AI進廠前傳：上一代工業互聯網平臺，為何紛紛折戟?

過去幾年，工業互聯網平臺曾是製造業數位轉型中最響亮的口號，大量資金與政策資源湧入，試圖為工廠裝上「智慧大腦」。然而，當浪潮退去，許多曾被寄予厚望的平臺卻黯然退場，留下的是對商業模式與技術落地之間巨大落差的反思。這一段被稱為「上一代」的工業互聯網探索，為何在AI大舉進廠之前，紛紛折戟沉沙？回頭看，這批工業互聯網平臺的興起，與消費互聯網的成功經驗密不可分。創業者與資本一度相信，只要把設備連上網、把數據匯集到雲端，就能複製出一個屬於製造業的「作業系統」，進而透過軟體訂閱、數據服務或生態抽成來獲利。

於是，各種以「賦能」為名的平臺如雨後春筍般出現，從設備監控、能源管理到生產排程，幾乎每個環節都有人嘗試打造通用型解決方案。問題首先出在「標準化」的幻覺上。消費互聯網的用戶行為高度一致，但工廠現場卻是極度碎片化的世界。不同行業、不同規模、甚至同一行業內不同年代的設備，其通訊協定、數據格式與生產邏輯都千差萬別。平臺業者若要真正讀懂數據，就必須為每一條產線進行大量的客製化開發，這不僅讓前期投入成本居高不下，也讓所謂的「平臺」淪為一個個無法複製的專案外包。沒有規模效應，就沒有邊際成本遞減，商業模式自然難以成立。更深層的困境在於，許多平臺從一開始就搞錯了服務對象。

工業互聯網的採購決策者往往是企業主或廠長，他們關心的不是數據可視化有多炫麗，而是能否直接降低不良率、提升設備稼動率或減少能耗。然而，早期平臺提供的多是「儀表板」式的監控工具，能讓管理者看到問題，卻無法自動解決問題。當數據分析無法轉化為明確的生產改善指令，這套系統在現場工人眼中就成了增加負擔的「額外表格」，最終被棄之不用。與此同時，數據價值的變現路徑也遠比想像中漫長。消費互聯網可以透過廣告或電商迅速將流量變現，但工廠數據的價值往往隱藏在漫長的供應鏈與工藝優化之中，需要長時間的累積與驗證。多數平臺在尚未累積出足夠的數據資產之前，就已耗盡了投資人的耐心。

加上製造業本身的利潤率普遍偏低，企業對於高昂的軟體訂閱費用極為敏感，這讓平臺的收費模式陷入兩難：收貴了沒人買單，收便宜了連維護成本都無法覆蓋。另一個被低估的障礙是組織內部的變革阻力。導入工業互聯網不只是技術專案，更是一場管理革命。它要求生產、IT、設備維護等部門打破壁壘，甚至可能動搖部分基層主管的權力結構。許多專案在技術驗證階段表現良好，但一到全面推廣就遭遇來自內部的消極抵抗。缺乏高層持續推動與績效考核的配合，這些系統最終只能淪為展示用的「樣板工程」，無法真正融入日常營運。值得注意的是，這一波失敗並非一無所獲。

那些存活下來的企業，多半放棄了「大而全」的平臺野心，轉而深耕特定行業的「小而美」解決方案。例如，專注於半導體或汽車零組件的設備聯網，或是聚焦於特定製程的品質預測。這種從「賣平臺」轉向「賣效果」的轉變，讓服務商必須直接對客戶的生產指標負責，反而建立了更穩固的信任關係與收費基礎。如今，AI的崛起為工業軟體帶來了新的想像空間。大型語言模型與生成式AI的出現，被認為有望解決過去工業互聯網最頭痛的「非標準化」難題。AI可以更快速地理解不同設備的數據語義，自動生成適配的演算法，甚至直接以自然語言與工程師對話，大幅降低使用門檻。這讓許多人相信，AI進廠的路徑，或許能繞過上一代平臺踩過的坑。

然而，歷史的教訓提醒我們，技術的進步並不能自動解決商業模式的根本矛盾。AI確實讓數據處理變得更聰明，但工廠現場的物理世界依然充滿變數，設備老化、人員流動、供應鏈波動等問題，並非單靠演算法就能抹平。上一代工業互聯網之所以折戟，關鍵在於它過度簡化了製造業的複雜性，而AI若只是把這套複雜性包裝得更華麗，恐怕仍會重蹈覆轍。真正的轉機，或許在於心態的轉變。過去我們總想把工廠變成「智慧體」，但更務實的做法，是讓AI先成為老師傅的「助手」。從解決單一痛點開始，逐步累積數據與信任，再擴大應用範圍。這條路走得慢，卻更紮實。

正如那些在廢墟中轉型成功的企業所示，工業數位化的本質，從來不是技術的堆疊，而是對製造現場深刻理解的耐心變現。