AI 導入失敗，是因為主管把「習慣」寫成了「規則」

五台煙燻機，一個老師傅，每天早上 7 點半靠一張紙和一支筆把隔天的生產順序排出來。

這不是一個 AI 導入的失敗故事。這是一個 AI 導入技術上成功了，卻被主管親手關掉的真實案例。

黑橋牌，香腸火腿的製造商。煙燻站是整條產線裡最複雜的一關，旺季一天幾十張訂單，旺季淡季差三倍。他們想導入演算法排程，目標講得很清楚：讓員工早點下班。

技術人員跑演算法，跑出來的結果是——排程更好了，理論上能提早 20 分鐘完成。

然後有人問了一句：「這張訂單怎麼換了七次機台？」

資深排班員工回：「不行啊，訂單最多只能換一次。」

於是「最多換一次」被寫進了限制條件。AI 從此只能在這條線裡面算。

這個專案，技術上成功導入了，組織上失敗了。

而失敗的原因，聽起來一点都不像 AI 問題。

一、導入 AI 失敗，最常見的死法不是你想的那個

先講清楚這件事為什麼嚴重。

導入 AI 失敗，大家習慣講三個原因：資料不夠、預算不夠、人才不夠。這三個都是真的，但它們都不是最常見的死因。

最常見的死因是：你在告訴 AI 它能做到什麼程度的時候，順便把它以前做不到的事也算進去了。

主管跟技術團隊開會，通常是這樣問的：

「你們排程排得準嗎？」
「準。」
「那流程上還有哪些限制？」

主管在這裡問「限制」，是想要拿到一個清楚的邊界，讓團隊知道什麼不能碰。技術團隊聽到「限制」兩個字，馬上就會列出他們在現場觀察到的所有規則。

這一步沒錯。錯在清單裡面混了兩種東西。

一種是「這台機器就是只能煮，不能烘也不能煙」。這叫限制。

另一種是「一張訂單最好只換一次機台，不然現場會亂」。這叫慣例。

主管在會議室裡說不出這兩者的差別。於是兩種都進了限制條件表。技術團隊照著做，做出來一套符合「限制表」、但完全達不到「早點下班」的系統。

AI 沒有做錯任何事。它只是非常認真地，在一個被縮小的籠子裡，做到最優。

二、怎麼分辨「限制」和「慣例」

這是整篇文章最實用的一段。你可以照著問。

判準：它是不是因為「人算不動」才出現的？

• 限制：來自物理世界或硬體本身，改不掉。機台功能、產線長度、法規、工時上限、清潔需要幾小時。
• 慣例：來自某個時代的算力上限。人腦算不動，所以退一步，訂一條比較好算的規則。

黑橋牌那條「最多換一次」，是哪一種？

排班員工自己講得很清楚：要算一張訂單多次進出機台的排程，非常麻煩。所以他們訂了一條經驗法則，大部分時候不用做複雜調度就能把活幹完。

那條規則的目的不是「讓排程更好」，是「讓人算得起來」。

用現代 AI 去執行一條為了讓人算得起來而生的規則，這是拿拖拉機去跑一條給馬設的路。

三個追問，現場就問得出來

問技術團隊或現場主管這三句，答案會自己浮出來：

1. 「這條規則，是機器或法規強制的，還是人訂的？」
答「人訂的」，繼續問第二句。

2. 「如果不遵守，會發生什麼？是會壞掉，還是會很麻煩？」
「會壞掉」和「會很麻煩」是兩個等級的東西。「會壞掉」是限制，「很麻煩」常常只是沿用了舊方法。

3. 「這條規則是為了達成目標，還是因為怕麻煩？」
這句最重要。黑橋牌的目標是「提早下班」。規則是為了提早下班，還是為了讓排班員工少算一點？答案通常很清楚。

但這題沒有標準答案

講清楚一件容易被講成毒藥的事：分辨出來之後，不代表一定要拿掉。

黑橋牌最後的討論，卡在這裡：

如果放開限制，讓 AI 排出「一天換三十次、五十次機台」的排程，數學上確實更優，工時可能真的更短。

但現場的人會疲於奔命。搬貨、換線、清潔、每一次搬運都有出錯的機率。最後可能提早兩分鐘下班，卻多出三起搬運傷害。

那個兩分鐘的數字，是用現場人員的體能和風險換的。弊大於利。

所以正確的動作不是「把慣例全部刪掉」，而是把這條規則從「技術限制」降級回「一個要被權衡的營運決定」，然後由管理者主持那場討論。

這四個問題，沒有演算法能幫你回答：

• 公司能不能接受更頻繁的換進換出？
• 能不能靠教育訓練，把人員操作上的困難解掉？
• 要不要加人，換更精細的排程？
• 公司有沒有導入自動化的長期規劃？有的話，這條規則三年後本來就會消失，還有必要現在討論嗎？

