【行動影響力論壇@台灣敏捷大賞 系列活動 】從數位轉型到 AI 落地：和碩 AI 團隊的敏捷實戰之路

和碩 AI 團隊怎麼把 AI 放進產線：從近 300 天的第一站到百餘個站點

「第一個 AI 視覺檢測站，我們做了快 300 天。」

製造現場講求穩定，幾乎不能容許停線與誤判。這 300 天裡，團隊反覆處理系統整合、模型效能、資料標註、作業速度，以及現場人員實際使用時遇到的問題。

團隊把第一站的問題一個個解掉，成果才有機會擴展到百餘個站點。在和碩的經驗裡，展示模型只是第一步。系統還要能在現場長時間運作，並根據使用結果繼續修正，才有辦法擴大使用。

在這場「從數位轉型到 AI 落地」直播中，和碩 AI 團隊的 Alan 與主持人老范、Simon，回顧團隊從 2013、2014 年開始，如何一路從大數據分析、深度學習視覺檢測，走到今天的 Agentic AI 與 Physical AI。

如果你的公司也在思考「AI 到底該從哪裡開始」，這場直播記錄了一支走進工廠、遇過問題、做出成果，再把成果推向不同廠區的團隊，如何處理落地時最現實的問題。

👉 立即觀看完整直播回放

軟體需求變少，團隊轉身走進工廠

和碩團隊開始數位轉型時，手上並沒有一張完整藍圖。

Alan 原本是軟體工程師。隨著代工產業的軟體需求逐漸被標準化方案取代，團隊開始思考：軟體能力還能為製造現場創造什麼價值？

他們走進工廠，看到現場每個人都很忙，卻有大量工作花在查找問題、整理資料與反覆確認。於是，團隊先從自己每天最熟悉的問題開始：串接生產資料，分析缺陷與錯誤，釐清問題到底來自程式、工具，還是製造流程。

團隊先拿工具解決自己的問題，也就是他們所說的：先吃自己的狗食。

如果開發團隊自己都不願意使用做出來的工具，就很難說服工廠改變。團隊先用自己的工作驗證價值，在不影響既有營運的前提下建立資料基礎，再逐步邀請現場使用。

他們把轉型拆成一場場小戰役：先在一個場景證明有效，再擴到一條線、一座工廠，最後推向不同地區的廠區。

十個題目，能有兩個規模化就已經很好

AI 與數位創新的不確定性很高。Alan 坦白地說，如果有十個題目，最後有兩個能持續被使用、產生效益並擴大規模，已經是很好的結果。

試錯仍要有紀律。團隊的做法是：

• 先做小量應用，不急著定義一套龐大系統。
• 儘快部署到現場，讓真實使用者測試。
• 如果沒有價值，就及早停止，控制損失。
• 如果證明有效，就集中資源加速擴展。
• 把失敗中學到的資料、流程與技術，變成下一次成功的養分。

敏捷把驗證週期縮短，讓團隊更快取得現場回饋。多開幾場站立會議不會讓 AI 專案變敏捷，團隊仍要用短週期回答一個問題：這個方向值得繼續投資嗎？

當一次判斷的成本只是一個短週期，團隊就能大膽做決定，也能在證據出現後快速修正，不必為了追求一次到位，把半年或一年的資源押在尚未驗證的假設上。

到工廠現場找題目

既然大多數嘗試不會走到最後，怎麼提高選題品質？

Alan 的答案很直接：去工廠，跟現場的人一起工作，觀察他們每天怎麼做事。

長期在同一個流程工作的人，容易把「一直都是這樣做」視為理所當然；外來的開發者反而會追問：為什麼一定要這樣？有沒有哪個步驟可以被資料或軟體改善？

不過，外來視角不能取代現場經驗。團隊找到問題後，仍會先做小型 POC，讓使用者實際操作，再確認資料是否有幫助、工具是否符合工作情境。工廠同仁不需要先學會 Scrum；他們的主要工作是實際使用工具，持續提供回饋。

對現場來說，判斷標準其實很務實：有幫助就用，沒幫助就不要增加負擔。

近 300 天裡，第一個視覺檢測站卡在哪裡？

Alan 花了不少時間回顧第一個 AI 視覺檢測站的落地過程。

製造現場與一般 AI 展示最大的差別，在於錯誤會直接變成成本。模型不能只是「大致準確」；當每天的產量來到數十萬甚至上百萬件，即使看似很高的準確率，也可能留下無法接受的漏檢數量。

模型只是其中一部分。團隊還要處理：

• 訓練資料是否足夠、標註是否正確？
• 演算法是否適合這一類缺陷？
• 系統整合後的速度能否跟上產線？
• 長時間運作是否穩定？
• AI 出狀況時會不會造成停線？
• 現場人員是否看得懂、用得順？

Alan 在直播裡用一句很傳神的話形容這個要求：「AI 不能打瞌睡。」

每發現一筆錯誤，團隊就回頭檢查：是資料、標註、訓練方法，還是模型本身出了問題？找到原因後立刻調整、重新訓練、再上線驗證。第一站花了近 300 天，因為團隊同時在做模型，也在建立整套落地方法。

