「長官說要裝的啦！我其實也不知道裝那能幹嘛。我跟你說啊，那套東西前前後後花了快 300 萬。依我看，還沒我家客廳最近新貼的壁紙漂亮！」
這句話，是一位穿著反光背心、滿手油漬的資深現場班長，在茶水間門口拉著我，私底下苦笑著說的。
說著，他還掏出口袋裡螢幕裂了一角的手機，語氣充滿自豪、卻又帶著對上面長官極度不苟同的冷笑，秀出他家剛重新裝潢的照片：
「你看，我這才花 5 萬塊，耐看又有質感。上面大官整天搞這套，除了耗電，根本沒人看。」
這段對話，發生在一場名義上叫作「運用智慧數位化全面優化作業流程」的標竿企業參訪上。
幾分鐘前，當參訪大隊推開中控室雙扇不銹鋼大門時，所有人被眼前的陣仗震懾住了——正前方嵌著一面整整 120 吋的無縫拼接大螢幕。
典型的工業智慧戰情室儀表板，長相通常無比雷同且標準化：
旁邊掛著一個大大的「預測值」：不管是預測明日產量、預測物性純度，還是預測良率區間；
五顏六色的視覺化圖表：把原本分散在各個系統的資訊整整齊齊排在一起，即時產能水滴圖、各種柱狀圖條狀圖與斑斕起伏的折線走勢塞滿螢幕。
「商業機密」包裝的因果黑洞：導覽窗口通常會充滿信心地介紹——「透過戰情室，我們將全廠所有資訊無縫彙整在一起，現場人員可以依據這個大大的預測值直接做出精準決策」，但如果你不識相地追問背後是怎麼導出決策的，對方往往神秘一笑，用一句「這涉及核心商業機密」輕輕帶過——實際上，連他們自己都說不出個所以然來；接著投影片便光速跳到最後結論——「預估每年為公司提升效益數千萬元！」
然而，在接下來整整三個半小時的參訪過程中，從長官簡報、現場參訪到最後的座談交流，全場再也沒有任何一個人抬頭看過那塊大螢幕一眼。
所有生產調度、跳車排查與排程協調，主管們依舊是手握對講機扯著嗓子吼，操作員依舊抓著泛黃的紙本交接簿在上頭塗塗改改，或是埋頭盯著自己桌上那台跑著老舊 SCADA 灰黑介面的 19 吋傳統螢幕。那個在簡報上被吹捧為「全員決策核心」的漂亮預測值，在現場的真實運轉中，根本連一秒鐘的空氣都沒激起過。
花 300 萬買來的戰情室，為什麼在第一線會淪為連 5 萬塊客廳壁紙都不如的裝潢？現在，就讓我們逐一撕開這些儀表板背後最常見、也最自欺欺人的三大經典謬誤：
第一線操作員走過大螢幕，如果心裡覺得「這預測根本不好用」，你去問他哪裡不好，他通常只會吐出一句抽象的抱怨：「啊就預測很不準啊！看了沒用！」現場說不出具體的演算法差異，但如果你親自蹲過產線、做過專案，你一眼就能看出破綻——這張儀表板上，完全看不見「客戶規格界限（Spec Limits）」與「製程管制界限（Control Limits）」的動態資訊。
在真實的工廠營運中，這兩道界限是有嚴格分工、且隨時在動態交互的：
規格界限（USL / LSL）：是客戶或業務合約要求的底線，隨市場行情與接單品別波動。
製程管制界限（UCL / LCL）：是現場依據當前工況與統計變異（平均值加減三個標準差），為了守住規格而設定的穩定操作帶。
舉個最現實的例子：
去年市場行情普通、客戶要求標準品時，業務要求的物性規格是「至少要大於 30」，現場對應的製程管制中心線落在 31。
到了今年，為了搶攻高階客戶、毛利翻倍，業務接單規格拉高到了「至少要大於 32」，現場的實際操作目標與管制界限被迫全面往上推移。
看似只差了 2 個單位，但在物理現場，整個進料比例、攪拌轉速與升溫曲線全都必須跟著劇烈翻轉。如果你的戰情室螢幕上看不出規格與管制界限的基準線，就代表當初訓練這套 AI 模型時，工程師根本沒有把「歷史規格與管制線的變動資訊」當作關鍵特徵餵進去！
