●圖1：製造業面對導入AI的轉型挑戰
近年來，人工智慧(AI)在全球範圍內掀起技術革新浪潮，台灣產業亦積極響應此趨勢。財團法人人工智慧科技基金會(AIF)自2022年起持續發布《台灣產業AI化大調查》報告，透過年度性的系統化觀察與趨勢剖析，為我們勾勒出台灣企業AI導入的實際樣貌與進程。從2022年的初步認知到2025年的聚焦落地，歷年來的調查報告提供寶貴的視角，清晰展現台灣產業在AI應用領域的認知提升、實踐挑戰與策略調整等多重變化。(見圖1)
在數位轉型的巨浪中，AI已不再是遙遠的未來，而是正在真實改變各行各業的關鍵力量。對於身處台灣製造業重要一環的印刷業而言，AI的應用或許曾被認為遙不可及，但透過這份跨年度的趨勢分析，我們將會發現，AI的落地應用其實比想像中更貼近我們的生產現場與營運需求。本文將就歷年報告中，將從經營、人才與技術等三個層面的為大家做簡單的數據解讀，並特別將製造業的數據做獨立的論述，以勾勒出台灣製造業在AI導入方面的獨特趨勢與挑戰。
壹、經營層面變化分析
經營層面涵蓋了企業對AI的戰略規劃、決策支持、投資考量以及管理模式的轉變。
一、2022年整體產業的變化：策略意識萌芽，部分企業先行
(一)報告指出「不少大型科技製造業也有極為突出的表現」，顯示部分領先企業在經營層面已將 AI 納入戰略。
(二)但同時，「中小企業對於AI的基本認識與導入方法仍然不太熟悉」，說明普遍企業在經營層面尚未形成明確的AI戰略。
(三)部分中型廠企業主提出「AI時代來臨，思維方向如果沒有辦法跟上，就等著被甩在後面」，甚至向同仁提出「如果不跟著轉型，還是要考慮退休或是辦理轉職？」這顯示部分經營者對AI應用的生存焦慮與戰略轉型決心，這暗示對AI投資的回收充滿未知，導致許多企業「望之卻步」。
二、2022年製造業的狀況：領先與落後兩極分化，高科技製造業引領整個台灣產業佈局AI，但傳統製造業仍對AI十分陌生
(一)由於2022年率先將AI納入戰略的企業就是大型製造業，並有部分業者可能已進行早期投資。然而，「許多企業望之卻步」也表明普遍傳統製造業經營者對AI投資持觀望態度，投資意願和風險承受度普遍不高。
(二)儘管已有四成的ICT產業已經進入相對成熟的“Ready AI”與“Scaling AI”，但傳統製造業卻能有近八成對AI依舊陌生。(見圖2)
●圖2：AI發展階段分群，在各產業分布狀況
三、2023年：台灣產業對AI的期望值普遍膨脹，但導入策略與落地應用面臨挑戰
(一)報告指出，企業普遍期待「AI 如何創造新價值？而工作的核心價值已經改變」，這顯示經營層面已開始關注 AI 對商業模式和價值鏈的潛在影響。
(二)然而，挑戰在於「從『知道AI』到『用AI』之間仍存在實踐鴻溝」，而且許多企業在「專案中需要付出的努力估計不足，導致專案容易以失敗作收」。這表明經營層面在制定AI策略時，可能過於樂觀，對於資源投入和執行難度判斷不足。專家也提醒「AI 仍然是一個策略議題，它並不完美，並非使用了之後就能夠立刻得到成果」，建議經營者需要「擁抱AI的缺陷」。
四、2023年傳統製造業狀況：意願與實際應用鴻溝，要是產業AI化真如魔法詠唱就好了，有些企業可能連如何詠唱都掌握不了
(一)生成式AI的興起，使得製造業經營者對於AI的「創造新價值」和「改變工作核心價值」，抱持有更高的期望。
(二)製造業AI 化的程度偏低並且進度偏慢，有超過半數企業回饋有使用生成式AI，但大多數是使用現成工具來提升個人生產力，導入營運流程的比例不足兩成。包括導入公司營運流程及個人/部門內使用。
(三)零售貿易服務業及製造業和政府等產業當中，有超過七成企業停留“ Unknowing AI”與“Conscious AI”階段，整體AI 化發展明顯較為緩慢。(見圖3)
●圖3-1：超過半數企業已經使用生成式AI工具
●圖3-2：2023年AI發展階段分群，在各產業的分布狀況
五、2024年(半導體產業專題)：戰略聚焦與生態協作
