《麻省理工科技評論》在 2026 年 10 月 27 日發布文章，開篇即描繪一個具體場景：一名資深操作員在換線後準備重啟生產線。機器設定固然要緊，但他同時要判斷該批次物料的實際表現、上一更發生過什麼事，以及某個看似微小的偏差是否值得停機檢查。
文章把這種由經驗累積而成的判斷力，連同生產數據與營運慣例，合稱為「工業智能」。其核心主張是：策略終點不是部署更多代理式人工智能，而是把製造商現有的營運知識轉化為盈利增長的引擎。
換線重啟的一刻，靠的是判斷而非手冊
《麻省理工科技評論》以換線後重啟生產線為例，指出程序文件只能描述步驟順序，成功執行卻取決於經驗累積的判斷。操作員要考慮物料在該批次的表現、上一更發生過什麼事，以及某個看似微小的偏差是否值得停機檢查。這些判斷不在手冊裡，卻直接決定重啟是否順利。
文章強調，機器設定只是其中一環。真正拉開差距的，是操作員對「這個偏差是否異常」的敏感度，而這種敏感度來自長期觀察與累積。換句話說，同一份程序，不同人執行可以得出完全不同的結果，差別就在判斷力。
這裡帶出一個反直覺的判斷：工業智能的瓶頸不在感測器數量，而在判斷力能否被記錄與傳遞。若企業只顧添置設備，卻任由老師傅的判斷留在個人腦袋裡，換線重啟的效率不會因為自動化而自動提升。
工業智能由三層知識疊成
文章把工業智能定義為四項要素的組合：製造商累積的專門知識、營運慣例、生產數據，以及對自身業務的理解。這四層知識疊在一起，才構成一家工廠有別於對手的營運能力。單靠其中一層，例如只買感測器收集數據，並不足以複製老師傅的判斷。
文章指出，部分知識有文件記錄，更多部分只存在於資深員工的腦袋裡。這種分佈決定了知識的可用範圍：寫下來的可以培訓，未寫下來的只能靠口耳相傳，一旦老師傅退休，判斷力便隨之流失。
文章明言，當專業知識只留在一個人、一個系統或一間廠房之內，其影響範圍便非常有限。這句話是整篇論述的槓桿點：工業智能的價值不在知識本身，而在知識能否從個人層面擴散至組織層面，成為可重複使用的資產。
目標不是更多代理，而是把知識變成增長引擎
《麻省理工科技評論》在 2026 年 10 月 27 日的文章寫得直接：策略終點不是更多代理式人工智能，而是把現有商業智能轉化為盈利增長的引擎。這句話值得反覆讀。代理數目可以買，引擎卻要自己裝。
文章強調，關鍵是讓智能在決策發生的每個環節都可得，並連接到實體生產世界。換線重啟時操作員要考慮物料批次表現、上一更狀況，這些判斷若只留在車間口耳相傳，智能就無法在決策點出現。
所以次序是先整理知識，再談工具接入。把老師傅「點解要調慢個泵」的理由寫成可傳遞的形態，代理才有東西可學。反過來，先買一堆代理而知識未整理，等於給引擎入錯油。
知識留在一個人身上，就是風險
文章指出，當專業知識只停留在單一員工、單一系統或單一廠房，其觸及範圍便有限。一位老師傅退休，帶走的不只是年資，還有幾十年來對某部機器脾性的判斷。這種流失不會出現在資產負債表，卻直接削弱產能。
領導者要把個人知識轉化為組織優勢。這一步涉及整理、標準化與跨廠房複製，難度往往高於購買軟件。整理要問對問題：哪些判斷重複出現、哪些偏差值得停機、哪些只憑手感。問錯了，寫下來的只是手冊。
反面意見也要聽：標準化可能扼殺老師傅的臨場彈性，過度文件化甚至令前線卻步。文章未提供實施細節，只點出方向。香港精密模具與食品加工廠會否跟隨，仍屬未知，但經驗斷層的壓力已擺在眼前。
工業智能的門檻不在感測器價格，而在整理知識的意願。文章把定義講得清楚，卻未交代如何量度回報。製造商若只增加代理數目而忽略知識形態，投資與產出之間仍會有一道裂縫。
對香港廠房而言，老師傅退休不是未來式，而是現在進行式。把判斷記錄下來、標準化、再跨廠房複製，這條路比買軟件慢，卻可能是唯一能把經驗留在公司的方法。
