《三禧思維》給製造業的啟發：決策品質，從資料與價值開始

 

前言｜我們為什麼重新思考「決策」這件事？

上週我們分享了一篇文章，談的是「如何用 AI 幫助製造業轉型？」（👉 還沒看的可以點這裡）。當時我們談了很多關於自動化、AI Agent、MOM 架構等技術應用，文章發佈後，我們也反思了一個問題：

         當我們說「AI 協助決策」，我們到底在描述什麼樣的「決策」？

過去，特別是製造業現場，決策常仰賴管理者的隱性經驗與直覺。但當 AI 進入企業流程，決策不再只是個人判斷，而是需要被拆解、被理解、被優化的過程。

帶著這樣的問題，我們讀了《Third Millennium Thinking: Creating Sense in a World of Nonsense》（中文版《三禧思維：亂世解決問題、活得更好的科學思考工具！》），意外地打開了更深一層的思考視角。這不是一本教你做選擇的書，而是一本幫助我們看懂「決策是如何形成」的工具書。它將決策分為三個核心維度，讓我們意識到：AI 的價值，不只在於資料處理，而是能否在這三個基礎上成為使用者的輔助。

接下來，我們將從這三個維度出發，探討如何避開決策陷阱，並分享鼎華的 APS 系統如何與決策對話，協助企業走向更有依據的智能決策。

 

 

---

一. 什麼是良好的決策？

在《Third Millennium Thinking》中，作者 Saul Perlmutter, John Campbell, Robert MacCoun 提出一個概念叫做「決策三角（The Decision Triangle）」，指出所有良好決策的背後，都必須同時滿足三項條件，分別為資訊來源的可靠性（Epistemic Validity）、價值觀的正當納入（Normative Integration）和決策權的正當性（Procedural Justice），由這三者所構成的「穩定結構」，一旦任一邊失衡做出的決策就容易變得偏頗、失真、甚至導致反效果。

這三個條件聽起來很抽象，但一旦放進製造業情境中，你會發現：這正是我們每天在工廠裡、在系統裡、在排程會議中不斷碰到的真實問題。

• 資訊來源的可靠性（Epistemic Validity）

你給 AI 的世界，是清晰還是扭曲的，將決定著我們決策的依據是否真實、完整、可靠？

《Third Millennium Thinking》書中指出，許多錯誤決策的根源，其實不是邏輯推錯了，而是「資料源頭就不對」。就像輸入一張模糊地圖，你當然無法走到正確的目的地。這對我們來說，完全說中了導入智慧工廠時的痛點。

舉例來說，在製造業場域，我們最常遇到的情境：

• 機台數據來自不同廠牌，格式與頻率無法對齊
  
• 良率與報廢紀錄靠人工補填，無法驗證正確性
  
• 系統分散，各自為政，資料存在但彼此不說話
  
• 沒有標準欄位、沒有時間戳記、沒有資料血緣（Data Lineage）
  

這些問題，看似有資料，實則不可靠，因為 AI 無法「自動判斷」和「修正」。我們的理解是：「再強大的推理模型，也無法從錯誤的前提推導出正確的結論。」

這正是我們在建構 APS 系統時特別重視的：不只是把資料接進來，更要確保資料的來源、結構與關聯性是可以信任的。

鼎華的 APS 系統，透過與 MES、QMS 等系統深度整合，確保每一筆資料都有上下文、有時間序、有標準格式。當我們讀取機台停機紀錄時，不只知道「停了多久」，還能同步取得當下負責人員、加工產品、生產批次與品質異常紀錄。這樣的資料，才是 AI 真正能「理解工廠現場」的基礎。

換句話說，我們做的不是讓 AI 更會算，而是讓它知道它在算什麼。

當 AI 有了正確的世界觀，它的建議才有可能可靠；而這個世界觀，就是由你給它的資料建構出來的。

• 價值觀的正當納入（Normative Integration）

第二個決策基礎要素是「Normative Integration」，中文譯作「價值觀的正當納入」。這個概念的重點在於：光有事實還不夠，決策還需要回應價值層面的選擇。

意思是，數據能告訴我們發生了什麼，但它沒辦法告訴我們應該怎麼選。舉例來說，APS 系統可能可以清楚告訴你哪條產線的效率最高、哪批原料使用率最理想，但當你必須在「最低成本」與「最穩定交期」之間做選擇時，AI 本身無法決定你的優先順序。這就是價值介入的時刻。