(一)在本次調查中，我們可以發現，半導體產業在推進AI化的過程中，內部仍然存在上、中、下游企業間的明顯差距，產業距離全面展開AI化仍然需要時間。要實現全面AI化，需要協力合作，找出適合的應用場景，並提供聚焦及實質性的資源與支持，以有效推動產業升級。
(二)釋放AI化的真正潛力，報告強調「需要產業界與政府協力合作」，這反映製造業經營層已意識到AI轉型是系統性工程，單打獨鬥難以成功，尋求外部協作和政府支持成為重要戰略。
六、2024年 傳統製造業的狀況 ：生成式AI隨然持續擴散，但在傳統工業的用處有限
(一)這波生成式AI的發展，是比較類似從過去所累積出來的知識生成全新的內容，「在傳統工業中的用處不大」。而從製造業的特性和生成式AI的技術原理來看，製造業需要掌握的數據，本來就不是真實世界的語言，所以並不是生成式AI使用大型基礎模型的強項。
(二)製造業需要蒐集的主要是與產品製造流程相關數據，用途是提高良率、降低成本及優化效率，影響所及，製造業的AI策略應更集中在組織內部，所以思考全新的AI 技術及軟體應用時，這就是必然的挑戰與限制。
七、2025年整體產業的趨勢：聚焦落地，變革管理為核心
(一)從報告指出AI導入「並非只是引進新工具或套用模型，更是一場牽涉到資料、流程、組織與治理的深層變革」。這顯示經營層面已認識到AI轉型不僅僅是技術問題，更是全面的企業管理和變革問題。
(二)對於「Unknowing AI」群組，報告建議「決策者需要建立對於AI的基礎認識，這可以透過課程或是顧問陪跑計劃，理解AI的潛在商業價值，也需要知道其風險」，這直接指出經營層在認知和風險評估上的不足，並提供了具體解決方案。
(三)對於「Hearing AI」群組，報告提到他們面臨「欠缺清晰的產業應用想像，導入方向不明確」和「缺乏明確推動計畫與執行節奏」，這都反映經營層在AI策略制定和執行層面的不足。
八、2025年傳統製造業的狀況：變革管理與決策者能力提升
(一)報告明確指出「AI的導入並非只是引進新工具或套用模型，更是一場牽涉到資料、流程、組織與治理的深層變革」。這表明製造業經營層，已認識到AI轉型需要全面變革管理能力。
(二)對於「Unknowing AI」群組的建議，「決策者需要建立對於AI的基礎認識，可以透過課程或是顧問陪跑計劃」，直接點出許多製造業經營者在AI認知和策略制定上的弱點及不足之處，並強調決策者自身的學習與提升是AI成功落地的關鍵。
(三)而「欠缺清晰的產業應用想像，導入方向不明確」和「缺乏明確的推動計畫與執行節奏」等挑戰，則反映部分製造業經營層在具體AI落地策略規劃和執行力上的不足。(見圖4)
●圖4-1：企業AI認知提升，傳統製造業及政府進步最多
●圖4-2：在經營層面變化2025年現況分析，缺乏長期策略，應用仍停留在工具應用層面
( 一)經營層面趨勢總結／ 從對AI的陌生與觀望，到對生成式AI的熱切關注，再到對AI落地實踐的理性與務實，經營層面逐步認識到AI導入的複雜性，並開始將其視為一場牽涉到資料、流程、組織與治理的全面性「深層變革」。決策者對於AI的認知深度和戰略規劃能力，成為企業能否成功轉型的關鍵。
( 二)製造經營層面總結／ 製造業經營層面從生存壓力的被動覺醒，發展到對AI潛力的膨脹期望與實際落地挑戰的矛盾，意識到生成式AI並不全然是用於傳統製造生產中，所以需要更趨向務實的應用場景選擇、強調全面的AI導入變革管理。
貳、人才層面變化分析
人才層面主要涵蓋了企業對AI專業人才的需求、培養、引進及員工的AI技能提升。人才瓶頸是製造業AI導入的普遍痛點，變化趨勢反映了從認知不足到重視培育的過程。
一、2022年整體產業的趨勢：基礎認知不足與內部適應挑戰
(一)報告中提到「中小企業對於AI的基本認識與導入方法仍然不太熟悉」，這直接反映了AI知識和技能在廣大企業員工中的普及度不高。
(二)整體人才層面對AI的理解程度平均為40.9分，除了ICT外，其他產業當中，四分之三以上企業皆低於25%的員工具備足夠的AI基本知識。顯示目前台灣各產業對於AI的理解尚不足，然而AI策略在內部推動成功與否，需建立在內部員工的基礎知識之上，不只是技術，經理人的管理思維都需要上下協同，建立共同的語言，才是關鍵所在。
