先講結論：AI 在供應鏈上最值錢的用途，是把「非結構化的爛資料」變成「可以比較的表格」，不是幫你預測未來。 前者它做得又快又穩，後者它只是把你給的歷史數字重新排列，然後用非常有自信的語氣講出來——那兩件事的可靠度差非常多。
在製造業的供應鏈運作中，「採購」與「生管」往往承擔了最大的壓力。原物料買多會變成呆滯庫存，買少會導致產線斷線。更枯燥的是，每天要處理來自上百家供應商的報價單，而每一家的格式完・全・不・一・樣。有些是 PDF、有些是 Excel，甚至有些是用通訊軟體傳來的一張模糊截圖。
大語言模型真正解決的，就是這種「非結構化資料」的痛點。
先判斷：這套流程適不適合你
不是每一間工廠都值得做這件事。動手之前先對照下面兩張清單。
適合的情況
- 供應商數量多、格式雜：每個月要比對的報價單超過十幾份，而且來源格式五花八門。
- 資料本來就要重打一次：現在的流程是人工把數字騰打進 Excel 或 ERP。AI 取代的正是這道純勞力的工序。
- 決策仍然由人做：你要的是「整理好的比較表」，不是「AI 告訴你買哪一家」。
- 你有能力驗證結果：看到抽取出來的數字，你自己有辦法判斷合不合理。
我不建議的情況
- 供應商只有三五家、格式固定。 直接建一份 Excel 模板請對方填，比導入 AI 快也準。這種規模導入 AI 是為了做而做。
- 拿它直接產生正式採購決策。 它會給你一份看起來很專業的建議，但它不知道你跟那家供應商去年吵過什麼、也不知道哪家的品質記錄有問題。
- 拿它預測沒有規律可循的需求。 客戶下急單、地緣政治、疫情這類斷點，歷史資料裡沒有，AI 也算不出來。它只會給你一個平滑的曲線讓你安心。
- 用它處理你不敢外流的成本結構，而工具還沒經過公司核可。 報價與成本是最核心的商業機密，這件事的順序不能反過來。
第一招：一鍵統整亂七八糟的報價單
傳統的 ERP 系統很嚴格，你必須請供應商照著你們的格式填 Excel。但現實情況是，老師傅或小鐵工廠根本不理你。
現在，你可以用具備視覺與檔案分析能力的模型，從這些混亂的檔案中抽取資訊，對齊成你們公司需要的格式。
📌 實戰 Prompt：自動比對報價單
你是一位專業的跨國製造業採購主管。
我將上傳 3 份不同供應商傳來的報價單（分別為 PDF、Word 與照片 JPG）。
請讀完這三份報價單，提取以下統一資訊，整理成一個容易比較的 Markdown 表格：
1. 供應商名稱
2. 零組件型號（Part Number）
3. 單價
4. 最低訂購量（MOQ）
5. 交期（Lead Time），若有註記「有現貨」請特別標示
【嚴格限制】
- 幣別一律照原始文件標示，不要換算。若我需要換算，我會另外提供當日匯率，
不得自行假設匯率、也不得使用你記憶中的匯率。
- 檔案中沒有的欄位，填「N/A（請進一步詢問）」，不得推估或補齊。
- 每一筆數字請標註它出自哪一份文件的哪一段，方便我抽查。
最後，請根據「價格最優化」與「交期最快」給我兩種採購選擇的比較，
但不要替我下結論。最後那句「不要替我下結論」是刻意的。你要的是一張整理好的桌面，不是一個替你簽名的人。
這一招真正的效益在哪
省下的是「重新騰打數字」這段純勞力，讓採購人員把精力放在議價與關係經營上。但它同時新增了一道工序：抽查。所以效益不是無條件的，而是「重打 20 筆」換成「抽查 5 筆」的差額——供應商愈多、格式愈亂，這個差額才愈划算。這也是為什麼上一節要先判斷規模。
想讓輸出格式更穩定、能直接串進系統，可以延伸看 Structured Output 是什麼；上傳前的資料整理則可參考 AI 資料清洗怎麼做。
