6年出貨十倍速成長，揭西門子打造領先全球智慧工廠的秘訣|數位時代 BusinessNext

賦予產品身分證，每日創造千萬筆數據

2018年，世界經濟論壇評選出「全球九家最先進的工廠」，西門子成都廠名列其中。雖然，德國安貝格（Amberg）工廠才是西門子最早的智慧示範工廠，但成都廠影響力已不在話下， 自2013年成立至今，年產能從78萬個成長超過十倍，2019年預計能衝出1,100萬個。

為什麼說成都工廠像機場？

從數字來看，工廠每天需在5千種材料中，挑選消耗1千萬個材料，好比旅客選擇商務艙、經濟艙各艙等候搭機，最終成為每日生產的3.8萬件產品，再比照航班，飛往世界各地。

驚人的是，在成都工廠總共能生產近800種產品，且每款產品都有獨立的「產品身份證」，能載明兩百條資訊，每日創造1千萬筆數據。

「 天氣預報之所以準，是因為有資料可以優化；數據，才是工業4.0的價值， 」西門子成都工廠總經理李永利強調，許多人看智慧工廠發展，會過度將重心放在設備、生產自動化，試圖將「員工/機器」比例降低，但其實，如何掌控與利用數據，才是西門子能不斷提升效率的關鍵所在。

不需一昧追求自動化，數據才是關鍵

西門子也打造立體倉庫，在將近十萬個裝有零件的「黑箱子」上，貼上四個一維條碼。當客戶訂單上門時，能自動轉換成生產訂單，從倉庫裡的五千多種材料中自動調度至產線。隨著數據每20分鐘更新，西門子能從細到哪一款產品、哪一個元件、什麼時間、哪條產線出現狀況，做出即時和累積的觀察。

李永利舉例，工廠曾發現某款產品的組裝效率一直無法提升，調出數據後發現，原來是機械手臂在抓取控制版時，產生的晃動，導致塞入箱子的效率不佳。他們利用「數位分身」（Digital Twin）技術，在自家techno軟體中測試不同機械手臂、長度、轉速的改變，最後很快就能做出優化。

「不要一直談出貨良率，重要的是自己和自己比，每百萬件產品的加工失效率，能否一年比一年少，這才是真正進步，」李永利說。

他認為，智慧工廠的基礎，共有三項：生產自動化（Produciton automation）、原料自動化（Material flow automation）、資訊自動化（information flow automation）。

以成都廠為例，將送貨、補貨、成品包裝出貨、抽風設備主機、大型設施放在一樓，貨物會跟著黑箱子搭電梯至二樓產線，由工人和手臂完成組裝過程，這些都是顯而易見的自動化過程。「 但工廠不需要追求將設備、生產全數轉為自動化，因為明年的機器永遠會比今年更快，反而要將心力花在累積各式各樣的數據上。 」

西門子自然有其話語權。在PLC、工業電腦和人機介面市場的全球市占率，西門子拿下約三分之一，在中國市占率則有超過40%。

2019年，成都工廠的743位員工裡，有七分之一都是研發人員，藍領階層456人，比去年少了約50位，產能卻能向上提升，與西門子主打「研發與生產要在一起」的策略有關。

成都廠的示範效應，讓西門子不只能自己做產品，更能輸出智慧工廠經驗，大賺轉型財。如廣州明珞汽車，替BMW、BENZ、中國大眾、上汽等品牌提供生產線解決方案，且採用西門子自動化方案，累積更多數據，維持自身競爭力。

力諾製藥董事長張貝文表示，「打造藥物是一場與時間的競賽，當傳統生產模式有好幾百個步驟時，若以自動化模式改變流程，可能會需要投入龐大成本，但結果一定會顛覆產業。」

AI 智慧代理人時代來臨！三大導入階段， AI 落地企業不卡關

生成式 AI 帶動企業數位轉型浪潮持續升溫，各界不再滿足單一任務型的 AI 應用，而是期盼 AI 能真正成為具備主動決策與多工能力的「智慧代理人」。

生成式 AI 帶動企業數位轉型浪潮持續升溫，各界不再滿足單一任務型的 AI 應用，而是期盼 AI 能真正成為具備主動決策與多工能力的「智慧代理人」（Agentic AI），在最少人為干預的情況下，自主推進工作流程、完成複雜任務。

但企業導入AI並非一蹴可幾，而是需要對AI有正確認識，並制訂循序漸進的導入流程，才能真正發揮AI功效。在2025台灣人工智慧年會中，cacaFly 聖洋科技技術副總吳振和提出三大導入關鍵階段，深入剖析企業如何從概念驗證（PoC）階段，逐步推進到實際上線（Production），並分享實務經驗與觀察。

