製造業導入生成式 AI：
從報價、圖面判讀到現場知識庫的四個場景

下午五點，代工廠老闆的桌上疊著七張詢價單。每一張都要看圖、估工時、算材料，才回得了一個負責任的數字。他知道其中大概只有兩張會成交，但七張都得花時間報——這是接單這門生意的固定成本。當同業已經開始用 AI 把這段時間砍半，「報價要等三天」就從常態變成了劣勢。製造業的生成式 AI 機會，不在遙遠的智慧工廠願景，而在這些每天發生、吃掉資深人力、又高度可查證的前置環節。

先講清楚：哪些任務適合、哪些不適合

現代生成式 AI 建立在 Transformer 架構上，本質是機率性的內容生成器^[1]。哈佛與 BCG 的實驗證明，它的能力邊界並不平整——在擅長的任務上能讓品質提升四成以上，但在邊界之外的任務會自信地出錯^[4]。對製造業的意涵很直接：把「整理、彙整、初判、草擬」交給 AI，把「拍板尺寸、放行程式、判定良率」留給人。以下四個場景，都嚴守這條界線。

場景一：把三天的報價壓到三小時

報價慢的成本不在機台，而在圖面判讀、建模、工序規劃與估工估料這條人工鏈路。當 AI 能從 2D 圖面自動盤點加工特徵、對照廠內刀具庫給出建議工序與工時估算，前置流程就能從三天壓到數小時——改變的不只是速度，而是接單的經濟邊界：過去因報價成本太高而婉拒的小單、急單，重新變得可接。這個場景我們有完整專文：〈CNC 加工報價為什麼要等三天〉。

場景二：從 2D 圖面到 3D 模型與 G-code

客戶丟來的常是一張傳真 PDF 或手機照片。要上機，得先建 3D 模、辨識特徵、規劃刀路、產生 G-code。多模態模型對圖面標註（公差、表面處理註記）的判讀已可用，自動特徵辨識也有數十年學界基礎。但這裡的紀律不能鬆：AI 產出的特徵與刀路是機率性的，必須回到 3D 模型比對尺寸、經切削模擬確認不過切不撞刀，才允許輸出。詳見〈從 2D 工程圖到 G-code〉。這兩個場景，正是 CNC AI 的核心。

場景三：把老師傅的經驗，做成問得到的知識庫

每一家工廠最寶貴、也最脆弱的資產，是老師傅腦中的現場知識：這台機台的脾氣、這種材料的走刀、這個客戶的隱藏要求。這些知識散在紙本工單、LINE 群組與資深員工的記憶裡，一旦人退休就流失。生成式 AI 提供了一個解法——檢索增強生成（RAG），讓模型在回答前先檢索內部文件，把答案接地到可查證的來源^[2]。研究顯示這類 AI 助手對客服的生產力提升約 14%，且對經驗最少的新人幫助最大^[5]——放到工廠，這正是「讓新進技術員快速上手」的場景。但要注意：RAG 答不準多半不是模型問題，而是文件切塊與檢索策略沒做好，我們在〈RAG 知識庫為什麼答不準〉裡拆解得很細。而且知識庫涉及事實查詢，幻覺的代價高，答案必須附上來源段落供人查核^[3]。

場景四：品檢與工單報告的草擬

品檢報告、工單摘要、異常紀錄——這些格式固定、重複性高的文書，是 AI 的強項。讓它根據量測數據與現場紀錄生成初稿，人只需覆核與簽名，能省下大量文書工時。這類「把 AI 嵌進既有流程」的務實應用，正是經典企業 AI 研究所強調的高投報路徑，而非好高騖遠的登月專案^[6]。

怎麼開始：一個場景，一組評測

別想著四個場景一次上。選一個痛點最明確、最容錯的（通常是報價或知識庫）做試點，建一組真實案例的評測集來衡量成效，確認站得住腳再擴大。這套「試點→評測→把關」的方法適用於所有產業，我們寫在〈企業導入生成式 AI〉。製造業的優勢在於：你的任務大多結構清楚、可查證，正落在 AI 能力前沿的「之內」——這是最適合、也最容易做出成效的起點。