品質不是報表，是流程裡的閘門

最近看企業系統和製造業 AI 的發展，有一個感覺越來越強：真正成熟的數位化，不是把品質資料做成更漂亮的報表，而是讓品質條件直接變成流程裡的閘門。

很多公司談品質，第一個畫面還是報表。今天不良率多少、哪一站異常、哪個批號被退、哪個供應商最近比較不穩。這些當然重要，沒有數據就沒有管理。但如果品質資訊只在事後被彙整、被追查、被拿來開檢討會，它其實還停留在「紀錄系統」的層次。

我這幾年在看 ERP、MES、倉儲、採購、生產流程時，越來越在意另一件事：品質資訊有沒有回到流程裡，成為下一步能不能發生的條件。

這個差異很大。

從事後文件，到流程條件

傳統做法常常是這樣：現場先把事情做完，資料補上去，品質單位再檢查，最後產生一份紀錄。出問題的時候，大家再回頭翻單據、查批號、對時間、找是哪個環節出錯。

這種模式不是沒用，它是很多工廠能運作到今天的基礎。但它有一個天然限制：系統知道問題時，通常已經太晚了。

如果原料檢驗未完成，採購收料能不能進下一步？如果某批半成品沒有通過指定檢驗，能不能被領到下一站？如果某個設備的校驗狀態過期，這張製令能不能報工？如果客戶要求的追溯條件沒有被滿足，出貨單能不能放行？

這些問題的答案，不能只靠報表提醒，也不能只靠現場主管記得。真正可靠的做法，是讓它變成系統流程的一部分：條件不滿足，流程就不能往前；條件滿足，才留下誰在什麼時間、依照什麼資料放行的紀錄。

這就是我說的「品質是閘門」。

現在很多人談製造業 AI，會先想到預測、排程、異常偵測、自然語言查詢。這些方向都合理，但我覺得最容易被低估的是：AI 會把原本只是「資訊」的東西，變成「建議」甚至「行動」。

以前系統只是顯示某個批號有風險，人還要自己判斷。未來 AI agent 可能會直接建議改派工、暫停領料、延後出貨、通知採購或要求補檢。這時候，如果底層流程沒有清楚的品質閘門，AI 只會變成一個很會講話但沒有邊界的助理。

它可能講得很有道理，但你很難回答幾個問題：

所以我不太相信「先把 AI 接上去再說」這種做法。AI 要進正式流程之前，企業要先把流程裡哪些地方是建議、哪些地方是決策、哪些地方是禁止繞過的閘門講清楚。

沒有這層設計，AI 只是在放大混亂。

講到流程閘門，很多人第一反應會是「那現場不就被卡死？」這個擔心很合理。製造現場不是教科書，缺料、急單、設備異常、客戶插單、資料晚補，都是日常。系統如果只會硬擋，最後一定會被繞過。

所以閘門設計的重點，不是把所有例外都消滅，而是讓例外有路可走。

我會把流程分成幾種層級：

第一種是絕對不能過的紅線，例如法規、客戶明確要求、重大安全風險。這種就不該用「主管自己知道」來處理，而要在系統上明確禁止。

第二種是可以例外，但必須留下理由與授權。例如檢驗結果尚未回來，但因為某些條件允許先做下一步，這時候可以有例外放行，但要有角色權限、原因、時間、影響範圍與後續追蹤。

第三種是提醒型條件，例如某個供應商近期波動較高，系統提示現場注意，但不一定阻擋流程。

這三種如果混在一起，系統會很難用；如果分得清楚，現場反而會更安心。因為大家知道哪些事情不能碰，哪些事情可以走例外，哪些只是提醒。

從技術主管角度看，品質閘門不是在表單上多加幾個 if else。它其實是一種產品能力。

規則要能被版本化。今天的放行條件和三個月後可能不同，如果未來出問題，不能只查到「當時通過」，還要知道「當時是依照哪一版規則通過」。

資料來源要可追溯。檢驗結果、設備狀態、批號關聯、供應商資料，如果來自不同系統，就要知道同步時間與可信程度。否則 AI 或流程引擎看到的只是一堆看似正確的欄位。

權限要跟流程語意綁在一起。不是某個人有管理員權限就什麼都能放行，而是不同閘門有不同角色、不同責任、不同審批方式。

例外要有生命週期。例外不是按一下「略過」就結束，它應該有後續補件、複驗、關閉、稽核與統計。例外累積多了，本身就是流程需要改善的訊號。

這些設計看起來不炫，但它們決定了 AI 能不能真的進入營運核心。

我越來越覺得，製造業的 AI 落地不會只靠模型能力勝出。真正的差距會出現在流程設計上：誰能把品質、追溯、權限、例外、稽核這些老問題，重新整理成可以被系統執行的規則。

報表讓人看見問題，閘門讓流程避免把問題帶到下一站。

前者是管理，後者才是系統能力。

如果 AI agent 未來要在 ERP、MES、SCM 裡負責更多工作，我們就不能只問它會不會回答問題，而要問：它站在哪一道閘門前？它能看見什麼資料？它能建議什麼？它不能越過什麼？

這些問題答清楚了，AI 才不是多一個漂亮的看板，而是企業流程裡真正可靠的一部分。