廢品報告開不出來？AI 把根因變成產線改善清單

從我最近輔導的幾家中型印刷廠來看，大家嘴上都在喊「持續改善」，實際翻開品管會議記錄，改善事項常常卡在兩個地方：找不到真正的根因、改善建議寫得太抽象。產線丟出來的廢品照交到品保，品保交到主管，主管寫一句「請現場加強注意」就結案。下個月同樣的瑕疵再出現一次，沒人覺得意外

這中間缺的不是態度，是一套讓廢品資料能被好好分類、追溯、轉成行動的流程。AI 在這個場景真正的價值，不是什麼自動偵測瑕疵的酷炫功能，而是把散落在 LINE 群組、相機記憶卡、品保 Excel 裡的廢品資訊拉成一條線，讓每一次的賠錢都變成可被查詢、可被累積的改善素材

我觀察台灣中小印刷廠的日常，廢品資料散落的地方通常比你想得多：

・現場第一時間：機台旁邊的手機拍照、LINE 群組回報

・品保紀錄：Excel 表、品保單、簽核單

・後段加工：摺紙、裝訂、上光等委外或半成品區的退件照

・客訴端：業務轉來的客戶回報照、退貨單

這些資料共同的問題是：格式亂、命名亂、夾帶一堆與瑕疵無關的對話。沒有整理過，根本沒辦法做後續分析。要讓 AI 派上用場，第一步不是買工具，是把回報的 SOP 訂出來

廢品回報 SOP 要先長什麼樣？

我建議從最基本的欄位開始訂，不要一次到位搞得現場抗拒：

・廢品照片：至少一張能看出問題全貌、一張能看出細節（建議手機內建尺或硬幣當比例參考）

・發生時間與機台編號：沒有這兩個欄位，後面想做趨勢分析會很痛苦

・當班領班與操作員：責任釐清與後續教育訓練要用

・當下處理方式：報廢、重工、退件，先記下來

・紙材與油墨批號：很多瑕疵是這兩個變數在作怪

欄位固定後，AI 才能穩定地把這些資料讀進去、對齊格式、做後續分類。沒有 SOP 就想導入 AI，會變成 AI 在遷就人的隨性，最後誰都嫌難用

講到 AI 影像分類，產線主管最常問我的是：「它準不準？」我的回答是：用在廢品分類這個場景，七到八成的可靠度就已經夠用。原因很簡單，我們要的不是 AI 給出最終判定，而是它能幫我們把幾千張照片預先分桶，讓品保人員只需要看其中一桶做複核

常見的廢品類型，AI 處理起來相對單純：

・色差：批次間的色彩偏移、與打樣稿的差距

・套位：四色疊印時的偏移、雙面印刷的對位

・紙張：紙粉、紙毛、皺摺、捲曲、尺寸誤差

・刮花：乾燥不足造成的背印刮傷、運送過程的擦痕

・髒污：飛墨、噴粉殘留、手指印

・加工瑕疵：摺線偏移、裝訂歪斜、上光不均

這幾類的視覺特徵明顯，AI 模型的訓練資料也相對好蒐集。比較吃力的是「客戶說不要」這類主觀期待造成的退件，這部分還是得靠人工紀錄與客戶訪談

從分類到根因，中間還有一段路

分類只是標籤，根因是「為什麼會發生」。AI 在這個段落的價值，是把分類結果、工單資料、紙材批號、機台參數攤在同一張表上做交叉比對，讓人一眼看出可能的方向：

・某台機台某個時段的廢品率突然拉高

・某個紙材批號的廢品集中在特定類型

・某位操作員的值勤時段，廢品率與平均有顯著差距

這類的關聯分析，靠 Excel 拉樞紐分析也能做到，但 AI 工具的優勢是問法可以更接近自然語言，「幫我看 8 月份 B 機台第二班的色差廢品，是不是集中在某個紙材批號」這種問句，不用先學複雜的函數

這是我認為最值得花時間的一段。資料分析得再漂亮，最後開出來的改善事項如果是「請操作員注意」、「請加強品保」，那這套系統就只是把無效的會議記錄電子化而已

好的改善清單要符合幾個特質：

・可指派：明確寫給誰、做什麼、什麼時候完成

・可驗證：完成後能用什麼方式確認有效（例如：下週同機台同紙材的廢品率低於 X%）

・可追溯：連結回原始的廢品照片、工單、討論紀錄

AI 在這個階段能做的是「初稿生成」。把分類後的廢品資料、根因推測、改善方向丟進去，AI 可以產出一份結構化的初版改善清單草案，包含建議指派的角色、可能的驗證方式、相關的歷史案例。品保主管再針對這份初稿做修訂，比從空白頁開始寫要快得多

