核心結論
至少要有訂單與交期、產品製程路徑、工時、機台與人員可用性、物料到料狀態、換線或換模時間、目前工單進度，以及品質或維護限制。每個欄位要有來源、更新頻率與缺值處理，不能讓 AI 自動猜測。
執行摘要
核心觀察：生產排程不是一次算完的甘特圖。政府計畫文件已把供應鏈資料串接、OEE 與 Lead Time 列為可查核項目；原始研究也顯示，急單、設備故障、缺料與未知型態的中斷，會讓靜態或只在既有情境中訓練的排程方法失準。[1][2][3] 行動建議：先建立事件驅動的重排流程，鎖住已開工與近期承諾，明列延遲、換線、加班、庫存與物流代價；AI 提方案，人員對高風險變更負責放行並留下原因。[4][5]
排程不是一次算完
一張看起來整齊的甘特圖，只描述某個時間點的假設。新訂單插入、原料未到、設備停機、人員缺席或品質重工一發生，原本的先後順序與產能承諾就會改變。Scientific Reports 的模擬研究也指出，靜態方法難以應付機故、急單與缺料；其整合模型在名目情境有較好數字，但尖峰期間仍出現 12.8% 的嚴重延遲，跨產業效率保留只有 67.9%。[2] 這些是模擬結果，不是導入保證，卻說明排程必須把失效條件一起設計。
經濟部產業發展署的 115 年度申請須知，要求製造供應鏈串接、AI 應用與可查核驗證，並把 OEE 和 Lead Time 列入查核點。[1] 對企業而言，真正的起點不是先買一套排程軟體，而是先確認訂單、物料、機台、工時、換線與進度資料能否在需要重排時被可靠取得。
重排先保護現場
滾動視窗研究顯示，設備故障與物料短缺會改變產線壅塞，間歇性供料也會擴大完工時間的波動；中斷甚至可能因重做與機台運轉時間增加而累積。[3] 因此每次重排前，應先鎖住不可任意移動的範圍：已開工工單、已領料批次、即將出貨承諾、法規或品質必要順序，以及需要長時間清潔或換模的工作。
接著才讓系統在可移動範圍內提出方案。每個方案都要顯示受影響訂單、延遲分鐘或天數、換線次數、加班、在製品與物料風險。現場主管不是替演算法背書，而是在看得見代價的前提下選擇可執行方案。
最佳解也要限制變動
歐洲作業研究期刊的研究把生產與運輸一起重排，並分別討論將變動放入成本、限制總變動與限制最大變動。[5] 這提醒中小型製造業：如果只最小化完工時間，系統可能頻繁改單、換線或改物流方式，數學上更快，現場卻更混亂。
可先設定一個簡單的多目標評分：準時交付、換線時間、加班、在製品、運輸費與排程變動各有明確權重，再加上不可違反的硬限制。權重不是永久答案，應由生管、現場、採購與業務用實際案例共同校正；每次人工覆寫也要留下原因，避免同樣例外反覆發生。
從建議模式開始
生產管理專家研究發現，受訪者較願意把低風險、低難度與短期任務交給 AI，並強調最終責任仍常保留在人。[4] 這項研究只有 13 位專家，不能代表所有產業；但它支持一個務實導入順序：先讓 AI 產生可比較的重排方案，不直接改寫正式排程，也不自動通知客戶。
Lead Measure 可追蹤必要資料新鮮度、限制條件完整率、事件到方案產生時間、人工覆寫率與覆寫原因完整率；Lag Measure 可追蹤準時交付、排程遵循率、換線損失、加班、在製品、重工與客戶承諾變更。這是穹境依來源提出的驗收架構，不是研究規定。當建議模式在真實中斷案例中穩定、可解釋且不增加現場負擔，再逐步放行低風險自動重排。
關鍵要點
先定義觸發事件：急單、缺料、停機、人力不足、品質異常與交期變更，各自要有資料來源與責任人。
保留凍結區間：已開工、已備料及近期承諾不能被模型任意移動，避免現場反覆換線。
把代價寫進目標：除準時率，也要計入換線、加班、重工、在製品、物流與排程變動。
未知中斷要降級：資料缺漏或情境超出驗證範圍時，退回保守規則或人工排程，不硬算最佳解。
每次覆寫都留原因：保存原建議、最終決定、影響工單、負責人與理由，才能改善規則與模型。
參考來源
智慧機械－產業聚落供應鏈數位串流暨 AI 應用申請須知
經濟部產業發展署 · 2026-08-27
https://www.ida.gov.tw/ctlr?PRO=executive.ExecutiveInfoView&id=17213Multi-modal data fusion and deep reinforcement learning for dynamic resource scheduling in intelligent manufacturing systems under variable market demand
Scientific Reports 原始研究 · 2026-06-01
https://www.nature.com/articles/s41598-026-55756-7A framework for dynamic rescheduling under disruptions and resource constraints
Systems and Control Transactions 原始研究 · 2026-06-12
https://psecommunity.org/LAPSE%3A2026.0452From human to machine: high-impact tasks for AI in production management – an expert study to reshape decision-making
Production Engineering 原始研究 · 2026-01-08
https://link.springer.com/article/10.1007/s11740-025-01416-0Integrated production and transportation rescheduling with type-dependent setup times and multiple shipping modes
European Journal of Operational Research 原始研究 · 2026-07-16
https://www.sciencedirect.com/science/article/pii/S0377221726000366常見問題
Q：中小型製造業導入 AI 排程前，要先準備哪些資料？
A：至少要有訂單與交期、產品製程路徑、工時、機台與人員可用性、物料到料狀態、換線或換模時間、目前工單進度，以及品質或維護限制。每個欄位要有來源、更新頻率與缺值處理，不能讓 AI 自動猜測。
Q：急單來了，系統應該立刻重排全部工作嗎？
A：不建議。先判斷急單是否真的影響關鍵路徑，再保護已開工、已領料與近期承諾的凍結區間。只在可移動範圍內提出方案，並顯示被延後的訂單、換線、加班與物流代價。
Q：AI 排程和一般 APS 有什麼差別？
A：APS 通常依明確限制與最佳化目標計算排程；AI 可用於需求預測、工時估計、事件辨識或學習派工策略。兩者可結合，但不論名稱為何，都必須說清楚輸入資料、硬限制、目標函數、失效條件與人工責任。
Q：如何判斷 AI 排程試點成功？
A：不要只看計算速度。先比較準時交付、排程遵循率、換線損失、加班、在製品、重工與人工重排時間，並檢查高風險變更是否都有人放行。若排程看似更快但現場頻繁改單，就不能算成功。
Q：資料不完整或遇到模型沒看過的中斷時怎麼辦？
A：系統應明確標示資料缺口與超出驗證範圍，停止自動放行，退回已核准的保守派工規則或人工排程。事後保存事件、處理方式與結果，再決定是否把這類情境納入下一輪驗證。
由穹境科技 AI 情報系統生成 · 2026-09-25 · 資料來源見上方參考列表