第二招：呆滯庫存分析與原物料預測
製造業的倉庫中總是有一些放了三年的零件沒人敢丟，這叫「呆滯庫存」。你可以把庫存的歷史清單餵給大語言模型，讓它幫你找出盲點。
📌 實戰 Prompt：庫存健康度檢查
我上傳了我們公司過去兩年的「每月零件消耗與進貨明細.xlsx」。
請以資深供應鏈分析師的角度執行以下分析：
1. 【呆滯風險】找出超過 12 個月未被領料、且庫存金額前五大的零件型號。
2. 【季節性】我們做冷氣機外殼。哪幾項零件的消耗量有明顯的夏季高峰？
3. 【安全庫存】依過去的消耗斜率，下個月這五種核心物料的安全庫存
建議設定多少？請一併說明你的計算方式與這個推估的前提假設。
【限制】所有結論都必須來自我上傳的檔案。
資料不足以支撐的部分，請直接說「資料不足」，不要推測。第 3 題最後那句「請說明計算方式與前提假設」不是客套。AI 給你一個安全庫存數字，你不知道它是怎麼算的，那個數字就沒有價值。 讓它把算式攤開，你才有辦法判斷它有沒有把去年那次異常訂單當成常態。
[!CAUTION] 小心商業機密外流。 上傳公司真實歷史資料前，一定要先去識別化：真實產品名稱換成代號（Product_A、Product_B），進貨成本以同比例縮放。更根本的做法是先確認公司對外部 AI 服務的規範——這是公司層級的決定，不是個人方便與否的問題。可先過一遍把資料丟進 ChatGPT 之前的檢核點。
第三招：整合外部情報，預防原料斷鏈
有些原料（如鋁錠、銅線）的價格與國際原物料市場息息相關。採購不再只能被動等報價，你可以使用 Perplexity 這類具備即時聯網功能的 AI 來掌握時事。
「我司大量使用高純度鋁錠作為原料。請幫我搜尋過去一週內，LME（倫敦金屬交易所）鋁價的走勢，每個數字都附上來源連結。此外，請整理目前是否有可能導致鋁錠供應鏈斷鏈的重大新聞（例如礦場罷工、主要出口國關稅政策變動），同樣附上來源。查不到就說查不到，不要用推估的數字填空。」
那兩句加粗的要求請不要省略。沒有連結的價格數字，在採購會議上一文不值——你不能拿一個查不到出處的鋁價去說服老闆提前備貨。關於模型為什麼會給出看似合理卻不存在的數字，可以看 AI 幻覺是什麼。
第四招：跨部門協作——讓採購、生管與業務共享情報
供應鏈管理最大的瓶頸往往不是技術，而是「資訊斷層」。業務接了急單，但沒告訴生管；生管排了產線，但採購還沒下料。
📌 實戰 Prompt：自動生成跨部門週報
我是製造業的供應鏈主管。
以下是本週的三份資料：
- 業務部的訂單預測表（下週到下個月）
- 生管部的產線排程表
- 採購部的原物料到貨狀態
請整合成一份「供應鏈週報」，包含：
1. 訂單 vs. 產能的差距分析（哪些訂單可能交不出來？）
2. 原物料到貨與產線需求的時間差（哪些料會來不及？）
3. 需要立即跨部門協調的事項，標出優先級
4. 下週的關鍵風險預警
【限制】三份資料互相矛盾的地方，請直接列出矛盾點，不要自行選一個版本。最後那句是這份 Prompt 的靈魂。三個部門的表對不起來，本來就是週報最該揭露的事——AI 若自己挑一個版本圓過去，你就失去了這份報表唯一的價值。
供應商交期的早期預警
比週報更值得做的，是讓 AI 幫你建立「交期延遲預警」。做法的骨架是：
- 每週把供應商的出貨通知彙整，讓 AI 比對採購訂單（PO）上的預定交期。
- 自動標記「已延遲」與「即將延遲」（例如距交期只剩三天但尚未通知出貨）的品項。
- 對同一家供應商連續延遲的情況，產出一封語氣專業、附上歷史延遲紀錄的催貨信草稿。