二、2022年製造業的狀況：普遍技能不足與內部適應困難
(一)製造業將近九成的企業，AI知識在普遍員工中的普及率非常的低。(見圖5)
(二)對於中型廠「廠內員工年紀比較長，剛開始導入時真的很辛苦」，這反映了製造業現有員工在AI技能轉型和適應全新工作流程上的挑戰。
●圖5：2022年製造業員工，普遍不具備AI的知識
三、2023年產業狀況：人才問題隱含在「實踐鴻溝」中
(一)2023年整體企業員工對於AI的理解程度僅僅44分，仍然偏低，其中以ICT產業指數較高(49.8分)，但與2022年互相比較，指數並無提升。主要企業在AI的人才需求從「知道AI」轉換到「用AI」，所以依舊缺乏具備AI應用能力的員工。
(二)目前台灣企業對於AI 人才培訓資源的投入並不高(34.8 分)，超過半數的企業沒有提供AI人才培訓的資源。
四、2023年製造業的需求：企業普遍漠視人才的培育，多數並未提供相關資源
(一)有七成以上的製造業、政府機關、其他企業認為，內部具備足夠AI基本知識的員工不到25%。但是即使人才缺乏，製造業仍然有近七成的企業未提供AI人才培育的資源。
(二)相較於2022年，專業服務業分數大幅提升，顯示生成式AI的出現為產業帶來大幅的衝擊，但即便零售貿易服務業的衝擊如此這樣大，但是超過七成的企業仍舊沒有提供相關訓練資源；甚至AI化程度領先的ICT產業，也有超過四成(42.3%)企業未提供培訓資源。(見圖6)
●圖6-1：與2022年相較，指數並無提升太多
●圖6-2：製造業仍有近七成的企業未提供AI人才培育的資源
五、2024年(半導體產業專題)：行業上下游人才差距，上游產業在AI人才培訓的投入明顯較高
報告指出半導體產業「內部仍存在上、中、下游企業間的明顯差距」，這不僅僅是技術差距，也必然包含人才儲備和AI技能水平的差距。領先企業可能擁有大量AI專業人才，而其他企業仍在努力建構基礎人才團隊。
六、2024年傳統製造業的狀況：行業內部人才儲備不均
過往產業往往專注於特定環節優化，較少處理複雜的跨域整合，隨著AI技術逐漸滲透到各個產業環節，不應只著眼於特定技術的應用培訓，更要著重培養跨域溝通與整合的能力。關鍵在於建立符合企業特性的AI人才發展藍圖，並重視AI知識在組織內的有效傳承與擴散。(見圖7)
●圖7：透過人才培育才能為企業建立AI的能力
七、2025年：人才培育需與員工職涯發展連結
(一)調查顯示有將近五成企業尚未建立明確的AI人才發展策略，即使有策略，往往僅僅停留在提供相關課程，而未將AI技能培養與員工職涯發展連結。此外，儘管多數企業認為AI的導入提升了內部相關能力，但其長期效益仍然有待觀察。
(二)企業AI導入高度依賴外部供應商或現有工具(45.3%)，相較之下，選擇自行開發AI模型或調整開源模型的企業比例較低。顯示大多數企業在AI技術應用上仍然仰賴外部廠商，內部技術人才培育較為缺乏。
八、2025年製造業狀況：人才不足為智轉最大障礙，可借力政府資源來加速內部人才培育
(一)報告明確指出「技術基礎與 人才資源 尚未建構，導致行動力受限」，將人才不足列為AI落地的主要障礙之一。這表明人才瓶頸在2025年，已成為製造業AI轉型最關鍵的挑戰之一。
(二)報告提及「2025年有政策大力協助培育人工智慧人才」，顯示政府已經意識到問題並投入資源。然而，製造業仍然需要思考如何從「聽到 AI」、「看到 AI」到「用 AI」，這說明AI專業人才培育還需要考慮到實務應用能力、與製造業場景的結合，才能夠快速見效。(見圖8)
●圖8：僅停留在課程訓練，缺乏與員工職涯發展連結
( 一)人才層面趨勢總結／ 台灣產業在AI人才方面呈現，從普遍性認知不足，到意識到人才瓶頸是阻礙AI落地的重要因素，進而推動系統性的人才培育策略。不僅僅強調引進AI專業人才，更注重對現有員工進行AI知識普及和技能轉型，以縮短學用落差，政府政策在人才培育中的作用也日益凸顯。
( 二)人才層面總結／ 製造業人才層面從普遍的AI知識和技能不足，發展進而認識到人才匱乏是阻礙AI落地的關鍵瓶頸，並開始朝向政府與企業協力、多層次、跨領域的人才培育與員工再培訓方向發展，以期縮小實際應用中的人才鴻溝。
