工研院在 2026 年初發布一份調查，數字有點讓人停下來想：台灣傳統製造業中，45.2% 的業者仍處於「Unknowing AI」階段——不是說他們不願意轉型，而是對於自己目前在哪個位置，還沒有清楚的認識。
同樣在這份調查裡，電子組裝業有 40% 已成立跨部門 AI 推動小組；汽車零組件業只有 11.1%。兩個同樣是製造業的產業，差距接近四倍。
這個落差從哪裡來？
數據不缺，缺的是「流動」
走進台灣中型製造廠，你幾乎不會看到「沒有數據」的工廠。每天都有報工單、品檢記錄、機台日誌、出貨對帳。
問題不是沒有數據，是這些數據停在哪裡。
報工單填完放進資料夾。品檢記錄留在品管部門。機台日誌是設備廠商自己的系統。出貨數字在 ERP 裡，但生產進度在 Excel 裡。
各自都有數據，但數據之間沒有連結。管理者看到的是各部門的局部版本，不是工廠運作的完整版本。
買了設備，只走了一層
很多工廠這幾年陸續導入自動化設備，IoT 感測器、品檢機台、自動搬運系統。這是對的方向，但就我們在現場觀察到的狀況，設備帶來的數據，有相當大比例還是停留在設備本身。
設備在跑，但數據沒有進入管理系統。 機台有異常，但通知停在設備警報，沒有串到生產排程。 良率數字每天都有，但沒有跟訂單成本連在一起算。
自動化有五個層次：設備自動化、數據自動採集、系統整合、分析可視化、AI 決策優化。買設備走完了第一層，後面四層才是讓數據開始幫你做決策的地方。
45% 停在哪一層
工研院調查裡那 45.2% 處於 Unknowing AI 階段的工廠，不是因為技術落後，通常是因為第二層還沒走完——數據還沒有從設備層流進管理層。
電子組裝業走得快，原因不是預算多，是客戶壓力大。國際品牌客戶要求即時品質追溯、數位生產文件，這些要求讓電子組裝廠不得不把數據串連起來。
汽車零組件業只有 11.1% 走到這一步，背後有它的原因：產品驗證週期長、換線成本高、客戶要求的規格標準不一。但 2026 年之後，IATF 16949 的數位化要求和碳足跡追溯開始同時施壓，這個差距能不能繼續維持，值得觀察。
從第一步開始盤點
不需要從 AI 開始。
就我們的經驗，中型製造廠最值得先做的一步，是把現有的數據做一次盤點：現在手上有哪些數據？它們停在哪裡？哪些數據如果能流動起來，對你的決策最有幫助？
這個盤點通常不需要買新系統，需要的是搞清楚現有系統之間的斷點在哪裡。
數據開始流動，決策才有辦法從「靠經驗判斷」變成「有數字可以看」。
訂閱冠理科技電子報
每月精選製造業數位轉型趨勢、實戰案例與管理洞察，直接寄到你的信箱。