「用數據說話」的催貨方式通常比口頭催促有效，而這些延遲紀錄長期累積下來，也會成為年度供應商評鑑與議價時最有力的依據。但這套流程的價值來自於紀錄的完整性，不是來自 AI——如果你的出貨通知本來就散落在各個人的信箱裡，先把資料收攏，再談自動化。
想了解更多製造業 AI 應用，可以參考品質檢測與預防保養、跨國 B2B 行政與溝通，或延伸到倉儲預測與自動盤點。
導入前要準備什麼、常見的坑、怎麼驗收
導入前的準備
- 先確認公司對外部 AI 服務的規範。 報價與成本是最核心的機密，這件事要先問資安或主管，不是先問工具。
- 挑一個窄而痛的任務開始。 「報價單抽取成表格」比「供應鏈全面智慧化」務實得多。選題的判斷可參考第一個 AI 專案該挑什麼。
- 準備一份標準 Prompt 並統一版本。 每個人自己寫，等於每個人的限制條件都不同，品質無法比較。
- 先量一次現況。 現在處理一批報價單要花多久、出錯幾次。沒有基準線，之後就沒辦法判斷值不值得。
三個最常見的坑
- 坑一：抽出來的表格很漂亮，但單位錯了。 報價單上的「元」可能是台幣、人民幣或美元，「箱」可能是 100 入或 500 入。單價出錯不會讓表格變醜，只會讓你買貴。 抽查一定要看單位與幣別，不是只看數字。
- 坑二：把預測當成承諾。 安全庫存的建議值是統計外推，不是保證。它算不出你最大客戶下個月的併購案。
- 坑三：省下的時間沒有回到議價上。 如果騰打的時間省下來後只是被其他雜事填滿，那這件事的效益等於零。導入前就要想好省下的時間要拿去做什麼。
怎麼驗收（三個訊號）
- 抽查錯誤率穩定下降：每批固定抽查五筆，錯誤數逐週變少，代表 Prompt 與檔案品質都在收斂。
- 議價次數或幅度變化：這才是最終指標。時間省了但議價行為沒變，代表流程沒真的改變。
- 人願意繼續用：三個月後採購還在用，就是成功；偷偷退回手動 Excel，代表核對成本比省下的時間還高，該檢討的是流程不是人。回本怎麼算可參考中小企業用 AI 省錢。
❓ 常見問題
AI 能讀懂手寫報價單或模糊照片嗎？
印刷體的報價單照片通常辨識得不錯，但手寫且字跡潦草的辨識品質會明顯下降，模型也可能把看不清楚的數字「補」成一個合理的值。建議：照片拍清楚、光線充足，並且每一批都固定抽查幾筆比對原始文件，重點看金額、型號與單位。
上傳真實採購資料給 AI 安全嗎？
免費版工具的資料可能被用於改進模型，不建議上傳真實的供應商報價與成本。正確做法：使用公司已核可、且合約載明不用資料訓練的企業版；或在上傳前把金額按比例縮放、供應商名稱換成代號。這是公司層級的決定，不是個人自行判斷。
AI 能取代 ERP 系統嗎？
不能，也不應該。AI 的角色是「前處理」——把非結構化的報價單轉成結構化數據後再匯入 ERP。ERP 管理的是訂單、入庫、付款等有稽核軌跡的正式流程，這些仍需要系統化管理。AI 是 ERP 的強力前端，不是替代品。
AI 預測的安全庫存可以直接照著下單嗎？
不建議。它是根據你給的歷史消耗做的統計外推，不知道客戶的新產品計畫、也算不出突發的斷鏈事件。把它當成「重新檢視現有水位」的觸發點：AI 建議的數字跟你現在設的差很多時，值得回頭想想為什麼，而不是直接改參數。
小公司只有兩三個供應商，也需要導入嗎？
多半不需要。供應商少、格式固定的情況，直接建一份共用的 Excel 報價模板請對方填，成本更低也更準。AI 的優勢來自「格式雜、數量多」，這兩個條件都不成立時，導入只是增加一道核對工序。
📚 製造業 AI 轉型系列
- 🧭 製造業 AI 轉型指南（總覽）
- 🔍 視覺檢測與預防保養
- 📦 你在這裡 — 供應鏈預測與採購
- 🌐 跨國 B2B 行政與溝通