這就是「AI 思維」最實在的一塊：不是在鍵盤前想，是在會議室裡想。

三、導入前，主管必須先講清楚的四件事

如果今天只能帶走一件事，帶走這個框架。導入任何 AI 之前，主管和技術團隊必須把這四個欄位填完，缺一個都不要開工。

項目	白話	黑橋牌的例子
參數（系統輸入）	我要給它什麼資料	幾台機台、每張訂單要走哪幾道工序、每道工序多久、每張單的 deadline
決策變數（系統輸出）	它要告訴我什麼	每一個工作在幾點幾分進哪台機台、做哪個步驟 → 一張甘特圖
目標式（期望結果）	怎麼算「比較好」	延遲訂單數最少 → 其次是總製造時間最短
限制式（可執行條件）	什麼情況下不能做	機台 1 只能煮（限制）／ 訂單最多換一次（慣例，待權衡）

「目標式」是全場最常被搞砸的那一欄

黑橋牌一開始的目標是：「盡量不要延遲」、「盡量讓員工早點下班」。

主管聽了覺得很合理，技術團隊也無從反駁。但「盡量」這兩個字，等於沒有目標。

AI 可以排出十套方案，技術團隊交給主管，主管說哪個比較好？「都還好」、「第二個感覺可以」——這時候你不是在管理一個 AI，你是在賭。

改寫成可判斷的版本：

• 第一優先：延遲的訂單張數最少。 這裡有個關鍵細節：一張單延遲 100 分鐘，跟延遲 1 分鐘，都算「延遲一張」。這個定義一改，AI 的排法會整個不一樣。
• 第二優先：總製造時間（Makespan）最短。 所有工作都做完的時間愈早愈好 → 才能關燈、清潔、準時下班。

「目標式」這一欄的品質，直接決定 AI 的品質。目標寫得含糊，AI 一定會給你一個含糊的答案。

「限制式」是主管的專屬工作

前三欄技術團隊可以自己問出來，「目標式」要業務端一起談。

但「限制式」只有主管能決定，因為它要回答的是「公司願意拿什麼去換什麼」。

把「訂單最多換一次」寫成硬限制，是把一個營運決定偽裝成技術限制。偽裝的好處是責任轉移——排程不好怪系統，因為「限制是你們自己寫的」。

這是導入失敗最被低估的一種原因：不是能力不足，是權責轉移。

四、預測型 AI：主管要問的兩個尖銳問題

講完最佳化，講另一種。預測型（判斷「會不會發生某事」）有完全不同的兩個坑，而且這兩個坑，主管問一句話就能擋下來。

坑一：用未來資料預測過去

案例是線上教育平台。兩年累積 6,000 名新訂戶，退訂 4,200 名。目標：預先知道哪些會員下個月會不會退訂，然後打電話關懷。

技術團隊交出一個模型，預測誤差很低。主管很高興。

問題在於：他們用了不該用的資料。

正確做法是——要在 3/1 預測未來一個月，特徵就只能用 2/1 之前的行為（1 月的答題數、正確率、停留時間）。

常見錯誤是順手把 2/1 到 3/1 之間的行為也放進特徵。理由很直覺：「這些都是這個會員的資料啊，多給一點模型準一點。」

但模型在 3/1 做判斷的時候，物理上不可能知道這些會員在 2/8 有沒有答題。 你在訓練時教它偷看答案，測試時它表現得神準，實際上線立刻崩掉。

主管要問的：「你們用的是哪一段時間的資料？特徵包含哪些欄位？這些資料的收錄期間是？『結果』是怎麼定義的？」

你不需要懂神經網路。但確認他們沒有用不該用的資料，是完全合理、也完全做得到的事。

坑二：拿訓練成績當真實成績

正確做法是切分：4 萬筆資料，隨機抽 20%（8,000 筆）當測試集，這 8,000 筆絕對不能給技術人員拿去訓練。剩下 32,000 筆訓練，模型完成後才用留著的 8,000 筆驗。

沒切分會發生什麼？模型等於是「背答案」。它記住的是訓練資料本身，不是「從行為預測退訂」的規律。

主管要問的：「你們有切分訓練和測試資料嗎？比例多少？你們報告的誤差率是『訓練誤差』還是『測試誤差』？」

只有測試誤差能代表上線後的表現。訓練誤差只代表模型記得自己看過的東西。

這兩句話，建議直接存起來。下次技術團隊來報告，念出來。

五、真正的主管任務：定義「錯了有多貴」

這是整篇文章最反直覺、也最值錢的一段。

模型測試誤差很低，業務端開心，主管開心，專案看起來要成功了。

然後呢？預測錯了怎麼辦？

線上教育平台的預測結果，會分成四種情況：

	實際退訂	實際續訂
預測會退訂	對	錯（打錯電話關懷）
預測會續訂	錯（沒人管，人跑了）	對

技術人員的預設目標：把猜錯次數降到最少。

這是專業直覺，但對業務是錯的。 因為這兩種錯，成本差非常多。

• 誤判高風險（其實會續訂）：一通關懷電話的電話費、員工工時。成本小。
• 漏掉高風險（其實要退訂）：這個會員原本會付的月費 × 剩餘生命週期。成本大很多。
• 還有一個隱藏風險：少數情況下，關懷電話反而提醒了會員「我是不是忘了續訂」。機率低，但單次不便宜。

