核心結論
初期不建議。模型先輸出預測區間、資料時間與缺失條件，再由業務或生管依物料、瓶頸、外包與服務等級確認緩衝，核准後才成為對客戶承諾日。至少完成四週影子試點，證明區間覆蓋、準時交付與改期率均達門檻，才能考慮自動帶入低風險報價。
執行摘要
核心觀察：經濟部報告指出，台灣中小製造業常面臨急單、插單、客製化與供應鏈資訊斷點，造成訂單達交率不佳。[1] 原始研究顯示，交期模型若在報價前資訊較少時預測，誤差可能明顯增加；加入在製品、瓶頸、產能與外包資訊後才更接近營運現況。[4] 另一項超過一千萬筆運輸紀錄的研究證明，模型可同時輸出延遲天數與不確定區間，但研究結果不能直接當成企業交付保證。[5] 行動建議：先做四週影子試點，只產生預測區間與風險旗標；由具名人員決定對客戶承諾日，並同步量準時交付率、改期率、急單率、區間覆蓋率與人工改判率。
單一日期掩蓋了不確定性
客戶問交期時，業務需要的是可以承諾的日期，模型提供的卻是根據現有資料估出的可能結果。兩者中間還有物料到貨、在製品、設備、人力、外包、插單與品質重工。經濟部報告指出，台灣中小製造業正因急單、客製化與跨廠資訊不足而難以掌握生產，造成達交率不佳。[1] 若這些變數沒有進系統，再快的預測也只是把舊猜法自動化。
NIST 的供應鏈 AI 工作坊同時列出資料品質、格式標準化、ERP／MES 整合、可解釋性、技能與信任等障礙。[2] 這提醒企業，交期系統不能只展示一個日期。至少要顯示可用資料時間、預測區間、主要風險、缺失條件與模型版本；如果關鍵物料、瓶頸產能或外包狀態未知，就應標示待確認，而不是自動把預測送給客戶。
報價越早，資訊通常越少
小批量製造的原始研究發現，在訂單確認或報價前只使用客戶訂單資料，模型誤差會上升；加入在製品、瓶頸範圍、外包流程與客戶期望日等領域資訊後才有所改善。[4] 研究情境只有兩家企業，不能當成所有工廠的固定精度，但它清楚指出：早期交期不是純粹的模型問題，而是當時能否取得足夠營運資訊的問題。
另一項針對製造型中小企業的研究，提出把人力與機台產能納入前置時間規劃，因為高度客製與勞力密集會增加變異，而中小企業未必具備複雜 ERP。[3] 實務上可以先建立最小資料集：訂單數量與工藝、BOM 缺料、各站在製品、瓶頸工時、可用人力、外包與供應商歷史。缺一項就記錄缺件，不讓模型用沉默掩蓋未知。
用區間支撐人工承諾
一項使用超過一千萬筆運輸紀錄的研究，同時預測是否延遲、延遲天數與校準後區間；延遲樣本的平均絕對誤差為 0.67 至 0.91 天。[5] 這是特定大型資料集與四個來源地的結果，不能直接承諾你的工廠也能達到同樣精度。可借用的設計原則是：交期預測應呈現可能範圍及覆蓋率，而不是只給一個看似確定的日期。
公司可把流程分成三層：模型先產生中位預測、保守區間與風險旗標；系統再依產品、客戶與服務等級加入明確緩衝；最後由業務或生管核准對外日期。若人工改判，必須選擇原因，例如已確認加班、供應商書面承諾或客戶接受分批。任何沒有證據的樂觀提前，都應被系統記錄並進入後續檢討。
四週影子試點再放行
先選一個訂單量足夠、工藝相對穩定的產品族，讓模型連續四週只做影子預測，不改變真實報價。每張單保存當時資料快照、預測區間、人工承諾日、改判理由與實際完工／交貨日。跨地區 ETA 研究顯示，模型換到新資料環境可能失準，僅少量當地資料調整仍不穩定。[6] 因此新工廠、產品或供應商都要視為重新校準。
驗收不要只看平均誤差。至少同時量報價回覆時間、承諾日至實際日誤差、準時交付率、承諾後改期率、急單或插單率、預測區間實際覆蓋率及人工改判率。若平均誤差下降，但延遲訂單仍常落在區間之外，系統還不能自動對外承諾。只有區間可靠、改期沒有增加且責任人能解釋改判後，才逐步放行低風險訂單。
關鍵要點
預測日不是承諾日：模型先輸出日期區間、風險與缺件；對外承諾仍須套用緩衝規則並由有權人員核准。
先接對資料：訂單、BOM、在製品、瓶頸、人機產能、外包與供應商準時紀錄，比單純增加模型複雜度更重要。