我們每天面對的排程、派工、訂單管理，其實都隱含許多價值判斷，例如：

• 要不要為 VIP 客戶插單？影響其他訂單是否可接受？
  
• 是否接受週末加班趕工？還是堅持工作時數上限？
  
• 優先支持自製零件還是外包加工？怎麼衡量內外部風險？
  

這些問題都不是「算出來的」，而是「談出來的」——必須透過多角色協商、條件權重調整、運營目標校準或是經驗中的道德直覺與實務考量，才能找出對企業當下最合適的答案。

這也是鼎華在設計 APS 系統時，強調「排程的彈性邏輯設定」的原因之一。我們讓使用者可以設定權重優先順序（交期、產能、換線、庫存等），讓系統能夠根據不同場景的價值偏好給出不同排程建議，而不是一套固定邏輯套到底。

更進一步，我們也將「排程假設條件」可視化，讓使用者不只是看到結果，而是理解「這個決策是基於什麼價值判斷」，並在有需要時，快速調整策略方向。

               隱性經驗是一種「非語言的價值納入機制」，AI 將它顯性化並分析，幫助你在價值選擇上定義。

我們相信，真正成熟的智慧決策，是能讓系統理解你的偏好，同時也讓人理解系統背後的邏輯，而不是被演算法綁架。

• 決策權的正當性（Procedural Justice）

第三個關鍵要素「Procedural Justice」，意即決策過程本身是否具備正當性與可被接受性。也就是說，決策不只是看「結果對不對」，更要看「誰做的、怎麼做的、能不能被理解與支持」，因為再好的建議，如果沒人接受，也只是空談。

你是否也遇到過這樣的情況？

• 系統排出了最佳化的排程，但現場主管不願配合調整
  
• 決策數據老闆看起來沒問題，但基層人員覺得「根本不符合現場實情」
  
• 系統改版後決策邏輯改變，卻沒通知生產人員，造成現場混亂甚至抗拒
  

這些狀況不是技術問題，而是「決策過程的正當性出問題」──人不清楚為什麼要這樣排、誰決定的、憑什麼這樣改變流程。

鼎華在設計 APS 系統時，始終強調「決策是協作的過程，不是單點的命令」。我們的系統不只要讓 AI 給出建議，更要讓使用者理解建議從哪裡來、怎麼來的、可不可以調整，並且保留「人」參與與覆核的空間。

為此，我們設計了以下幾個關鍵機制：

1. 決策過程可視化：每一筆派工建議、換線推薦，皆標註其依據條件與目標優先序，讓使用者能「看得懂邏輯」。
   
2. 排程版本記錄與追蹤：使用者可回溯不同版本的變更歷程，確保所有變動皆有紀錄、有討論依據。
   
3. 協作權限與審核流程：針對高風險調整（如急單插單、優先權變更），可透過審批流程與通知機制，多角色共同確認，避免「黑箱式 AI 決定」。
   
   

這樣的設計，是為了讓決策的過程具備「透明度」與「參與感」，讓 AI 的建議不祇是空談，而是被團隊接受與執行。否則，即使 AI 算得再準，沒有「共識」與「信任」，也只是紙上談兵。

 

二. 當決策三角一失衡，就會引發這三種錯誤

我們知道良好的決策就像一座穩固的三角架，需要資訊可靠性、價值觀納入、與決策程序的正當性三者同時支撐。同樣的，當這三個面向出現偏失、失衡或缺漏時，就可能導致三種常見但常被忽視的錯誤決策模式。

這三種錯誤模式，分別知識至上主義（Epistocracy）、極端自由主義（Hyper-Autonomy）和事實與價值錯亂（Category Collapse），這些錯誤模式不但真實存在，而且往往在數位轉型初期特別容易浮現，通常發生原因並非單純來自系統操作不當或人為疏失，而是出現在整體決策架構與文化中。當失衡嚴重時，會直接影響到企業落實數據驅動及 AI 決策的核心價值。

• 知識至上主義（Epistocracy）

  在公司裡，管理階級經常會依賴著一些掛著「專家」頭銜的人做決策，但真的比較好嗎？「由他們做決策」聽起來好像很合理，畢竟經驗豐富、擁有資料與工具的人，理當掌握更多資訊。但問題出在這種「只允許少數人參與」的架構，會逐漸排除多數人的理解與參與。

