工廠可以用人工智慧（Artificial Intelligence，AI）協助整理工作紀錄、保存判斷規則與搜尋過往案例，但 AI 知識傳承不能只靠訪談老師傅或建立聊天機器人。企業必須先讓資深員工成為流程共同設計者，保留其專業角色與決策權，才可能取得真正影響生產的例外知識。
最近，「AI 老師傅」成為智慧製造的新關鍵字。鴻海科技集團利用 Factory GPT 將工廠異常處理案例整理成知識圖譜，並發展產線規劃、機台調度與人機協作；台灣傳統加工廠也開始把資深人員的隱性知識轉成教學內容與標準作業程序（Standard Operating Procedure，SOP）（經濟日報，2026 年 8 月；TVBS，2026 年 7 月）。技術已經出現，真正困難的問題卻是：老師傅為什麼願意把經驗說出來？
「AI 老師傅」不是複製一個老師傅，而是保存企業的判斷方法
AI 老師傅的核心是輔助資深員工，將工作紀錄、判斷規則與例外案例整理成可搜尋、可驗證及持續更新的企業知識。資深員工仍負責驗證規則與處理高風險例外。
AI 知識傳承可以包含文件搜尋、案例摘要、問答介面、規則引擎與排程建議，但聊天機器人只是呈現知識的其中一種方式。鴻海科技集團的 Factory GPT 也不是單純把文件放進聊天介面，而是把處理案例組織成知識關係，逐步延伸至產線計畫與機台調度，並保留 Human-in-the-loop 人機協作（經濟日報，2026 年 8 月）。
為什麼寫完 SOP，還是接不走老師傅的工作？
SOP 通常只記錄標準步驟，老師傅真正的價值則包含情境判斷、錯誤預兆、優先順序與例外處理。製造業隱性知識無法只靠文件上傳完成傳承。
隱性知識（Tacit Knowledge）是從多年實作經驗形成、尚未完整文件化的知識。APQC 將結構化知識傳承描述為辨識、擷取並傳遞專家腦中的未文件化知識；NIST 的製造業研究也採取 AI 與專家共同參與的混合架構，協助萃取與分析非結構化內容（APQC，2024 年 9 月；NIST，日期不明）。
| 知識層級 | 工廠內容 | AI 適合的角色 |
|---|---|---|
| 工作紀錄 | 工單、報表、文件、操作紀錄 | 搜尋、整理、摘要與轉換格式 |
| 判斷規則 | 排程條件、優先順序、決策依據 | 套用規則、提出建議並說明理由 |
| 例外知識 | 插單、設備異常、特殊客戶、現場應變 | 尋找相似案例、提示風險，交由人員決定 |
生產排程最難傳承的不是公式，而是充滿例外的決策過程
生產排程同時受到交期、庫存、設備、換線、清洗、倉儲與插單影響。AI 適合先整理限制條件與比較方案，高風險或未曾發生的例外仍應由資深員工決定。
我曾參與一項生產排程導入案，發現排程工作高度依賴單一員工。外部人員若只問「排程規則是什麼」，通常會得到一份看似合理的條件清單；真正進入工作情境後，才會看到促銷需求、庫存期限、設備能力、清洗成本、臨時插單與倉儲上限互相牽動。
匿名案例讓我確認一件事：顧問不是把老師傅腦袋裡的答案一次挖完，而是和領域專家一起回溯「當時有哪些選項、為什麼選這個方案、什麼情況會改變決定」。NIST 也正研究以對話訪談生產人員，逐步把特定工廠的排程問題轉為限制條件模型，說明人機協作比一次交付完整規則更符合實際情況（NIST，日期不明）。
資深員工願意分享經驗，關鍵在於看見自己的參與方式與後續角色
資深員工面對 AI 知識傳承時，需要先理解導入目的、參與方式與後續角色。企業提供清楚的決策權、培訓安排及知識貢獻認可，才能建立合作基礎。
資深員工的判斷往往來自多年經驗，許多細節已經成為直覺，不一定能在一次訪談中完整說明。如果企業只要求員工「把規則寫下來」，卻沒有說明資料會如何使用、誰負責驗證及員工之後扮演什麼角色，現場人員自然很難投入時間整理例外與判斷脈絡。
顧問需要先和資深員工站在同一個工作目標上，讓系統優先解決現場真正感到繁瑣的工作。企業也應把合作方式落實在制度中，包括安排正式工時、共同設計規則、保留例外核准權、提供角色培訓，以及認可知識整理與新人培育的貢獻。當參與方式清楚，知識傳承就能成為團隊共同改善流程的工作。
正確順序是先讓 AI 減輕負擔，再逐步傳承關鍵判斷
