模具廠報價靠老闆的直覺——這件事該不該交給 AI，答案跟你想的不一樣

模具廠的報價是一門手藝。同一張圖，資深的人報出來跟新人報出來可能差三成，而且通常是資深的那個對。

因此「用 AI 來報價」聽起來非常合理：把過去幾百套模具的圖檔、工時與成本餵進去，讓模型學會估算。這個想法沒有錯，但在動手之前，有一個前置問題必須先回答。

先問：報價不準，是估錯還是資訊不足

把過去報價失準的案子攤開來看，誤差來源通常分成三類：

• 估算本身估錯　工序、工時、材料算得不準。
• 輸入資訊不完整　客戶給的圖沒標公差、沒說模穴數、沒講產品壽命要求。
• 過程中規格變更　報完價之後客戶改設計。

依現場觀察，第二類與第三類合計通常遠大於第一類。而 AI 報價模型優化的只有第一類。

這就是為什麼很多廠導入之後覺得「好像也沒省到什麼」——因為真正在流血的地方沒有被處理。

AI 在這個環節真正能幫上忙的地方

把問題重新定義之後，AI 的角色會變得清楚很多：

一、缺漏檢查，而不是價格預測。讓模型讀客戶的圖與詢價單，比對過去成交案件的資料完整度，指出「這張圖沒有標註公差等級」「沒有說明模穴數」。這是 AI 現在做得最穩的事——比對與缺漏偵測，不需要它做困難的判斷。

二、相似案件檢索。新的詢價進來，自動找出過去最相似的三套模具與其實際成本。決策仍由人做，但人手上的資訊變多了。這是典型的檢索應用，可靠度遠高於讓模型直接吐出一個價格。

三、變更影響試算。客戶改了某個尺寸，快速估算會影響哪些工序。這比從零報價簡單，因為基準已經存在。

為什麼不建議讓 AI 直接報價

技術上做得到，但有兩個現實問題。

第一，模具是低頻高值的生意。一年幾百套的資料量，對訓練一個可靠的價格預測模型來說偏少，而每一次估錯的代價都很高。

第二是責任歸屬。報價估錯造成的虧損，沒有人會接受「系統算的」這個答案。在責任無法轉移的環節，AI 應該扮演提供資訊的角色，不是做決定的角色。

這個原則與我們在企業代理可靠度一文中引述的研究方向一致：該研究指出，可靠度主要來自系統架構與獨立驗證，而非讓單一模型直接給出結論。

務實的起步順序

1. 先把過去三年的報價與實際成本對起來。很多廠這一步就卡住——報價在 Excel、實際工時在紙本、材料成本在會計系統，三邊對不起來。這件事不做，後面全部免談。
2. 統計誤差來源的比例。確認第一類（估算錯誤）到底佔多少。如果只佔兩成，就不該把資源放在報價模型上。
3. 從缺漏檢查開始做。成本低、見效快、不需要大量資料。

需要保留的懷疑

本文為顧問現場觀察的歸納，文中「第二類與第三類合計通常遠大於第一類」為質性判斷，非統計結果。各廠的客戶結構與接單型態差異極大，建議以自家過去案件實際統計為準。

常見問題

模具廠可以用 AI 直接產生報價嗎？

技術上可行，但不建議作為起點。兩個原因：一是模具屬低頻高值生意，一年數百套的資料量對訓練可靠的價格預測模型偏少，而每次估錯代價很高；二是責任無法轉移，報價失準造成的虧損不會因為「系統算的」而被接受。在這類環節，AI 適合提供資訊而非做決定。

那 AI 在模具報價流程中該做什麼？

三件事最實際：一是缺漏檢查，讀客戶圖面與詢價單並指出未標註的公差等級、模穴數等資訊；二是相似案件檢索，找出過去最相近的模具與其實際成本供人參考；三是變更影響試算，客戶改尺寸時快速估算受影響的工序。這三項都是比對與檢索，可靠度高於直接預測價格。

導入前一定要先做什麼？

把過去三年的報價與實際成本對起來。多數廠卡在這一步——報價在 Excel、實際工時在紙本、材料成本在會計系統，三邊對不上。接著統計報價誤差的來源比例，確認「估算本身估錯」究竟佔多少；如果只佔兩成，資源就不該放在報價模型上。

下一步

報價誤差來源的分解表與資料對齊檢核，我們整理在白皮書專區。