  許多製造業場域都有可能會遇到這樣的情況：

  • 排程邏輯由單一人員維護，其他人無從介入。
    
  • 系統參數複雜到只有IT部門懂，操作人員完全無法理解。
    
  • 數據分析結果封閉在主管的報表裡，決策理由無法對應到現場感受。
    
    
  長期下來，這會造成什麼問題？

  信任斷裂、現場抗拒、甚至產生「AI 是來管我的」的錯誤印象。原本設計來輔助決策的工具，反而成了權力集中與資訊壟斷的決策黑箱。

  為了解決這種「專家黑箱」，鼎華的 APS 導入AI Agent 設計重點之一，就是讓決策透明化、語意化、協作化。具體做法包含：

  1. 語意查詢介面：不需懂 SQL 或程式語法，只要輸入自然語言問題（如「這週哪條產線報廢率最高？」），AI 即可自動生成圖表與趨勢。
     
  2. 可視化決策邏輯：每個排程建議都可點選看「為什麼這樣排」、依據了哪些目標與限制條件，讓使用者不只是接收，而是理解。
     
  3. 多角色權限與協作介面：開放工程、品管、生產、業務等不同部門依自身角度參與調整，建立決策共識，而非少數人壟斷。
     
     

  我們都理解知識固然重要，但當知識變成權力的壟斷，那麼即使是正確的決策，也可能被質疑、被抵抗、甚至被無視。

• 極端自由主義（Hyper-Autonomy）

  當每個人都說他有答案的時候，經常會出現沒有共識的狀況，因為當決策過程過度去中心化，每個人都依自己的想法行動時，結果不是更靈活，而是更混亂。

  這種模式常見於反動於知識至上主義的文化下，員工開始質疑專家、排斥制度，強調「我自己最知道情況」，甚至認為「系統只是參考，我相信我自己的經驗比較準」。看似自主，實則決策失控、效率低落、資訊分裂。

  在隱性經驗吃重的製造業中，這種情況經常可以見到：

  • PC（Production Control）依自己的方式排程，不理會系統建議。
    
  • 不同單位各自記錄停機與報廢原因，格式與分類完全不同。
    
  • 系統導入後仍常聽到：「我們以前這樣做比較快啦」。
    
  • 員工用 LINE 或口頭討論處理生產異常，卻沒有記錄留下來。
    
    

  確實！這些做法或許短期看來能快速解決問題，但長期下來會導致什麼後果？ 資料無法統整、判斷依據失準、決策過程無跡可循，更別提讓 AI 提供有意義的建議——因為 AI 根本「不知道大家是根據什麼在做決定」。

  面對這樣的挑戰，鼎華在設計 APS 導入 AI 功能 時，特別重視三個方向：

  1. 資料結構統一與標準化：不論是停機紀錄、換線理由還是派工決策，每一筆都導入標準分類，讓資料具備整合基礎，避免「各自表述」。
     
  2. 知識模型與語意引擎：透過行業語義建模與知識圖譜，我們幫助 AI 理解現場語言，將「經驗」轉化為「可共享的規則與案例」。
     
  3. 自然語言查詢與決策協同介面：讓不同角色可以用自己的語言提問、參與、回饋，建構出橫跨部門的共識與行動依據。
     
     

  我們相信，自主不是壞事，但前提是「有共識的自主」，並在明確規則中被授權的選擇，若沒有共享的邏輯與資料基礎，自主只會讓每個人越走越遠，AI 也將無從協助你找回方向。

事實與價值錯亂（Category Collapse）

當科學被誤用，決策會走向極端

許多組織在「數據驅動決策」時最容易忽略的陷阱：事實與價值錯亂（Category Collapse）。也就是——搞不清楚什麼是事實、什麼是價值，結果不是讓科學承擔了道德判斷，就是用價值信念否定所有數據分析。

這種錯亂的兩個極端，在工廠裡都可能發生：

• 一種是「技術決定一切」：我們用系統算出最佳排程，效能最高、成本最低，就照這樣做，不必討論。這種邏輯忽略了價值層面，例如員工過勞、班表無法配合、品質風險增加等問題。
  
  
• 另一種則是「拒絕所有數據，只憑感覺決定」：不管系統怎麼分析、模型怎麼建議，有些人仍堅持「我覺得這樣比較穩」，完全排斥系統的協助，導致管理與現場割裂。
  
  