結果會發生什麼災難？模型會把這兩種完全不同的市場情境混為一談！
演算法從歷史資料庫裡硬撈過去三年數據，看著以前 30.5 就合格的特徵狀態，在今天「必須大於 32」的嚴苛規格下，依然自信滿滿地吐出「品質一切正常」的預測結論。這種預測在現場人員眼裡，不是笑話是什麼？
有人會辯解：「現場操作員跟業務難道不知道當前的標準是多少嗎？」
沒錯，業務與操作老鳥當然知道「最新」的標準是多少。但問題在於——現場到底有幾十個、甚至上百個變數要看？！
操作員面前有八個螢幕、上百條參數在實時跳動，人眼不是掃描器，大腦根本不可能同時盯著幾十個變數並在腦中比對每個變數當前的管制界限。光是把上百個數值排在螢幕上無序跳動，純粹就是資訊氾濫的「光污染」；但如果系統能「替人眼過濾上百個變數，只在偏離管制值時進行例外管理，並明確標註偏離量」，這才是數位工具接管人肉盲點的實質價值。可悲的是，許多耗資數百萬的系統，連這道最基礎的例外標尺都繳了白卷。
更要命的是記憶斷層：現場同仁通常只會記得「最近」的設定值，至於上次因為什麼原因變動，根本沒人記得。 你去問他兩個月前為什麼往上修了 2 度，最常聽到的經典答案永遠是：「喔，沒有為什麼啊，從以前就是這樣了！」
背後是換了次級原料？機台管線結垢？還是三年前某位退休前輩隨手調的暫態參數？當現場連自己為何變動都失憶時，如果系統連動態管制資訊都未曾記錄與沉澱，背後的 AI 根本連目標 Y 與特徵 X 的邊界在哪裡都搞不清楚，又怎麼能妄想單憑歷史資料庫裡的死數字去預測未來？
第二個讓大螢幕迅速暴斃的謬誤，在於將「把資料排在一起呈現」誤以為就是「數位化打通」。這裡面其實包含了兩個不同層次的致命斷點：輸入端的資料管線斷裂，以及操作端的工作流程割裂。
很多大螢幕背後根本沒有健全端到端的自動化 ETL 資料流水線。大螢幕之所以能在長官參訪當天動態跳動，背後往往藏著一個無比可憐的菜鳥助理——他必須每天早上手動登入三套老系統匯出 CSV 檔，在 Excel 裡寫 VLOOKUP 轉檔整理，再將報表手動匯入後台資料庫。這種全靠「人肉數位膠水」硬黏起來的管線極度脆弱：只要助理請假、產線交接混亂，資料更新立刻當場凍結。
新系統上線初期，新舊系統混合使用、或者新系統把算好的參數丟回舊系統（如 ERP、老 SCADA）、再拉資料出來呈現，這本來無可厚非。在製造業現場，一次性把老系統全部拔掉本來就極度危險，系統更換後出大包導致全廠停擺的慘劇也屢見不鮮。
但整套架構最關鍵的死穴，在於「回寫」這件事情，你有沒有讓使用者在「新系統的介面」上直接完成！
現場專案最經典的失敗場景往往長這樣：
系統後台需要人工校對、補登或是回寫參數至舊系統，但負責開發的 IT 人員心裡卻想著：「反正你舊系統本來就有這個欄位和功能，你就切換視窗去舊系統點就好了啊，我幹嘛花時間多刻一個回寫介面給你？」
這對 IT 來說省了一道工，對第一線使用者來說卻是「滅頂般的難用」！
操作員在新介面上看完了分析，要執行確認或微調時，卻得縮小視窗、點開老舊灰黑介面、重新登入、輸入料號、找到那個藏在第三層選單的欄位手動輸入。久而久之，操作員心裡的真實 OS 就是：「那我一開始直接看舊系統不就好了？我幹嘛沒事開你這個大螢幕折磨自己？」
