废品报告开不出来？AI 把根因变成产线改善清单

从我最近辅导的几家中型印刷厂来看，大家嘴上都在喊"持续改善"，实际翻开品管会议记录，改善事项常常卡在两个地方：找不到真正的根因、改善建议写得太抽象。产线丢出来的废品照交到品保，品保交到主管，主管写一句"请现场加强注意"就结案。下个月同样的瑕疵再出现一次，没人觉得意外

这中间缺的不是态度，是一套让废品资料能被好好分类、追溯、转成行动的流程。AI 在这个场景真正的价值，不是什么自动侦测瑕疵的酷炫功能，而是把散落在 LINE 群组、相机存储卡、品保 Excel 里的废品信息拉成一条线，让每一次的赔钱都变成可被查询、可被积累的改善素材

我观察大陆中小印刷厂的日常，废品资料散落的地方通常比你想象的多：

・现场第一时间：机台旁边的手机拍照、LINE 群组回报

・品保记录：Excel 表、品保单、签核单

・后段加工：折页、装订、上光等委外或半成品区的退件照

・客诉端：业务转来的客户回报照、退货单

这些资料共同的问题是：格式乱、命名乱、夹带一堆与瑕疵无关的对话。没有整理过，根本没办法做后续分析。要让 AI 派上用场，第一步不是买工具，是把回报的 SOP 定出来

废品回报 SOP 要先长什么样？

我建议从最基本的字段开始定，不要一步到位搞得现场抗拒：

・废品照片：至少一张能看出问题全貌、一张能看出细节（建议手机内建尺子或硬币当比例参考）

・发生时间与机台编号：没有这两个字段，后面想做趋势分析会很痛苦

・当班领班与操作员：责任厘清与后续教育培训要用

・当下处理方式：报废、重工、退件，先记下来

・纸材与油墨批号：很多瑕疵是这两个变量在作怪

字段固定后，AI 才能稳定地把这些资料读进去、对齐格式、做后续分类。没有 SOP 就想导入 AI，会变成 AI 在迁就人的随性，最后谁都嫌难用

讲到 AI 影像分类，产线主管最常问我的是："它准不准？"我的回答是：用在废品分类这个场景，七到八成的可靠度就已经够用。原因很简单，我们要的不是 AI 给出最终判定，而是它能帮我们把几千张照片预先分桶，让品保人员只需要看其中一桶做复核

常见的废品类型，AI 处理起来相对单纯：

・色差：批次间的色彩偏移、与打样稿的差距

・套位：四色叠印时的偏移、双面印刷的对位

・纸张：纸粉、纸毛、皱褶、卷曲、尺寸误差

・刮花：干燥不足造成的背印刮伤、运输过程的擦痕

・脏污：飞墨、喷粉残留、手指印

・加工瑕疵：折线偏移、装订歪斜、上光不均

这几类的视觉特征明显，AI 模型的训练资料也相对好收集。比较吃力的是"客户说不要"这类主观期待造成的退件，这部分还是得靠人工记录与客户访谈

从分类到根因，中间还有一段路

分类只是标签，根因是"为什么会发生"。AI 在这个段落的价值，是把分类结果、工单资料、纸材批号、机台参数摊在同一张表上做交叉比对，让人一眼看出可能的方向：

・某台机台某个时段的废品率突然拉高

・某个纸材批号的废品集中在特定类型

・某位操作员的执勤时段，废品率与平均有显著差距

这类的关联分析，靠 Excel 拉透视表也能做到，但 AI 工具的优势是问法可以更接近自然语言，"帮我看 8 月份 B 机台第二班的色差废品，是不是集中在某个纸材批号"这种问句，不用先学复杂的函数

这是我认为最值得花时间的一段。资料分析得再漂亮，最后开出来的改善事项如果是"请操作员注意"、"请加强品保"，那这套系统就只是把无效的会议记录电子化而已

好的改善清单要符合几个特质：

・可指派：明确写给谁、做什么、什么时候完成

・可验证：完成后能用什么方式确认有效（例如：下周同机台同纸材的废品率低于 X%）

・可追溯：链接回原始的废品照片、工单、讨论记录

AI 在这个阶段能做的是"初稿生成"。把分类后的废品资料、根因推测、改善方向丢进去，AI 可以产出一份结构化的初版改善清单草案，包含建议指派的角色、可能的验证方式、相关的历史案例。品保主管再针对这份初稿做修订，比从空白页开始写要快得多