工廠知識傳承可以分成減輕負擔、整理判斷、建立共管三個階段。中小型工廠不必一次完成知識庫，應先讓員工看見效益，再逐步保存規則與例外。
匿名排程案並未一開始就要求 AI 接手所有排程。我選擇先處理每月報表、資料彙整等重複工作，讓關鍵員工保留最重要的設定與決策。第一階段的目的，是讓現場先看見 AI 能協助處理繁瑣工作，再一起決定後續適合納入的範圍。
| 階段 | 主要工作 | 資深員工任務 | 完成標準 |
|---|---|---|---|
| 第一階段：減輕負擔 | 盤點單點依賴，先自動整理報表、查找資料與轉換格式 | 指出最耗時、最容易出錯的重複工作 | 員工實際使用，且人工可以攔截錯誤 |
| 第二階段：整理判斷 | 回溯真實案例，記錄當時選項、限制條件、選擇理由與結果 | 驗證一般規則，補充例外、風險與禁止條件 | AI 建議能附理由與來源，但仍由人員核准 |
| 第三階段：建立共管 | 設定權限、版本、核准者與異常升級流程 | 定期審核新案例，決定規則是否可擴大套用 | 每次變更都有來源、版本、負責人與回復方式 |
三階段工作流不是一次性的知識擷取專案。新設備、新產品、客戶要求與現場異常都會改變原有判斷，因此企業必須把「誰可以新增、誰負責核准、錯誤如何撤回」納入日常流程。
APQC 指出，流程管理與知識管理需要共同支援 AI，持續接收專家回饋、編碼例外並更新規則與決策標準（APQC，2026 年 6 月）。
老師傅在 AI 時代會從執行者升級成什麼角色？
AI 導入後，資深員工的價值應從重複執行轉向流程設計、規則驗證、例外判斷、AI 審核與新人培訓。角色升級必須反映在權責、職稱或績效認可上。
NIST 指出，製造業採用 AI 後，新的工作角色會結合傳統製造知識與數位能力，員工需要解讀 AI 產生的洞察並管理智慧系統（NIST，2026 年 5 月）。老師傅不必因此變成 AI 工程師，而是要把多年經驗轉化為企業可以反覆使用的決策能力。
| 升級角色 | 具體工作 | 企業必須提供的制度 |
|---|---|---|
| 流程設計者 | 畫出工作輸入、輸出、判斷點與跨部門交接 | 安排正式工時，不把知識整理當成額外義務 |
| 規則驗證者 | 審核限制條件、優先順序與 AI 建議理由 | 授予修改、退回與停止使用規則的權限 |
| 例外決策者 | 處理罕見異常，定義何時必須升級人工判斷 | 明訂最終決策權與責任界線 |
| AI 品質審核者 | 抽查答案來源、標記錯誤並追蹤重複失誤 | 建立錯誤回報、版本控制與修正時限 |
| 新人教練 | 把典型案例轉成練習題，說明選擇背後的風險 | 將培訓成果與知識貢獻納入績效或職務認可 |
資深員工角色升級，不能只換一個好聽的名稱
企業若要求資深員工持續審核 AI，卻沒有安排工時、授權與績效認可，角色升級只會變成額外負擔。比較務實的做法，是為每位領域專家指定負責流程、每月審核頻率、可決定的事項與需要升級主管的情境，並把知識貢獻列入正式工作成果。
哪些工作可以交給 AI，哪些一定要由人決定？
文件整理與既有規則查詢可由 AI 執行，複雜情境可由 AI 提供建議；涉及安全、品質、重大成本、法規或全新例外的決策，必須保留人工核准與責任歸屬。
| 工作類型 | AI 角色 | 人員角色 |
|---|---|---|
| 文件與報表整理 | 執行 | 抽查 |
| 既有規則查詢 | 回答並附來源 | 驗證 |
| 排程方案比較 | 提出建議與理由 | 選擇、調整 |
| 新型態異常 | 搜尋相似案例 | 判斷、處置 |
| 安全與重大成本決策 | 提示風險 | 核准並負責 |
人工核准不是導入失敗的象徵，而是知識仍在成長的正常設計。當案例數量、規則穩定度與驗證結果逐步累積後，企業才能決定是否擴大 AI 權限。
AI 知識傳承也適用於餐飲、零售與批發業嗎？
餐飲配方與備料、零售門市客訴、批發採購及庫存判斷，同樣依賴資深員工的情境經驗。服務業也可以先保存工作紀錄，再逐步整理判斷規則與例外案例。
- 餐飲業：記錄備料調整、產品品質判斷、尖峰人力安排與臨時缺料的替代原則。
- 零售業：整理客訴分流、特殊退換貨、門市陳列與促銷期間補貨判斷。