參、技術層面變化分析
技術層面主要關注到企業導入的AI技術類型、應用領域以及技術成熟度等。
一、2022年：技術導入以智慧製造的AI應用為主
(一)「ChatGPT的出現，代表著一個起點的來到」，這是2022年報告最關鍵的技術觀察，也預示著生成式AI，將成為未來幾年技術應用的熱點。
(二)AI在「不少大型科技製造業也有極為突出的表現」，從技術層面來看，應用AI的國內企業以機器學習(含深度學習)技術為主，最多使用在電腦視覺相關的應用場景，例如辨識、偵測、追蹤及分割等功能。
(三)但對於「中小企業對AI的基本認識與導入方法仍然不太熟悉」，這說明了普遍企業在技術應用上仍然處於初期階段，可能連基礎的數據分析或自動化都未能完全實現。
二、2022年：傳統AI應用先行，生成式AI萌芽
(一)從數據來看，超過半數的企業對於應用那些AI技術，還在評估規劃中，其他有導入AI的企業多應用包含傳統機器學習、電腦視覺及深度學習等技術，導入在如智慧製造、自動化品質檢測和預測性維護等方面應用。
(二)其中使用與生成式AI的相關技術，如自然語言處理、聊天機器人等技術領域的比例，也遠低於產業整體狀況。(見圖9)
●圖9：2022年各行業AI技術的應用領域
三、 2023年：生成式AI成為焦點，但應用仍是挑戰
(一)整體產業有近四成仍在規劃或沒有應用任何AI技術項目，而生成式AI的出現，提供企業全新的技術選擇。相較於去年使用的技術以機器學習(含深度學習)技術為主，並多使用在電腦視覺相關的應用場景，如辨識、偵測、追蹤與分割等功能上。
(二)2023年的前三大應用AI 技術領域為生成式AI、機器學習(Machine Learning)、電腦視覺(Computer Vision)等，這明顯展現企業應用面向受到趨勢影響。
四、2023年製造業狀況：傳統製造業在AI應用明顯落後
(一)製造業面對生成式AI的 技術新選項，對於導入應用於營運流程中或許還缺乏想像空間，所以製造業導入技術的前三名分別是機器學習、電腦視覺，最後才是生成式AI。
(二)另外沒有應用過任何AI技術的企業，於製造業的比例為60.5%，這個數據遠高過於整體37.2%的平均值，說明傳統製造業在AI的應用上已被拉開距離，表現遠遠落後。(見圖10)
●圖10：2023年各行業AI技術的應用領域
五、2024年(半導體產業專題)：技術應用多樣化與實用性考量
(一)在AI 技術領域的運用上，有超過四成企業仍處在規劃中或沒有應用任何AI 技術項目。而有應用AI的半導體企業中，前三名應用AI的技術領域分別為機器學習、電腦視覺與生成式AI，這與其他產業相同，但在先後排名上略有不同。
(二)半導體產業 對於生成式AI的使用率，並不如 台灣其他產業來得高，僅僅只有42.4%企業開始使用。但上游企業則呈現十分積極，有超過七成企業開始使用生成式AI，其中37.5%的企業將生成式AI導入公司營運流程中，另外有43.8%的企業已開始在個人或部門內使用，僅只有6.3%的企業仍在規劃階段。
六、2024年(半導體產業專題)製造業的狀況：對生成式AI使用抱持保守態度
(一)傳統製造業數據分析結果類似半導體產業，對生成式AI的使用率並不如整體產業般普及，「但傳統製造業往往是找不出將生成式AI導入營運流程，而非考慮生成式應用的合理性」。
(二)「AI雖然已成為主流，但要導入企業或應用場景的技術想像卻無法建立」，傳統製造業發現單一的AI工具應用，無法展現AI價值，於是在技術選擇與導入上變得更為務實和理性，強調技術解決實際問題的能力，而非盲目追逐熱門。(見圖11)
●圖11-1：企業曾將營運數據運用於哪些AI技術領域？
●圖11-2：企業是否開始使用生成式AI工具？
●圖11-3：對生成式AI使用抱持保守態度
七、2025年：技術落地是關鍵，強調與業務流程深度融合
(一)連續三年，技術是唯一逐年上升的面向，同時也是三個層面中分數最高。除了零售貿易服務業，2025年主要產業均在技術層面的表現更佳。ICT產業技術層面2025年創新高，突破50分，尤其內部資料使用和存取與AI運算資源已經成熟。