常見廢品類型對應的典型改善方向

這邊整理幾個從客戶現場歸納出來的對應表，給大家做參考：

・色差：檢查色彩管理流程、重新校準機台、確認打樣與印刷的標準光源一致

・套位：檢查拉版定位、雙面印刷對位裝置、襯墊調整

・紙張：與紙商確認該批次的紙性變化、調整夾紙張力與除塵裝置

・刮花：檢查乾燥系統與噴粉量、調整堆疊方式

・摺線偏移：重新校準摺紙機、確認紙紋方向與摺線設計

這些方向看起來都是基本功，但實務上很多廠的標準作業流程根本沒寫清楚，新人只能靠師傅口耳相傳，品質自然起起伏伏

很多廠的產線訓練停留在「師傅帶著做」，遇到師傅請假或離職，新人就只能靠自己摸索。把累積下來的廢品案例變成訓練教材，是讓改善經驗不會隨人離開的關鍵

我建議用三層結構來整理：

・第一層：案例庫，按瑕疵類型分類，每個案例附照片、發生條件、根因、改善方式

・第二層：標準作業流程（SOP），把案例中可歸納出的標準動作寫成 SOP，例如「換紙後第一次印刷的色差確認流程」

・第三層：測驗與回訓，用案例庫的圖當作隨堂測試，確認新人能辨識瑕疵類型與對應處置

AI 在這個段落能幫忙的是教材初稿與測驗題生成。把案例庫的資料餵給 AI，它可以幫忙把單一案例改寫成教學用的情境描述，並產出對應的選擇題或問答題。教材的雛型出來後，再由資深師傅做潤稿與補充現場眉角

如果你想直接看現成的做法，麥思知識學院顧問團隊整理過一份從廢品回報、根因分析到訓練教材的完整流程（麥思知識學院顧問團隊），裡面有實際導入的客戶案例可以參考

輔導過幾家廠導入這套流程後，我歸納出三個最常見的失敗原因：

・現場抗拒填寫：欄位太多、太麻煩。解法是先用最少的欄位跑三個月，再依實際需要逐步擴充

・沒有專人負責：指派一個對的人長期維運，比買貴的 AI 工具更重要

・改善事項沒有追蹤機制：開完會就結案，等於沒做。每項改善事項都要有追蹤人與到期日

這三個坑都不是技術問題，都是管理問題。AI 工具再好，管不到人也是白搭

把廢品資料當成資產，而不是丟進垃圾桶的照片，這是觀念上最關鍵的轉換。每一次的賠錢、每一次的退件，都是未來少犯一次錯的成本

從我接觸的客戶來看，能把這套流程跑起來的廠，通常在六個月內就會看到幾個明顯的改變：廢品分類會議的時間縮短、改善事項的可執行度提高、新人訓練的成效變好。數字上的廢品率下降反而是其次，因為那會受到訂單結構、紙材品質、客戶要求等多重因素影響

下一步，你可以從「定義廢品回報欄位」這件最小的事開始做。紙上談兵永遠跑不出來，先跑起來再優化

・廢品率降不下來，問題往往不在現場，而是資料沒有被好好分類與追溯

・AI 影像分類用在瑕疵分桶，七到八成的可靠度就足以提升品保效率

・改善清單要可指派、可驗證、可追溯，否則只是把無效會議電子化

・廢品案例庫是新人訓練教材的素材來源，讓改善經驗不會隨人離開

・導入失敗的主因是管理問題，不是工具問題：現場抗拒、沒專人、沒追蹤

對印刷製造端來說，把廢品資料結構化是數位轉型的第一步，也是最容易被忽略的一步。很多廠花大錢導入 ERP、MES，卻忽略了最基本的現場資料治理。建議從紙本或 Excel 的廢品回報表開始，先把欄位與流程跑順，再談 AI 加值。對 AI 應用與 SaaS 業者來說，印刷廠的廢品管理是高度專業化的場景，通用型的影像分類模型不夠用，必須深入理解印刷製程的術語與因果關係才能做出真正有用的產品。對設計端來說，了解廠內的常見廢品類型與成因，可以幫助在檔案準備階段就避開容易出包的設計，例如過細的套印、容易反印的滿版深色，降低雙方的退件溝通成本

（本文為麥思知識學院原創教學內容，引用之產業知識與實務做法均來自顧問團隊第一手輔導經驗）