資訊化還沒做完就想做 AI 化——淨水設備廠的真實處境，以及哪些步驟真的可以跳

「資訊化目前還沒完整，現在想用 AI 一起加速資訊化和 AI 化。」

這句話出自一家南部淨水設備廠。我認為它精準描述了台灣多數傳產此刻的真實處境——而且比教科書上的「先資訊化、再數位化、最後 AI 化」誠實得多。

標準答案是照順序做。但現實是：沒有一家中小企業有餘裕先花兩年把資訊化做完，再開始想 AI。所以真正有用的問題不是「順序對不對」，而是哪些步驟真的可以跳，哪些跳過會出事。

名單品質：跳過會出事的那一類

這家工廠自己指出的核心問題是名單品質。這個判斷是對的，而且它正好是不能跳過的那一類。

淨水與軟水設備的商業模式，天生適合自動化經營：設備有安裝紀錄、濾芯有更換週期、樹脂有再生排程。理論上這是最漂亮的自動化場景——時間到了自動提醒、自動報價、自動排班。

但這整套的前提是名單裡有正確的安裝日期、機型、耗材規格、聯絡方式。實務上這些資料常見的狀況是：安裝日期只記在師傅的工作單上、機型寫了型號但沒寫濾芯規格、電話是換過的、同一個客戶因為換過通路而有兩三筆重複資料。

名單髒的時候導入自動化，效果是更快地把錯誤訊息發給錯的人。提醒錯機型的耗材、對已經解約的客戶催回購、同一個人收到三次同樣的訊息——這些不只是無效，而是實質損害商譽。這一步沒有捷徑。

好消息是，清名單這件事本身現在可以用 AI 加速：重複資料比對、地址正規化、從自由文字的工作單裡把機型與日期抽出來變成結構化欄位。這是「用 AI 做資訊化」的正確用法——不是跳過資訊化，是加速它。

可以跳過的部分

相對地，這些不必等資訊化完成：

• 內容與 SEO——不依賴內部資料，現在就能做，而且成效累積需要時間，越早開始越好。
• 詢價與客服的第一線回應——常見問題（水質、安裝條件、保固範圍）的答案在產品知識裡，不在客戶名單裡。
• 報價單與提案文件的產製——只要規格與價目表是清楚的，不需要等 CRM 完成。

判準很簡單：這件事需不需要用到「某一位特定客戶的正確資料」？需要的，就得先把資料整好；不需要的，現在就可以做。

地區長尾關鍵字：這個產業被低估的一塊

「高雄軟水系統」「屏東軟水系統」這類地區加產品的組合，是淨水設備業被低估的戰場。

原因在於這類產品的購買特性：高單價、需要到府勘查、依賴在地安裝與後續服務。這意味著搜尋「高雄軟水系統」的人，購買意圖遠高於搜尋「軟水系統推薦」的人——他已經確定要裝，正在找誰來裝。

這類關鍵字的搜尋量不會漂亮，可能一個月只有幾十次。但轉換率與全國性關鍵字完全不是同一個量級，而且競爭者少得多。對在地服務型產業，一頁做得好的地區頁，價值高於十篇泛泛的產品介紹。

要做對，內容必須真的在地：服務範圍涵蓋哪些行政區、當地水質特性（南部地區的水質硬度問題本身就是需求來源）、實際的安裝案例與工程照片、在地聯絡方式。把「高雄」兩個字換成「台南」就發第二篇，Google 會判定為重複內容，兩篇一起沉下去。

建議的順序

一、平行進行，但分清楚依賴關係。SEO 與內容現在就開始，因為它不依賴內部資料，而且需要時間發酵。名單清理同步進行，用 AI 加速。

二、名單清理當成資訊化的第一步，不是額外工作。清理過程中會逼你決定「哪些欄位是必要的」，那份欄位清單就是未來系統的規格。

三、自動化留到名單可信之後。這是唯一必須排在後面的。急著開自動化的成本，通常高於晚三個月開。

怎麼判斷自己在哪一階段

不必請顧問，用三個問題就能自我診斷：

1. 上個月的水質異常，你能在五分鐘內調出當時的完整參數嗎？不能，代表資料還沒進到可查詢的狀態。
2. 同一台設備的維修紀錄，在系統裡是連續的嗎？散在紙本工單與 LINE 群組，代表沒有可分析的歷史。
3. 如果今天要看「所有廠區某項參數的三個月趨勢」，要花多久？超過一小時，代表資料還沒串起來。

三題都能過，才適合開始談 AI。過不了的，先解決過不了的那一題，那件事本身就有價值——即使最後不做 AI。

那些真的可以跳過的部分

資訊化不必做到滿分才能開始。以下這些可以先跳：

• 全廠所有設備都要連線　先連跟第一個題目相關的那幾台。
• 歷史資料全部數位化　多數 AI 題目只需要近一到兩年的資料。
• 導入完整的 MES/ERP　那是另一個層級的工程，不是 AI 的前置條件。

常見問題

資訊化要做到什麼程度，才能開始做 AI？

用三個問題自我診斷：上個月的水質異常能否在五分鐘內調出完整參數？同一台設備的維修紀錄在系統裡是否連續？要看所有廠區某項參數的三個月趨勢需要多久？三題都能過才適合開始。過不了的先解決那一題——那件事本身就有價值，即使最後不做 AI。

哪些資訊化工作可以先跳過？

三類可以跳：全廠所有設備都連線（先連跟第一個題目相關的那幾台就好）、歷史資料全部數位化（多數 AI 題目只需要近一到兩年）、導入完整的 MES 或 ERP（那是另一個層級的工程，不是 AI 的前置條件）。資訊化不必做到滿分才能開始。

為什麼不能直接跳過資訊化做 AI？

因為沒有數位化的資料，就沒有東西可以檢索或分析。AI 不會從紙本工單裡讀出歷史趨勢，也無法從散落在 LINE 群組的訊息中重建設備維修史。這不是演算法問題而是資料問題，換更強的模型完全無法解決。

出處與延伸依據

本文為賴家榮的顧問現場觀察，非編譯外電，不含實測統計數字。不同廠區的設備世代與資料基礎差異很大，自我診斷的三個問題僅為一般性判準。

同樣的「資訊化先於 AI 化」結構，在工具機廠也成立，見本站老師傅經驗傳承一文。

延伸來源

以下為與本文論點相關、且經實際查閱確認的外部來源。標示為預印本者尚未經同儕審查，引用時請留意。

• NIST, "AI Risk Management Framework"（NIST AI 100-1，2023-01-26）：www.nist.gov
• Anthropic, "Economic Index report: Cadences"（2026-06-26）：www.anthropic.com
• Kernbach, "Closed-Loop LLM Co-Pilots for Digital Agriculture", arXiv:2608.09949（2026-07-09，預印本）：arxiv.org