這樣的決策模式常見於導入 AI 的初期階段，原因很簡單——大家都把科學當作答案，卻沒意識到：科學提供的是依據，不是價值本身。

鼎華在系統設計中，深知這類混淆的風險。因此我們在 APS+AI 的應用邏輯裡，刻意設計出「事實與價值分離的使用機制」，包括：

1. 事實層：資料判斷與建議建構
   系統根據訂單、資源、產能與歷史紀錄，自動生成最適排程與預測風險。
   
   
2. 價值層：使用者調整與選擇
   使用者可以依據不同經營價值（如永續目標、加班政策、客戶等級）設定優先權與限制條件，讓 AI 的建議在「符合價值前提」下運作。
   
   
3. 可比對的多版本排程模擬
   我們允許多組條件同時運算，提供 A、B、C 三種排程版本，讓管理者理解不同價值選擇對決策的實際影響。
   
   

這樣的設計目的不是讓 AI 決定一切，而是讓管理者能清楚區分「這是資料說的」和「這是我選擇的」。

我們的理解是，錯的從來不是科學本身，而是我們沒有搞清楚：在做決策時，科學該扮演什麼角色，又不該越界到哪裡。當我們把技術分析當作價值判斷，或反過來用信念否定所有資料依據時，真正失衡的，不是系統、不是演算法，而是我們對科學與選擇之間界線的混淆。

這三種錯誤模式，讓我們更理解為何導入 AI 與智慧系統的過程，不只是技術升級，更是組織思維的重新校準。

 

三. 沒有結構化資料，就沒有可預測的運營

前面我們談了決策三角（The Decision Triangle）和三種錯誤決策模式，它們看似源自認知與文化，其實最終都會回到一個更根本的問題——資料能不能支撐決策？

這也是我們在導入：不論你導入多進階的 AI，沒有乾淨、完整、結構化的資料作為基礎，一切都只是推論的泡影。

鼎華的顧問在調研工廠現場時，也發現許多宣稱「我們已經數位化了」的企業經常會發生的狀況：

• 設備資料來自不同品牌，每秒更新一次的與每小時更新一次的混在一起
  
• 停機、報廢紀錄仍然靠紙本抄寫、下班後輸入，時間誤差高達數小時
  
• 良率統計雖有紀錄，但沒有標註對應工單、原料批號、操作人員，導致異常原因無從追溯
  
• 最致命的是各系統（MES、ERP、QMS）彼此未打通，資訊處於「孤島狀態」
  

這樣的資料，不僅無法餵給 AI 建模，連人都難以用來做出即時、可信的決策。

這就是為什麼我們在導入 APS 系統前，總是會先安排售前進行調研，並問客戶：「你們的資料，能被分析嗎？」鼎華一直強調，智慧製造不是從 AI 開始，而是從資料開始。具備結構化資料，代表每一筆訊息都有脈絡、有欄位、有時間、有關聯性——這是預測能力的根本。

舉例來說：

• 若機台停機紀錄能即時與生產單位、工單號碼、報廢紀錄連結，系統就能真正判斷出異常源頭
  
• 若換線記錄能與產品編號、加工順序、班次與稼動率一併分析，系統就能主動提供減少換線的排程策略
  
• 若品質異常能標註原料批號與供應商，企業就能快速進行回溯與預防
  

當資料先被收好、收對、收準了，就會形成結構化資料，就具備可信性和可預測。

 

四. APS 是 AI 決策的起跑線，更是智慧運營的核心基礎

當我們在談「AI 幫助決策」時，其實說的是一個流程，而不是單點技術。這個流程從資料收集、清洗、分析、預測，一直到形成有價值的行動建議，每一個環節都必須穩固銜接。若要讓這條路線順暢啟動，那麼第一步，就必須由 APS（Advanced Planning and Scheduling）系統來建立清晰可運算的運營模型。

我們經常說，APS 是智慧工廠的「排程中樞」──但更精準地說，它是 連接資料與決策的引擎。因為只有它，能將散落在 ERP、MES、QMS 等系統中的資料，轉化成「可被推論、可被選擇」的行動建議。

這些建議不是從空中生成的，而是基於企業真實的運營限制與策略邏輯，例如：

• 訂單交期 vs. 資源限制
  
• 生產成本 vs. 設備稼動率
  
• 班次人力 vs. 客戶等級
  
• 製程順序 vs. 換線次數
  

鼎華的 APS 系統，除了具備動態排程演算法、模擬優化能力，還設計了「排程條件組合 + 多版本模擬」機制，讓管理者可以根據不同場景需求，快速切換策略配置（例如：應對急單、原料短缺、或設備維修等情境）。

更重要的是，APS 不是獨立運作的單一系統，而是 MOM（Manufacturing Operations Management）架構中的核心節點──它承接 MES 的即時資料，也將排程輸出回到現場執行，形成決策的正向回饋。