常见废品类型对应的典型改善方向

这边整理几个从客户现场归纳出来的对应表，给大家做参考：

・色差：检查色彩管理流程、重新校准机台、确认打样与印刷的标准光源一致

・套位：检查拉版定位、双面印刷对位装置、衬垫调整

・纸张：与纸商确认该批次的纸性变化、调整夹纸张力与除尘装置

・刮花：检查干燥系统与喷粉量、调整堆叠方式

・折线偏移：重新校准折页机、确认纸纹方向与折线设计

这些方向看起来都是基本功，但实务上很多厂的标准作业流程根本没写清楚，新人只能靠师傅口耳相传，品质自然起起伏伏

很多厂的产线训练停留在"师傅带着做"，遇到师傅请假或离职，新人就只能靠自己摸索。把积累下来的废品案例变成训练教材，是让改善经验不会随人离开的关键

我建议用三层结构来整理：

・第一层：案例库，按瑕疵类型分类，每个案例附照片、发生条件、根因、改善方式

・第二层：标准作业流程（SOP），把案例中可归纳出的标准动作写成 SOP，例如"换纸后第一次印刷的色差确认流程"

・第三层：测验与回训，用案例库的图当作随堂测试，确认新人能辨识瑕疵类型与对应处置

AI 在这个段落能帮忙的是教材初稿与测验题生成。把案例库的资料喂给 AI，它可以帮忙把单一案例改写成教学用的情境描述，并产出对应的选择题或问答题。教材的雏型出来后，再由资深师傅做润稿与补充现场细节

如果你想直接看现成的做法，麦思知识学院顾问团队整理过一份从废品回报、根因分析到训练教材的完整流程（麦思知识学院顾问团队），里面有实际导入的客户案例可以参考

辅导过几家厂导入这套流程后，我归纳出三个最常见的失败原因：

・现场抗拒填写：字段太多、太麻烦。解法是先用最少的字段跑三个月，再依实际需要逐步扩充

・没有专人负责：指派一个对的人长期运维，比买贵的 AI 工具更重要

・改善事项没有追踪机制：开完会就结案，等于没做。每项改善事项都要有追踪人与到期日

这三个坑都不是技术问题，都是管理问题。AI 工具再好，管不到人也是白搭

把废品资料当成资产，而不是丢进垃圾桶的照片，这是观念上最关键的转换。每一次的赔钱、每一次的退件，都是未来少犯一次错的成本

从我接触的客户来看，能把这套流程跑起来的厂，通常在六个月内就会看到几个明显的改变：废品分类会议的时间缩短、改善事项的可执行度提高、新人训练的成效变好。数字上的废品率下降反而是其次，因为那会受到订单结构、纸材品质、客户要求等多重因素影响

下一步，你可以从"定义废品回报字段"这件最小的事开始做。纸上谈兵永远跑不出来，先跑起来再优化

・废品率降不下来，问题往往不在现场，而是资料没有被好好分类与追溯

・AI 影像分类用在瑕疵分桶，七到八成的可靠度就足以提升品保效率

・改善清单要可指派、可验证、可追溯，否则只是把无效会议电子化

・废品案例库是新人训练教材的素材来源，让改善经验不会随人离开

・导入失败的主因是管理问题，不是工具问题：现场抗拒、没专人、没追踪

对印刷制造端来说，把废品资料结构化是数字化转型的第一步，也是最容易被忽略的一步。很多厂花大钱导入 ERP、MES，却忽略了最基本的现场数据治理。建议从纸质或 Excel 的废品回报表开始，先把字段与流程跑顺，再谈 AI 加值。对 AI 应用与 SaaS 厂商来说，印刷厂的废品管理是高度专业化的场景，通用型的影像分类模型不够用，必须深入理解印刷制程的术语与因果关系才能做出真正有用的产品。对设计端来说，了解厂内的常见废品类型与成因，可以帮助在文件准备阶段就避开容易出问题的设计，例如过细的套印、容易反印的满版深色，降低双方的退件沟通成本

（本文为麦思知识学院原创教学内容，引用之产业知识与实务做法均来自顾问团队第一手辅导经验）