一流製造商不是用 AI 替代工人，而是與工人一起打造 AI。
三大關鍵原則，縮小高層樂觀期待與基層真實經驗之間的信任落差。
核心問題：高階主管對 AI 改造製造業樂觀，但一線員工卻充滿懷疑與不信任。超過四分之三的員工對訓練不滿意，不確定自己的職務將如何改變。
研究發現：埃森哲團隊透過 6 個產業、85 名一線員工的影片日誌，發現頂尖製造商並非把 AI 強加於員工，而是透過三大原則讓員工參與轉型過程。
三大原則：
① 降低不確定性 — 動態技能與任務盤點，讓員工參與形塑職務演變
② 真實情境訓練 — 在工作流程中學習，形成人機「共同學習」循環
③ 衡量協作績效 — 用人機協作的實際表現取代傳統訓練時數
一句話：未來工廠是「由 AI 賦能，而非由 AI 運行」—— 員工不是被取代的對象，而是定義學習曲線的關鍵角色。
研究檢視了澳洲、英國與美國 6 個產業、85 名第一線員工的影片日誌。結果顯示：各行各業的員工都對 AI 工具以及部署工具的組織深感不信任。
「隨著愈來愈多任務自動化，我們仍需負責哪些決策、又應在何時介入，很多時候都不太清楚。」 — 一線產線員工
「要我信任自己不了解的東西，真的很困難。這些系統有時並不太可靠。」 — 一線員工
「當 AI 工具在生產現場未達預期時，會讓人覺得問題出在我們身上。」 — 營運經理
高階主管自己也看不清楚 AI 將如何改變生產現場。洛克威爾自動化董事長 Blake Moret 指出：「複雜性是阻礙科技更迅速導入自動化的主要因素。」領導層的不確定感向下傳遞，員工只能自行解讀各種訊號與傳言。
頂尖製造商透過以下三大原則，縮小高層期待與員工經驗之間的落差：
Dynamic Skill and Task Mapping
員工最大的恐懼不是 AI 本身，而是不知道自己的工作將如何改變。他們聽到「關燈工廠」的傳言，擔心自己使用 AI 愈多，職位就愈可能被裁撤。
頂尖製造商的做法是：先把製造業職務拆解成員工完成的任務與做出的判斷，稱為「動態技能與任務盤點」。這不只是管理工具，更是讓隱含知識浮上檯面的過程——那些變通做法、捷徑、常識判斷，都是員工多年經驗的結晶。
• 拆解職務為任務 + 判斷，呈現「這份工作到底包含什麼」
• 充分納入員工意見與 AI 見解，找出技能需求如何演變
• 讓員工看見自己的專業如何形塑系統智慧
• 領導人也坦承自己還在摸索，降低單方面強加改變的感受
這家公司記錄操作人員在粉末顆粒化製程中憑經驗做出的各項調整，並將這些專業知識嵌入即時分析技術架構，用來預測品質並建議最佳設定值。
結果：團隊更一致地運用專家級判斷；操作人員的職務從人工調校，自然轉向監控、驗證與例外狀況管理。
Co-Learning in Real Workflows
目前多數訓練計畫把重點放在廣泛概念上，讓員工離開工作環境學習。但員工需要的是放在具體情境中的細節——在工作流程中學習。
排程人員必須學會與能持續調整排程的系統協作；品質工程師不再人工搜尋缺陷，而是驗證演算法提出的建議。更重要的是，員工在使用工具時會提出問題、持續探索，進一步要求工具支援更進階的工作，形成「共同學習」持續循環。
• 訓練內容立即派上用場，不是「以後可能用到」
• 主管可即時看出哪些環節停滯、錯誤增加、信心下滑
• 員工信任系統，因為他們參與形塑指引背後的邏輯
• AI 也從員工的使用與反饋中持續進化
這座工廠的廢棄量一直接近產業平均值的 2 倍。主管運用營運數位孿生的數據與簡單的機器學習見解，看出產線速度與調味設備的微小變化如何影響過量投料與產品損耗。
操作人員協助開發「最佳下一步行動」儀表板，開始用來預判何時應調整。數週內良率便提升，員工對儀表板的接受度也大幅提高。
Measure Real-World Human-AI Performance
傳統訓練指標——完成多少課程、累積多少時數——幾乎無法說明員工是否已準備好與 AI 有效協作。這些指標衡量的是接觸程度，而不是實做能力。
真正的考驗是：員工是否有信心且持續一致地使用新工具，以及生產現場的成果是否因此改變。
• 人類與 AI 交接的速度與準確度
• 處理例外狀況所需的時間
• 系統標示問題時，員工成功介入的頻率與品質
• 團隊是否能一貫地根據工具呈現的資訊採取行動
福特把輕量型 AI 輔助檢測工具嵌入日常生產流程，透過攝影機與行動裝置，支援操作人員即時辨識缺陷。
主管沒有把採用 AI 視為一次性里程碑，而是聚焦於能顯示員工與系統是否共同學習的營運訊號：問題偵測與處理速度、操作人員驗證或修正系統建議的頻率、團隊一致行動的能力。
隨著 AI 應用普及，尤其隨著 AI 代理系統的興起，工作的經濟邏輯正在改變。未來工廠將仰賴以下由軟體定義、以人為本、由人主導的關鍵職務：
維護自主代理與移動式機器人機群的穩定運行
監督數位孿生與異常偵測系統
監控規畫、維護與物流各環節品質
從被動填補缺口 → 主動預先規畫 AI 代理加入後的工作流
「向員工說明製造業的未來將由 AI 賦能（AI-enabled），而不是由 AI 運行（AI-run），這一點很重要。」 — 埃森哲研究團隊