當我們透過 AI 協助做決策，其實說的不是 AI 自己下判斷，而是 它能否站在一個正確、乾淨、邏輯清楚的資料起跑線上運作。而這條起跑線，就是 APS 所提供的決策環境。

如果沒有 APS，AI 再聰明，也只能看資料、做描述；有了 APS，AI 才能參與判斷、協助選擇，真正進入決策。

 

五. 我們如何協助工廠強化數據可靠性

從書本的理論，到工廠現場的落地，中間最大的挑戰，就是讓資料變得可信、決策變得可執行，而關於這一點，鼎華過去協助製造業數位轉型的過程中，有極深的體會。

我們服務過的許多企業，導入系統之初，往往都有一定的資料基礎，但實際運作時卻發現：

• 資料雖多，卻無法整合成結構邏輯
  
• 每個部門都有資料，但彼此格式與分類完全不同
  
• 系統之間資訊未串接，導致同一件事出現在三份報表上，卻說法不一
  

這不只是「資料品質問題」，而是整體資訊治理結構尚未準備好迎接 AI 決策的環境。

因此，鼎華的做法從來不是「直接導 AI 模型」，而是從源頭開始重建可靠性。以下是我們的三步驟策略：

1. 建立資料標準與語意結構

從工單編碼到製程分類，建立具備上下文的主資料架構，讓數據可以「彼此對話」，也讓系統能夠理解企業運營語境。

2. 串接即時訊號與系統資料

透過 MES、IoT 感測器與生產履歷系統整合，將機台稼動、停機異常、報廢原因、品質檢驗等資訊即時轉換為可運算的格式，餵入 APS 進行分析與推理。

3. 啟動語意查詢與多角色決策模擬

導入 AI Agent 與自然語言查詢功能，讓不同部門的人都能「用自己的語言問系統」，並透過多版本模擬排程，形成跨部門可討論、可驗證的決策基礎。

舉例來說，我們曾協助一家金屬加工廠，從過去報廢紀錄只寫「NG」三個字，轉化為標準化分類（如：進料尺寸誤差、刀具異常、夾治具滑移等），並將這些資料與排程、設備參數串接，讓 AI 不只看到異常，還能判斷出「異常發生在哪一段製程邏輯中」，並提出具體改善建議。

 

六. 總結｜當我們談決策，我們其實在談：信任、價值和參與

回到這次閱讀《Third Millennium Thinking》的初衷，我們其實不是在找一個新概念，而是試圖重新理解，當我們談決策時，我們其實在談信任、價值和參與，換言之，我們每天在工廠裡、會議室中、系統背後做出的決策，究竟是建立在什麼之上？

書中提出的「決策三角」——資訊來源的可靠性、價值觀的正當納入、決策權的正當性——不只是學術模型，更像是一面鏡子，照出我們在追求智慧製造與 AI 輔助決策過程中，經常忽略的根本問題。

我們常問：「AI 會不會取代人？」
但真正該問的是：「我們給 AI 的資料，能不能信任？我們在做決策時，有沒有納入不同價值？我們的流程，是否讓人能理解並參與？」

這三個問題，正對應著《Third Millennium Thinking 三禧思維》所揭示的三大要素：

• 資訊可靠性，解決「我能相信什麼」
  
• 價值納入，回答「什麼對我來說重要」
  
• 程序正當性，建立「這是我也參與的選擇」
  

鼎華相信，智慧製造不只是技術升級，更是一種讓資料更透明、讓決策更有邏輯、讓人更願意參與的文化轉變。APS、MES、QMS 這些系統不是目標，而是過程中必備的工具。AI Agent 也不是接管人類，而是協助我們在複雜環境中做出更有品質的判斷。

若要在這個數位轉型浪潮中站穩腳步，我們不只要快，更要準；不只要自動化，更要「思考的自覺」。

這篇文章不是結論，而是我們閱讀後的一次整理與對話邀請。如果你也正在思考如何提升決策品質、讓 AI 發揮真正價值，我們很樂意繼續分享，甚至一起設計屬於你工廠的智慧決策邏輯。

因為——真正能驅動未來的，不是工具，而是理解與選擇。

想讓 AI 成為你決策團隊的一員？從資料治理、流程可視化，到決策模擬與價值條件設定，鼎華提供的不只是技術，更是一套以「信任、價值、參與」為核心的智慧決策環境。

歡迎聯絡我們，一起打造讓 AI 真正發揮作用的決策基礎。