這些在壓力下累積的技術與流程，後來成為跨站點部署的基礎。團隊靠大量短週期迭代，才把這個高風險場景做上線，並將方法複製到百餘個站點。

現在做 AI，先用四個條件篩選題目

談到生成式 AI 時代的落地策略，Alan 提出了一套很實際的判斷方式。一個 AI 題目要不要優先投入，可以先看以下四個條件。

1. 已經有可用的企業資料

通用 AI 工具很強，但它不知道你的產品規格、維修紀錄與內部流程。沒有企業自己的資料，AI 很容易停留在一般問答，很難接進實際工作流程。

例如，把維修系統的歷史紀錄與產品設計規格結合，AI 才可能協助分析故障與維修問題。缺少其中一邊的資料，AI 就只能猜。

2. 使用者很快看得到好處

使用者必須很快感受到它替自己省了時間、減少錯誤，或更快找到洞察。效益愈直接，現場愈願意繼續使用並提供回饋。

3. 不大幅改變既有工作流程

如果導入 AI 的第一步，就是要求所有人放棄原本做法、重新學一套流程，阻力自然會升高。較容易的切入點，是先讓 AI 在既有流程中幫忙，例如整理報表、彙整資料或找出異常。全面取代原有工作，可以晚一點再談。

這是一種「軟著陸」：先讓人得到好處，再逐步擴大改變。

4. 能留下使用結果，方便後續修正

AI 上線後，團隊還要持續修正。流程必須能記錄哪些結果正確、哪些需要調整，團隊才有資料繼續迭代。

團隊因此優先從流程與設備相關場景著手：自動化設備會持續產生資料，比起需要人工額外填寫紀錄的場景，更容易建立完整的回饋流程，也更適合橫向擴展。

從內部專案走向產品，維運責任必須一起設計

很多 AI 專案在展示時很亮眼，一上線卻卡在維運：誰處理問題？模型更新由誰負責？每多一座工廠，是否就要再增加一批開發人員？

和碩 AI 團隊的選擇，是把解決方案產品化，並讓使用單位具備日常維運能力。開發團隊把系統做得足夠簡單，讓現場能自行操作與維護；遇到產品層級的問題，再由開發團隊提供第二線支援。

這個設計很關鍵。AI 的確可能節省人力，但導入、維運與服務本身也會增加成本。如果每一個成功案例都只能靠原開發團隊長期駐點，就很難擴到更多工廠。

團隊也把和碩內部視為「零號客戶」，同時服務外部企業。前線接到的真實需求會回到產品，成為下一版功能的養分；產品愈完整，下一個客戶的導入成本就愈低。數位轉型因此同時改善內部營運，也讓團隊累積了對外服務的能力與商業模式。

為什麼 Alan 認為文化比技術更重要？

直播最後有人問：「技術、能力與文化，哪一個最重要？」Alan 的答案是文化。

數位轉型、AI 導入與創新，都需要人改變原有做法。工具可以採購，模型可以更新，但組織若不允許嘗試、不接受失敗，也不願意讓現場參與回饋，再好的策略最後都會被原有習慣抵消。

和碩這段歷程裡，有幾個條件讓改變能繼續：

• 主管先說清楚方向與不可打破的原則，再讓團隊自行探索做法。
• 公司願意為早期實驗提供基本資源，也接受部分嘗試不會成功。
• 團隊把自己定位成「公司內的新創」，主動找問題，不等需求單。
• 招募時就說清楚工作方式，尋找能接受不確定性、願意合作與試錯的人。
• 資深成員扮演跨部門橋樑，協助年輕工程師把成果帶進製造現場。
• 一旦發現方向錯誤就趕快停；一旦證明有效就集中火力。

文化會出現在日常選擇裡：怎麼面對失敗、怎麼分配資源、誰有權做決定，以及跨部門遇到問題時怎麼合作。

回放裡還有哪些細節？

這場對談把大部分時間放在 AI 上線後的實際問題。回放裡談到：

• 一個真實案例如何從近 300 天的第一站，走向百餘個站點。
• 當十個題目可能只成兩個時，團隊如何選題、停損與集中資源。
• 技術之外，主管、團隊文化、使用者回饋與維運設計如何共同決定成敗。

如果你正負責企業的 AI 導入、數位轉型、智慧製造，或正在思考如何讓技術團隊更靠近業務，這些經驗能幫你辨認一個常見誤區：做出 AI 模型，和讓 AI 在現場長期運作，是兩件不同的事。

👉 觀看「從數位轉型到 AI 落地：和碩 AI 團隊的敏捷實戰之路」完整直播回放

回放時間索引

• 00:04　團隊為什麼開始數位轉型？
• 00:09　第一個應用場景與「先吃自己的狗食」
• 00:10　為什麼 AI 探索需要敏捷與快速停損？
• 00:15　如何走進工廠、找到值得做的題目？
• 00:19　如何組成公司內的新創團隊？
• 00:38　第一個視覺檢測站近 300 天的落地考驗
• 00:46　生成式 AI 時代，怎麼選擇落地場景？
• 00:52　AI 上線後，由誰維運？
• 01:00　技術、能力與文化，哪一個最重要？