫個百億大餅，把案子搶下來再說。至於幾年後系統在現場會不會變成數位壁紙、會不會被資深師傅當垃圾棄置？那是業主自己的造化，與顧問何干？

細節決定臨場感：沒有顆粒度的量化，只是另一種形式的行銷

但我也遇過真正把 5W1H 交代得清清楚楚的廠商。

他們沒有一上來就吹噓演算法有多神，而是直接把專案上線前某個關鍵 KPI 的歷史表現，用「盒鬚圖（Box Plot）」一季一季攤在所有人眼前。時間跨度整整超過一年，看著螢幕上那一個個上下晃動、忽大忽小的盒子，現場同仁心裡立刻有底——因為產線的真實數據，長年以來就真的是這樣劇烈晃動著。

更重要的是，他們沒有停留在「把圖畫出來」的視覺展示，而是帶領所有人盯著圖上的離散值深入檢討：為什麼某兩季的箱體特別肥大？為什麼特定的極端值總是在換季或換料時冒出來？在抽絲剝繭釐清了原料批次、環境溫度與人工作業手法的可能根因後，他們才據此量身挑選適合這套波動特性的演算法，並提出具體的反推驗證方式。

接著，他們秀出系統上線後的數據：盒子的分佈範圍與極值晃動，確實如當初驗證的一般，肉眼可見地收斂變小了。

指標晃動變小，大家心知肚明這背後絕不僅是演算法單方面的功勞，而是「精準抓出痛點 ＋ 現場配合調整 ＋ 適當演算法干預」的聯手結果。相較於那些開口閉口「精準降本 15%」的公關話術，這種敢於攤開製程波動、先檢討因果再談技術的誠實，實在真實太多了。

以「盒鬚圖」作為切入點，正是一個極佳的量化起手式。它不只逼你看出平均值，更逼你正視製程中的離群值與變異度；我自己後續在評估任何工廠端的專案時，也全都是沿用這樣的邏輯來給問題定標（後面的章節我也會以更深入的案例為大家完整示範這套實操手法）。

又或者在談作業流程優化時，講者不搞抽象的高空概念，而是實打實拆出改善前那繁瑣的七、八道人工步驟：明確指出到底是在哪一個環節、被哪份跨部門簽呈或系統權限卡死，導致現場人員必須耗費數小時反覆等待；接著再具體說明新系統到底拿掉了哪幾道人工作業、替現場省下了哪幾段無效工時。

說穿了，全都是「細節」。 唯有細節，才能賦予方案真正的臨場感；也唯有把改善前後的狀態做到這種顆粒度的量化，大家才能有一把客觀的尺，去橫向比較這套解法到底適不適合套用在自己的產線上。

內部專案評估：沒有初步量化，你拿什麼「以終為始」？

對外看廠商是如此，回到內部評估自己的專案時，邏輯更是如出一轍。

很多團隊一聽到長官要求「流程改變、加速決策」，頭腦一熱就立案了。但話說回來，「加速決策」這件事情，你有辦法具體量化嗎？

是讓過去依賴每週人工排程的決策週期，真正「從以天計變成以時計」？還是只是把原本用 Excel 算半小時的事情，搬到網頁上點一下？如果是前者，決策頻率從 7 天縮短到 2 小時，產線換模與備料到底能不能跟得上？如果下游製程根本動不了，你就算把排程算力加速到以秒計，現場依然在原地等料，這種「局部加速」在損益表上有何意義？

如果連現狀都沒有最起碼的「初步量化」，你到底要怎麼知道「改善空間」究竟在哪裡？
你連目前的良率波動區間有多寬、每天決策到底被卡住幾個小時、歷史資料的平均值與極值晃動多劇烈都拿不出來，你憑什麼拍胸脯向公司宣稱「系統上線後能改善 20%」？難道是拿著這顆拍腦袋想出來的百分比，去賭年底的考績與幾千萬的預算？

更嚴重的後果，是「驗收標準（Acceptance Criteria）徹底失焦」。

當初沒有基準線（Baseline），等到專案幾個月後要結案驗收時，現場與資訊團隊便立刻陷入無休止的扯皮泥淖：

• 開發團隊指著 MAPE < 5% 的螢幕大喊：「模型精準度達標，可以驗收了！」

• 現場主管卻冷冷回一句：「這段時間原料批次剛好比較好，而且我們這週還是跳俥兩次，你這系統根本沒用，我不簽字。」

《與成功有約》裡提到「以終為始（Begin with the end in mind）」——在工業數據專案的世界裡，所謂的「終」，不是簡報上的華麗願景，而是專案結案那天，白紙黑字能被驗證的業務價值與退場防線。

如果你在一開始沒有透過初步的量化把問題定義釘死在十字架上：

1. 你根本無法精準反推需要哪些關鍵特徵，最後只會落入巧婦難為無米之炊的窘境。

2. 你無法預估要布建多少硬體算力與感測器，讓成本在第一哩路就失控超支。

3. 你更不可能在專案啟動的前兩週（可行性評估期），一眼看出這究竟是一個值得投資的重生契機，還是一場註定往生的災難。

量化坐標從來不是數學遊戲，它是逼所有人把問題定義清楚的唯一手段。

但請記住，把目標量化出來，只是取得了入場券；只有當你帶著這些指標，持續回過頭向第一線反覆校對、確認它能真實反映現場的痛點與物理限制時，專案才算真正踏入了正軌。這也是為什麼很多企業直接拿外面標竿案例的改善指標回廠照抄，成效往往奇慘無比——別人的西裝再名貴，套在不同身形的人身上就是尺寸不合；連自己的身形都沒量清楚就硬套別人的刻度，這局當然從第一天就註定完蛋。

連起點與終點的真實刻度都拿不出來，你憑什麼跟我談落地？

【下一篇預告】

問題定義清楚了，但你設定的指標，真的能引領轉型嗎？
很多專案帳面指標做得漂漂亮亮，演算法精準無比，最後在現場卻被當作廢物棄置。
讓我們來看看數位轉型的殘酷公式：數位轉型 = (數據 + AI) × (商業整合)。
只把紙本報表轉成 PDF，到底算不算優化？當你的指標與現場實際作業流程徹底脫鉤，再高深的演算法乘上為零的商業整合，結果依然是一無所有。
下一篇，我們來撕開這層自我安慰的糖衣：《第八章｜指標的偽裝：為什麼你的數轉只有數位沒有轉型？》