製造業正以前所未有的速度將 AI 導入日常營運場景，然而這股技術熱潮的成果，卻無法完全體現在財務報表中。根據 Grant Thornton 最新發布的「2026 年 AI 影響力調查」（Grant Thornton’s 2026 AI Impact Survey），在受訪的 100 位製造業主管中，沒有任何一個人表示 AI 為企業帶來顯著的營收增長，同時也沒有人說明 AI 已經帶來顯著的成本節省。相較之下，在參與同一項調查的其他產業中，對於營收成長、成本節省兩項成果的回報比例，分別都達到 12%。因此，這種在調查中出現「零回報」的現象，也格外吸引關注。
這項數據並不代表製造業在 AI 投資上毫無收穫，因為仍有高達 64% 的受訪製造業主管，明確表示 AI 確實有提升營運效率，且有 62% 的主管希望在營運部門中進一步擴大 AI 應用，這一比例在所有受調查的產業中位居首位。
然而，「效率提升」與「財務回報」之間存在著巨大的脫節，這也成為效率成果無法進入財報損益表（P&L）的卡關點。 生產線上的效率提升，雖然在技術演示中看起來非常完美，但除非這項效率提升能夠具體轉化為減少廢料、降低非計畫停機時間、下降庫存水準，或是減少保固索賠件數，否則就永遠只是虛擬的技術指標，無法化為財務長願意在損益表上簽字認可的成果。至於這股技術活動與實際財務收益間的巨大落差，實際上深植於製造業在採購、技術部署與治理上的三大核心盲點。
盲點一：製造業被競爭焦慮推著走，先啟動 AI 才再尋找商業問題
首先，許多製造業投入 AI 專案的出發點，往往來自於非理性的市場恐慌。調查指出，高達 45% 的製造業主管坦言，競爭焦慮是他們採用 AI 的最主要驅動力，這代表他們並不是從已經計算出成本的瓶頸、瑕疵率或其他具體的營運痛點出發，而只是因為擔心被競爭對手超越。
這種「先啟動、再找問題」的模式，在製造業屢見不鮮。許多團隊容易從「AI 也許能幫忙」的直覺想法，直接跳躍到「啟動試點」的執行階段，卻忽略在專案開始前，應該定義清楚該專案預計要改善哪一項營運或財務數字。這種做法導致 AI 模型與技術架構先被定義出來，但支持這項投資的商業案例卻還沒有建立的荒謬現象。
Epicor 產品暨創新長 Arturo Buzzalino 對此提出警告。他認為，當企業將 AI 視為科學實驗，推出與目標、價值以及核心流程脫節的獨立試點、通用聊天工具或客製化模型時，其實就是在浪費資金。
盲點二：用通用 AI 硬解工廠難題，卻忽略設備、數據與流程斷點
其次，要在實體工廠的運行線路上進行 AI 整合，其代價與複雜度遠超乎想像。因為製造業的營運數據大多殘缺不全，或者被牢牢鎖在舊式產線設備，以及可程式化邏輯控制器（PLC）中，這些設備當初設計時根本沒有考慮過 AI 數據對接。
另一方面，許多製造業高層期待引進通用的水平型 AI 工具來解決複雜的工廠問題，但這往往會落入不切實際的預算陷阱。QAD 的 Champion AI 副總裁 Anam Rahman 以微軟的 Copilot 為例，說明如果 AI 轉型將由水平型平台來實現，那絕對不可能發生，因為這類水平型工具雖然價格較低，也容易用來建立一些簡單的基礎應用，但根本無法完整處理製造業整套複雜的工作流程。因此，如果企業希望特定工廠職務能夠節省 80% 至 90% 的時間，就必須採用高度垂直化、專門針對該特定角色與流程設計的專業工具。
除了軟硬體平台脫節，數據治理與員工腦袋中的隱性知識，也是阻礙 AI 產生財務價值的瓶頸。igus 執行長 Felix Brockmeyer 強調，在缺乏良好、結構化數據與數據治理的情況下購買 AI 工具，很難取得好成果，特別是當現有的製造知識與經驗，長期存在於資深員工的大腦中，且數據本身仍高度需要人類進行解讀，因此 AI 的效果便會大打折扣。
退一步來說，即便企業已經具備良好的數據基礎，也不代表 AI 專案就能順利開花結果。Epicor 產品暨創新長 Arturo Buzzalino 補充說明，數據「準備就緒」並不等於「執行力」，許多企業即便擁有強大的數據基礎，卻依然缺乏導入 AI 所需的工作習慣、流程與組織紀律，這才是 AI 難以產生實際價值的硬傷。
盲點三：只看 AI 使用量、不設損益責任，讓專案困在「試點煉獄」
最後，製造業 AI 專案正面臨高昂代價與極低成功率的雙重打擊。調查顯示，製造業 AI 專案停留在試點階段的比例高達 48%，遠高於跨產業平均的 34%。 此外，僅有 14% 的製造業主管表示 AI 加快了企業的創新速度，這項比例在其他產業中則高達 31%。
MIT 媒體實驗室（Project NANDA）在「GenAI Divide」研究中揭露更令人震驚的數據：在企業砸下高達 300 億至 400 億美元的 AI 支出後，最終竟然只有大約 5% 的整合試點真正為企業帶來實際價值。這些高達 48% 的製造業專案之所以會長期陷入「試點煉獄」而無法自拔，原因往往不是技術無法運作，而是因為沒有人對一項明確的損益（P&L）指標負責。在缺乏明確損益目標的情況下，一個試點專案既無法被判定為成功，也無法被定義為失敗，最終只能無止盡地拖延並消耗企業預算。
與此同時，許多企業開始陷入本末倒置的迷思。Fluke Corporation 產品長 Vineet Thuvara 透露，有些大型科技公司宣稱，員工的績效表現將根據他們所消耗的「AI Token 數量」進行衡量，這完全是為了 AI 而 AI 的盲目現象。Vineet Thuvara 也強調，在人機協作的時代裡，雖然團隊會使用 Claude 等工具來加速既有資訊的收集與協調，但問責制永遠在人類身上。
此外，製造業在 AI 的治理與風險管理上也存在致命缺口。在調查中，僅有 7% 的製造業主管表示公司已經測試過 AI 判斷出錯時的應變計畫，這項比例是所有受調查產業中最低的一個。 這也代表，許多已經在排程、品質控制或供應鏈決策中實施 AI 輔助的工廠，平日雖然會定期進行演習，卻從未針對 AI 軟體在生產線上判斷錯誤的場景進行演練，無形中將整個生產線暴露在極高的營運風險中。
未來，製造業若想縮小 AI 效率與財務回報的落差，關鍵在於改變採購與管理方式：先從已量化成本的痛點出發，明確設定廢料率、停機時間、庫存天數等指標，再審慎評估自建或外購，避免整合與維護成本侵蝕價值。同時，每項 AI 專案都應像資本支出一樣，設有投資門檻、責任主管、預期改善幅度與退場日期，才有機會讓 AI 走出試點、創造回報。
【推薦閱讀】
◆ 高雄市政府經濟發展局局長廖泰翔：讓 AI 應用從過去的單點案例，串連成產業網
◆ 飛彈裝上汽車晶片、火箭用上製藥設備：新一代軍工業為何跨界「借技術」？
◆ 供應鏈 AI 導入瓶頸不在技術，而在「決策權」：Deloitte 給主管的 5 個提醒
＊本文開放合作夥伴轉載，資料來源：《Forbes》、《Manufacturing.Net》，首圖來源：Unsplash