所以正確的目標不是「猜對最多」，是「把預期損失壓到最低」。

具體做法是：主管要給出一個成本權重。 漏掉一個高風險會員，等於損失多少錢？誤打一通電話，等於損失多少錢？把這兩個數字給技術團隊，讓他們去最小化加權損失。

這一步很難，因為成本預估本來就模糊。但不做這一步，技術團隊永遠只會用「準確率」當目標——而準確率在這個情境裡幾乎沒有業務意義。

這是主管無法外包的工作。技術團隊不會替你猜你的會員值多少錢，因為那不是他們的專業。

放兩個更好懂的對照：

• 工廠把良品判成不良品 → 浪費材料、誤報廢
• 工廠把不良品判成良品 → 瑕疵品流到客戶手上

技術人員眼中，這兩個錯誤的「錯誤次數」一樣是 1。但公司損失差一個數量級。

海關也是一樣：錯殺（冤枉好人）和錯放（違禁品通關），誰比較該重罰？

六、最容易被講成毒藥的一句話

有些主管在聽完前面這些之後會說：

「所以數位轉型還要改流程？我們先導入看看效果，流程以後再說。」

講這句話的人，AI 導入成功率會低到可憐。

原因很直接：AI 的能力邊界會改變流程的經濟性。 人算不動的東西現在算得動了，那條「為了讓人算得起來」的規則就沒有存在理由了。你不改流程，就等於把 AI 塞進一個人工時代的框架裡，然後抱怨它效果不好。

不肯改流程的數位轉型，實際上只是花錢買了一套新工具。

這句話聽起來像管理 jargon，但你可以這樣檢驗：你導入 AI 之後，有沒有任何一個流程因為「AI 算得動」而變得不一樣？ 如果答案是「沒有，就是把人工做的步驟自動化」，那你買的是電腦，不是 AI。

七、可直接使用的導入前檢查清單

這張表可以印出來，貼在會議室。下次要跟技術團隊開導入會議，照著問。

A. 目標與輸入（業務端 + 技術端一起填）

• ☐ 目標式：怎麼算「比較好」？用哪個數字衡量？（「盡量」不算答案）
• ☐ 第一優先目標：是哪一個？排序為什麼這樣排？
• ☐ 參數：我會給系統什麼資料？每個欄位的定義寫下來了嗎？
• ☐ 決策變數：系統要輸出什麼？輸出長什麼樣？

B. 限制式體檢（主管主持，這是重點）

逐條列出所有規則，標記 L 或 I：

規則	L 限制 / I 慣例	判定理由	若放開會怎樣
機台 1 只能煮	L	硬體功能	無（不可能）
一張單最多換一次	I？	人算不動	需權衡現場負荷

• ☐ 每條規則都標了 L 或 I
• ☐ 所有 I 都問過：「為什麼當初這樣訂？」
• ☐ 所有 I 都被獨立討論過「要不要保留」，不是自動沿用
• ☐ 討論結論有記錄在案（這一條最重要，日後甩鍋就靠它）

C. 預測型專屬

• ☐ 特徵和結果的時間點切清楚了？
• ☐ 有沒有用到「預測當下不可能知道」的資料？
• ☐ 訓練 / 測試有切分嗎？比例？
• ☐ 報告的是測試誤差嗎？
• ☐ 兩類錯誤的成本權重定出來了嗎？（誤打電話的成本 vs 漏掉高風險會員的成本）

D. 流程改造盤點

• ☐ 導入後，哪個流程因為「AI 算得動」而可以不一樣？
• ☐ 要配套什麼？（教育訓練、增加人力、自動化設備）
• ☐ 主管決定：要改造哪些、保留哪些，並公告

結語：主管真正的產品是「決策環境」

回到開場那個黑橋牌的排班員工。

他不是不懂 AI，他也沒有反對。他只是在他三十年的專業裡，給出了一個非常誠實的回答：這條規則，是因為我們算不動才訂的。

這個回答，是整個專案最貴的資產。 因為它誠實地告訴你，AI 的機會在哪裡。

而他之所以願意說這句話，是因為有人問了對的問題——不是「你們的限制是什麼」（得到一堆混在一起的規則），而是「這條規則是為了讓人算得起來嗎」（得到一個真正的洞察）。

主管導入 AI，最終交付的不是一套系統，是一個讓技術和業務願意把真話說出來的決策環境。

說得直白一點：

技術團隊的工作是建模。主管的工作，是讓他們能把真話說出來。
業務單位的工作是提需求。主管的工作，是讓他們知道該提哪一個需求。
沒有主管，這兩邊永遠不會自己對上。

這是一門不需要寫程式、但決定導入成不成的技術。