越早報價越不確定：詢價階段資料較少，系統應顯示區間與待確認條件，不用看似精確的單一日期掩蓋風險。
場域變動就重校準：新增產品、換供應商、設備維修、產能或路線改變後，舊模型誤差不能直接沿用。
效率與可靠度一起量：報價時間縮短只是前半段；準時交付率、承諾後改期率、急單率與人工改判率才決定成果。
參考來源
推動中小型製造業供應鏈導入AI應用加值計畫
經濟部工業局 · 2023-01-03
https://www.ida.gov.tw/ctlr?PRO=filepath.DownloadFile&f=executive&id=19363&t=fApplication of AI in Supply Chain Management
U.S. National Institute of Standards and Technology · 2026-01-06
https://nvlpubs.nist.gov/nistpubs/ams/NIST.AMS.100-75.pdfA Masterplan-based system for lead time prediction in SMEs
Production Engineering 原始研究 · 2026-01-19
https://link.springer.com/article/10.1007/s11740-025-01385-4Delivery time determination in small batch production
Journal of Intelligent Manufacturing 原始研究 · 2024-01-12
https://link.springer.com/article/10.1007/s10845-023-02290-2Uncertainty-Aware Delivery Delay Duration Prediction
arXiv 原始研究 · 2026-02-23
https://arxiv.org/abs/2602.20271ETA Prediction Under Domain Shift
Applied Sciences 原始研究 · 2026-09-06
https://www.mdpi.com/2076-3417/16/17/8861常見問題
Q：AI 算出的交期可以直接寫進報價單嗎？
A：初期不建議。模型先輸出預測區間、資料時間與缺失條件，再由業務或生管依物料、瓶頸、外包與服務等級確認緩衝，核准後才成為對客戶承諾日。至少完成四週影子試點，證明區間覆蓋、準時交付與改期率均達門檻，才能考慮自動帶入低風險報價。
Q：交期預測最少要準備哪些資料？
A：最小資料集包含訂單數量與工藝、BOM 缺料、各站在製品、瓶頸工時、可用機台與人力、外包狀態、供應商歷史準時紀錄、客戶期望日及實際完工／交貨日。先確認時間戳與訂單編號能串起來；缺少關鍵欄位時輸出待確認，不要用預設值假裝完整。
Q：為什麼不能只看平均絕對誤差？
A：平均值可能掩蓋少數但代價高的延遲訂單。除了平均絕對誤差，還要量準時交付率、承諾後改期率、急單率、延遲案件誤差，以及預測區間實際涵蓋結果的比例。若模型對多數普通訂單很準，卻經常漏掉缺料、設備故障或外包延遲，它仍不適合直接產生客戶承諾。
Q：換新產品或供應商後要重新訓練嗎？
A：至少要重新驗證與校準，是否重訓依結果決定。先把新場域資料跑過固定測試，檢查誤差、區間覆蓋與人工改判是否偏離原門檻；產品工藝、瓶頸、外包或供應商交貨型態若明顯不同，就建立新版本或分群模型。在通過前維持人工核准，不沿用舊精度承諾。
Q：四週試點怎樣才算可以正式上線？
A：成功必須同時改善速度與可靠度。企業先自訂門檻，確認報價回覆時間下降、預測區間涵蓋率達標、準時交付沒有惡化、承諾後改期與急單未增加，且每次人工改判都有可追溯理由。只要延遲案件持續落在區間外，或缺料資料無法取得，就繼續影子模式，不自動對外承諾。
由穹境科技 AI 情報系統生成 · 2026-10-12 · 資料來源見上方參考列表