人工一斷，資料更新立刻凍結；回寫介面一漏，現場就順理成章全面倒退回老路。新系統只負責在牆上無聲地放煙火，現場的所有實質動作依舊在老系統裡狂奔，最終徹底被現場棄用。
第三個最荒謬的痛點，就是那句拿來擋掉所有質疑的「商業機密」。
對外參訪拿機密當盾牌也就罷了，最諷刺的是連中控室的操作員私下詢問專案團隊「這預測值到底是怎麼算出來的？我現在該動哪顆閥門？」時，團隊也只能丟出一句「這是高階演算法算出來的，照看就對了」——連內部使用者都得不到具體的因果解釋，這不是機密，這是徹底的因果黑盒與敷衍！
說實在話，在工業現場，單純的「預測」實在沒什麼意義，真正的重點永遠是「決策」！
機器學習預測本來就不可能百分之百準確。你在大螢幕上掛一個孤零零的預測數字（「預測明天良率 87.5%」），現場操作員除了盯著發愁，到底該做什麼？
與其在那裡追求小數點後兩位的虛妄準確率，AI 真正該做的是「給出具體的決策建議」！
建議目前的採購與訂單量應該增加多少？
建議某號反應爐的進料比例應該調升幾 %、夾套溫度調降幾度？
決策建議的精髓，在於「能讓現場知道：做這個決定，有最大的可能性讓最終目標穩穩落在你設定的管制區間內」！ 當然，在嚴苛的連續製造產線裡，這份建議是作為現場盤控人員的「避險參考羅盤」，而非剝奪操作員的最終拍板權。它幫同仁快速收斂決策選項，真正承擔工安責任與下指令的依然是現場專家。(歷經長時間驗證可行後，這建議值自然會被要求自動化控制系統)
但要讓這套決策建議在現場真正活下來，還必須死死卡住兩個物理底線：
足夠的提前量 ：系統發出決策建議的提前時間，必須大於現場的物理處置週期。如果散熱水閥全開需要 20 分鐘熱平衡，系統在跳車前 3 分鐘才跳出「建議調降進料」，這叫宣判死亡，不叫決策輔助。
人工可調整的項目 ：系統建議的變數，必須是現場操作員手邊真的有閥門、有開關、有權限去動的控制因子。如果建議了一個現場根本碰不到的環境濕度或上游不可控變數，那這份建議就只是不食人間煙火的廢話。
走出那間掛著 120 吋大螢幕的中控室，那位班長手機裡的壁紙照片依舊無比諷刺。
沒有動態管制與規格基準，模型就看不清市場與製程的變動軌跡；缺乏便利的回寫介面，操作員轉身就逃回舊系統；只給空洞預測而不給可操作的決策建議，系統就注定導不出任何流程質變。
攤開資產與財務的帳本，當初砸下去的 300 萬資本支出，根本換不來任何實質增量效益，反而淪為每年固定侵蝕利潤的無效折舊與沉沒成本；在內部稽核與財務處眼裡，它唯一的下場，就是等待被無情宣判全額資產減損。
不能驅動現場決策的戰情室，充其量只是高科技裝潢；能真正改變作業流程的 Excel，才是實打實的數位轉型。
在戳破了「數位壁紙」的自嗨之後，很多企業主管會苦笑著說：「好吧，就算它只是壁紙，但幾百萬都已經花下去了，大螢幕掛在牆上偶爾應付外賓參訪，放著不關總可以吧？」
很遺憾，現實世界的算盤遠比你想的要殘酷得多。
在資本的資產負債表上，很多系統最可怕的狀態不是「沒用」，而是「它只要開著機，就在無聲無息地吃錢」。一旦你踩進了效益評估的第二道分水嶺，你將會驚恐地發現：軟硬體買斷驗收的那一天，根本不是支出的終點，而是一座無底洞的起點——
現場換個零件，外部廠商寄來一張比硬體本身還貴的「模型重訓報價單」；大水池裡免費時大家用得很開心，一旦改成使用者付費，邊際效益根本追不上驚人的雲端運算費與維護折舊！
下一篇，我們直擊效益評估的第二道殘酷分水嶺：
《第二十章｜分水嶺 2：呼吸即虧損的「維運黑洞」》
iThome鐵人賽
看影片追技術