延伸閱讀：生成式AI可以怎麼用？cacaFly現身說法，助企業應用GCP服務智慧轉型

解鎖 Agentic AI，企業邁向多任務智慧代理

「很多公司會問，One AI 要做什麼事？但實際上，若要讓 AI 回答公司內部政策或新法條的相關問題，僅靠基礎模型並不足夠。」吳振和指出，要讓 AI 真正成為能「做事」的智慧代理人，前提是它必須理解企業內部的脈絡與知識，並即時掌握外部變動的資訊。

企業必須先釐清內部規範是否與最新法規相符，這意味著系統必須具備持續爬取與解析最新資料的能力。為此，企業必須先截取與整理內容，再建構成專屬的知識庫（Knowledge Base），確保資料品質達到可用標準後，再透過檢索增強生成（Retrieval-Augmented Generation, RAG）技術，使 AI 能夠即時動態查詢並生成符合企業語境的回答。

延伸閱讀：從資料清洗到 RAG，大型語言模型的必需品，做出專屬企業的 AI 知識庫！

吳振和強調，這是一個動態循環的過程：從資料蒐集、品質控管、知識庫建構到生成應用，每一環節都息息相關，任何一處鬆動都會影響最終產出的準確性與可信度。

破除「一次到位」迷思，從驗證到落地的三大關鍵階段

許多企業對 AI 寄予厚望，因此常將 PoC 視為年度計畫的重點，希望能「一次到位」做出具體成果。但吳振和提醒，若缺乏清楚的系統工程思維，PoC 容易淪為「概念展示」，難以真正走入組織的日常營運。

他將導入 Agentic 系統工程的歷程，分為三個關鍵階段：

1.第一階段：可行性評估（Feasibility Study）
企業必須在投入資源前，先明確界定「最需要被 AI 解決的關鍵問題」是什麼，並進一步設計可量化的驗證指標。這不僅包括評估技術實作的可行性，更要從商業目標出發，釐清導入 AI 的具體使用情境、預期成效與風險邊界，如此才能確保後續模型選型與資料蒐集方向正確對齊業務需求。

2.第二階段：系統設計與驗證（Design & PoC）
在確定導入方向後，必須規劃清楚資料蒐集與整理流程，確保知識庫的內容具備正確性、完整性與時效性。吳振和特別強調，這個階段不能只追求展示效果，而應以「產品化思維」來構築 PoC，使其具備可擴充性、可維護性及安全性，才能為後續上線打下基礎。

3.第三階段：產品化與營運（Production & Operation）
當 PoC 驗證完成後，進入正式上線階段，挑戰也隨之而來。除了需要整合企業內部系統與流程，還必須建立持續監控與維運機制，確保模型表現隨時間演進不會劣化，並能快速回應法規變動或資料更新的需求。吳振和指出，這往往是最容易被低估、但也是最考驗企業組織能力的關鍵環節。

建立模型優化根基，打造高品質的黃金資料集

吳振和特別強調，要讓 Agentic 系統工程真正發揮效益，企業必須先建立一套高品質的「黃金資料集」（Golden Dataset），作為模型評估與優化根基。他指出，黃金資料集的價值在於能為模型選擇與前測提供客觀依據，讓團隊能針對不同任務挑選最適合的模型，避免導入初期就誤踩方向。

同時，黃金資料集也能協助團隊辨識模型的常見錯誤與脆弱點，進而快速回應「模型飄移」（Model Drift）的風險。吳振和說明，所謂模型飄移，指的是即使模型本身未經改版，效能也可能隨著環境與資料變動而突然下降，導致原本表現良好的模型出現偏差。透過持續比對模型預測與黃金資料集結果，團隊才能即時察覺效能衰退，並進行迭代更新，確保系統長期穩定運作。

從小規模應用起步，漸進擴展至核心業務

吳振和分享，在實際輔導企業導入 AI 的經驗中，最常見的挑戰來自於「期待落差」。許多企業誤認為概念驗證（PoC）階段即可呈現完整的產品原型，然而實際情況顯示，若企業未能建立完善的資料架構與流程基礎設施，即使短期內展現亮眼成效，也難以確保長期營運的穩定性與可持續性。

也因此他建議企業在規劃 AI 導入時，應採取漸進式策略，從小規模應用場景著手，逐步擴展至核心業務領域。企業應將 PoC 定位為整體產品開發生命週期的重要環節，而非獨立的一次性專案。

AI 的導入不僅是一場技術升級，更是企業組織文化與決策流程的轉型工程。唯有從資料治理、流程優化到人才培訓同步布局，才能確保 AI 能在企業內部真正「落地生根」，創造長期商業價值，成為真正的智慧代理人。