製造業導入 AI 品管檢測：從人工挑錯到自動辨識，實際能省多少人力

一間位於中部的金屬加工廠，主要做汽車零件代工，兩百多人規模，品檢線上排了二十幾位品檢員，三班輪流站在燈箱前面，一片一片盯著零件表面找刮傷、毛邊、孔位偏移。做久了眼睛會花，班別交接容易漏檢，客訴三不五時就來一次，客戶要求的允收標準又一年比一年嚴。廠長心裡清楚，問題不是品檢員不夠認真，是人眼在高速產線上本來就有極限。這種場景，在中小型製造業裡幾乎是常態，也是這幾年 AI 品管檢測討論度最高的切入點之一。

品管卡住的地方，不是「要不要用 AI」，是資料從哪裡來

多數工廠第一次認真評估 AI 視覺檢測，卡關的地方通常不是技術本身，而是「我們有沒有足夠的良品跟不良品照片可以拿去訓練」。市面上的機器視覺方案，大致需要幾千張標記過的良品與不良品影像，才能讓模型學出穩定的判讀邏輯。很多工廠一開始根本沒有系統性拍照留存瑕疵樣本的習慣，光是把過去的瑕疵品找回來、重新拍照標記，就得花上一兩個月。這一步常常被低估，卻是決定後面模型準不準的關鍵。

另一個現實是，人工檢測的誤判率其實一直不低，只是廠內沒有人認真統計過。把良率數字攤開來看，人工目檢的誤報（把良品判成不良，或漏掉真正的瑕疵）常在三到四成之間浮動，這跟班別、疲勞程度、當天心情都有關係，只是過去沒有數據化，大家都以為「老師傅眼睛比較準」是穩定的。

導入前的取捨：買現成方案，還是自己訓練模型

這間工廠後來評估了兩條路。一條是買現成的機器視覺檢測設備，價格相對透明，但瑕疵類型必須跟廠商既有的模型庫接近，客製化空間有限；另一條是找廠商針對自家零件重新訓練模型，前期要花時間收集資料，但準確度跟廠內實際狀況會更貼合。考量到汽車零件的瑕疵型態變化多、允收標準也是客戶端逐案訂的，最後選了後者，設備加上模型訓練的初期投資落在兩、三百萬的區間，比純買現成設備高，但換來的是模型可以隨著新零件持續補訓練。

這裡有個判斷原則值得參考：如果工廠的瑕疵型態相對單純、種類固定（比如單一尺寸的螺絲挑色差、裂紋），現成方案通常就夠用，成本也低很多；如果零件種類多、客戶允收標準常變動，客製化訓練雖然貴一點，但長期比較不會卡在「新產品又要重買一套」的循環裡。

上線之後，品檢人力配置真的變了

導入後大約半年的觀察，品檢線上的人力配置從二十幾位分散在三班，收斂成留守幾位負責複判 AI 標記出來的「疑似瑕疵」，加上機台維護跟資料標記的人力。多出來的人力有一部分轉調到其他產線，也有人力自然流動後沒有再補。誤判率方面，原本三到四成的漏檢或誤判，收斂到個位數百分比，客訴頻率明顯下降，這對外銷零件廠來說，客戶稽核時的信任度也跟著提升。

投資回收速度看零件單價跟產量而定，這類案例大概落在一年多一點回本，之後省下來的人力成本才是純收益。要提醒的是，這個回本速度是建立在產線本來就有足夠產量支撐的前提下，量太小的工廠不容易攤平初期投資。

導入前 vs 導入後：一張對照表

什麼樣的工廠適合現在導入，什麼情況該先緩一緩

適合現在認真評估的，通常是幾種情況：瑕疵型態已經相對固定、產量夠大能攤平設備成本、而且工廠內部已經有基本的資料留存習慣（哪怕只是手機拍照分類）。這類工廠導入的效益會比較快浮現。

該先緩一緩的，是瑕疵型態還在頻繁變動、產品線經常改版、或是工廠內部連良品不良品的判斷標準都還沒有文件化的階段。這種情況硬上 AI 檢測，會發現模型一直追不上產品變化的速度，資料標記的人力成本反而比省下來的品檢人力還高。台灣中小製造業目前規模化導入 AI 的比例還不到四分之一，多數卡在「不知道哪個場景能先看到效益」，與其急著上系統，不如先從一條產線、一種瑕疵類型做小規模驗證，看數字說話再決定要不要擴大範圍。