- 批發業：保存採購週期、客戶優先順序、庫存水位及供應商異常的處理依據。
跨產業導入仍需遵守相同原則：先解決員工每天感受到的負擔，再要求領域專家共同整理關鍵知識。
常見問題
AI 知識傳承必須同時處理資料、流程、人員信任與決策責任。中小型工廠不必等到文件完整才開始，但每一項 AI 建議都需要來源、驗證與明確的人工核准界線。
用錄音訪談老師傅，就能建立 AI 知識庫嗎？
錄音訪談只能取得老師傅能清楚說出的內容，無法自動捕捉情境判斷與例外處理。企業還需要用真實案例回溯決策理由，並由資深員工持續驗證與修正。
公司沒有 MES 或完整 SOP，也能開始 AI 知識傳承嗎？
沒有製造執行系統（Manufacturing Execution System，MES）或完整 SOP 的工廠仍可開始。企業可以先選擇單一高頻工作，整理現有報表、工單、通訊紀錄與實際異常案例。
老師傅不擅長使用電腦怎麼辦？
老師傅不需要先學會操作複雜的 AI 工具。顧問或流程負責人可以透過工作觀察、口述案例、照片與現場示範蒐集資料，再請老師傅用熟悉的方式確認內容。
AI 提供錯誤的經驗或建議，應該由誰負責？
企業必須事先定義 AI 的建議權限與人工核准責任。涉及安全、品質、法規、重大成本或全新例外的決策，不應由 AI 單獨執行。
如何讓資深員工願意參與 AI 知識傳承？
企業應先說明導入目的、參與方式、後續角色與決策權，並優先讓 AI 協助處理最耗時的重複工作。資深員工也應參與規則設計、測試、審核與後續更新。
資深員工退休後，AI 知識庫要由誰維護？
AI 知識庫需要由明確的流程負責人維護，並由現場主管與領域專家定期審核。每次異常處理、規則變更或設備更新後，都應留下來源、版本及核准紀錄。
延伸閱讀
- AI 生產排程怎麼做？從需求拆解到小規模試行的完整指南：同一個匿名製造業案例，這篇談的是需求拆解與排程系統怎麼小規模試行。
- 企業 AI 導入四層評估方法與實用檢查表：知識傳承之外，這篇提供選擇第一個導入流程的四層評估方法。
參考資料
本文以製造業官方研究、知識管理機構資料及台灣近期實際案例作為公開依據。匿名生產排程案例則來自作者的第一手顧問觀察，未揭露客戶與產品資料。
- 經濟日報，〈用 Factory GPT 打造「AI 老師傅」 鴻海拚複製全球工廠經驗〉，2026 年 8 月 21 日，存取日期：2026 年 8 月 24 日。
- TVBS，〈AI 翻轉傳產！老師傅變 GPT 線材加工、老牌模具廠拚智慧製造〉，2026 年 7 月 31 日，存取日期：2026 年 8 月 24 日。
- APQC，〈Leveraging Process Management and Knowledge Management for AI〉，2026 年 6 月 3 日，存取日期：2026 年 8 月 24 日。
- APQC，〈Structured Knowledge Transfer〉，2024 年 9 月 18 日，存取日期：2026 年 8 月 24 日。
- National Institute of Standards and Technology，〈The Rise of Artificial Intelligence (AI) in U.S. Manufacturing〉，2026 年 5 月 13 日，存取日期：2026 年 8 月 24 日。
- National Institute of Standards and Technology，〈Model-Based Enterprise Program〉，日期不明，存取日期：2026 年 8 月 24 日。
- National Institute of Standards and Technology，〈Human/Machine Teaming for Manufacturing Digital Twins〉，日期不明，存取日期：2026 年 8 月 24 日。
關於作者 {#author}
Claire Chang ｜ 企業 AI 導入與流程轉型顧問。專注於 AI Agent 架構設計、ERP 系統整合與企業 AI 治理。
最後更新：2026-08-24