製造業數位轉型下一步：不是換 ERP，而是打通資料孤島

隨著製造業數位轉型與AI應用持續升溫，企業開始重新檢視ERP與現場資料之間的落差。產業觀察顯示，AI能否支援生產、追溯與交期決策，關鍵往往不在模型規模，而在資料是否完整、即時且具有可驗證的流程關聯。

AI導入熱潮下，製造現場先碰到的不是模型，而是資料斷點

近年製造業數位轉型與AI應用持續升溫。經濟部中小及新創企業署的智慧化經營與數位轉型措施，也將製造業列為重要導入對象。然而，對多數中型製造商而言，第一個現實問題往往不是選哪一種AI，而是訂單、工單、設備、品質、批次與物流資料是否能在同一條決策鏈上被即時使用。企業真正缺的，可能不是一套更大的系統，而是一個能讓現有資料被理解、串接與回寫的中間層。

ERP適合處理訂單、採購、庫存與財務，並不代表它應被全面淘汰。問題在於，很多現場狀態仍停留在紙本、試算表、機台或通訊訊息中。當主管想知道某批是否能準時完工、缺料風險是否上升，或客訴產品流向何處時，交易紀錄與即時狀態之間仍存在時間差。這不是ERP失效，而是單靠ERP不足以支援高頻、跨系統的現場判斷。

AI不會自動修復批號沒有串聯、欄位格式不同或現場紀錄缺漏等問題。NIST對工業AI與製造資料基礎設施的研究持續強調資料品質、可追溯性與互通性；缺少上下文或代表性的資料，可能導致不可靠的預測。對企業來說，導入AI之前更重要的工作，是釐清資料定義、事件時間、責任來源與關聯鍵，讓模型知道每一筆資料在流程中代表什麼。

較務實的升級方式，是保留既有ERP，在現場與核心系統之間建立資料整合層。PDA掃描、設備狀態、生產工單、品管結果、倉儲與物流事件先在中間層統一格式、補上時間與批次關聯，再把必要結果回寫ERP。這個架構不等於多買一套華麗平台，而是建立清楚的資料契約與事件流，使既有系統能持續運作，新應用也能逐步接入。

當批次與事件被串起來，AI才可能從查詢走向預警

批次追溯是一個可觀察的起點。原料進廠建立批號，生產時連接工單與檢驗，包裝時產生成品標籤，出貨時再連接客戶、數量與車次。當這條數位線索完整，企業不只可以在客訴或召回時快速找出流向，也能結合訂單、庫存、產能與物流，提前辨識缺料、延誤或品質異常。AI在此扮演的是輔助預測與排序，而非取代流程責任。

全面換系統通常帶來較高成本、轉換風險與組織阻力。更可執行的做法，是先盤點最常出錯、最需要追溯或最影響交期的一段流程，定義明確的輸入、責任人與輸出，完成第一個資料閉環；確認資料可以被查詢、驗證與預警後，再擴大到其他部門。ERP負責記錄結果，AI需要看懂正在發生什麼，而資料中間層則讓兩者在同一個流程中協作。