(二)台灣企業在AI 運算資源的部署上呈現多元化的趨勢，除了運用雲端外，約有兩成企業導入PC、平板、手機(21.5%)等裝置端AI。這個說明強調的本地端運算概念的「裝置端AI」，逐漸受到了重視。
八、2025年：技術深度融合與基礎設施需求
(一)製造業、政府機關、其他在使用AI 工具及技術表現有明顯成長，估計是受生成式AI 工具影響，能夠快速上手AI。
(二)傳統製造業面對資源有限、導入AI 面臨高門檻的條件下，「裝置端AI」是符合中小製造業需求的選項，不僅成本較低、部署彈性高，更能有效解決資訊安全與機敏資料的顧慮。
(三)企業依舊需要從流程重構、資料治理、人才整備等關鍵面向，系統性地規劃AI導入體系，讓AI成為製造業轉型的關鍵跳板。(見圖12)
●圖12：技術層面表現逐年上升，惟應用仍然受限
( 一)技術層面趨勢總結／ 台灣產業在AI技術應用方面呈現，從生成式AI引發廣泛關注，到技術應用趨於多樣化與務實化，並最終聚焦於技術如何與企業現有流程深度融合以實現「落地」。企業不再僅追求最新的AI技術，更注重其解決實際業務痛點的能力，並開始意識到技術部署需要強大的基礎設施支持。
( 二)技術層面總結／ 製造業的AI技術應用，可從初步的傳統AI 探索和對生成式AI的熱烈關注，進而發展到技術選擇的務實化、應用場景的多樣化，並最終聚焦於技術與業務流程的深度融合。這也促使製造業意識到，對強大技術基礎設施和專業技術整合能力的需求。
肆、綜合分析與總結
從2022年到2025年，台灣產業的AI化進程呈現出一個從 「點狀認知」向「線狀探索」，再向「面狀落地」的演變。
( 一)2022年是啟蒙期／ AI概念開始普及，但應用仍集中在少數領先企業，多數企業特別是中小企業，對AI的認知和導入能力相對不足。ChatGPT的出現為AI注入新的活力和想像空間。
( 二)2023年是熱議與挑戰期／ 生成式AI成為焦點，企業對AI的潛力充滿著期待，但實際導入過程中卻面臨著「實踐鴻溝」，發現AI轉型比想像中的複雜，需要更高的投入和耐心。
( 三)2024年是理性深化期(以半導體為鑑)／ 即使是領先產業也開始理性看待AI，強調技術的適用性，並認識到產業內部AI 化進程並不均勻，政府與產業間的協同合作重要性日益凸顯。
( 四)2025年是落地關鍵期／ 產業的重心完全轉向如何將AI 真正應用於企業營運，解決實際問題。報告開始提供細緻的「落地指引」，凸顯出數據治理、人才培養、決策層認知和跨部門協作在AI轉型中的關鍵作用。
整體而言，台灣產業對AI的認知深度和廣度不斷地提升，從單純的技術導入轉向更為全面的組織變革。AI導入的挑戰，也從最初的「不熟悉」轉變為「實踐鴻溝」，以及「技術與人才基礎尚未建構」。未來，台灣產業能否成功的應對AI浪潮，將取決於企業能否有效的縮短「認知差距」、克服「實踐鴻溝」，並將AI真正融入其核心業務流程，進而實現深層次的數位轉型。
伍、製造業面對的獨特挑戰
整體而言，台灣製造業在AI導入的2022～2025年間，經歷了從「零星點狀應用」到「全面戰略考量」的轉變。其中獨特之處在於下述幾點：
( 一)高度分化／ 大型科技製造業領先地位與廣大中小及傳統製造業的遲滯形成鮮明對比，AI指數、經營策略、人才儲備和技術應用水平存在巨大落差。
( 二)實體場景的複雜性／ 相較於服務業，製造業的AI應用更深入到實體生產線、設備、物料流等，這導致AI導入不僅是軟體問題，更是OT/IT整合、感測器部署、物理系統改造的複雜工程，加劇「實踐鴻溝」的挑戰。
( 三)數據基礎的薄弱／ 許多傳統製造業缺乏系統化的數據採集和治理能力，這成為AI模型訓練和部署的最大障礙。
( 四)複合型人才的稀缺／ 製造業不僅僅需要AI演算法專家，更需要懂得製造流程、設備運作的複合型AI工程師，而這類人才的供給則相對稀缺。
面對這些挑戰，台灣製造業的AI轉型之路，必然是一場長期而艱鉅的系統性工程，需要經營層的堅定決心、全面的數據治理、持續的人才培育、務實的技術選擇及內外部的緊密協作。
