LOW-VOLUME HIGH-MIX MACHINING
少量多樣的救贖：AI 如何攤平打樣與小批量的編程成本
01少量多樣為什麼難賺？先看清成本結構
台灣 CNC 代工廠的日常，很少是「同一顆零件做一萬件」，而是「這週五張新圖，每張三到五件」。打樣、少量多樣、小批量加工看似單價喊得高，實際做起來卻常常不賺，關鍵在成本的組成方式和大量生產完全不同。
製造系統理論把一個訂單的成本拆成兩塊：一塊會隨產量等比放大的變動成本（材料、實際切削工時），另一塊是不論做幾件都要先付一次的固定準備成本（讀圖、建模、製程規劃、編程、備刀、首件試切與量測）[1]。大量生產時，這筆固定準備成本被幾百、幾千件均分，攤到每件上幾乎可以忽略；一旦批量掉到個位數，同一筆準備成本整包壓在寥寥幾件上，單件成本自然暴衝——這就是「小批量難賺」最底層的算式。
02批量越小，編程與備刀的占比越可怕
把上面的算式攤開來看更有感。假設一張中等複雜度的板件，讀圖、建模到寫完程式並試切完成要投入數小時的準備工時，這段時間不管你最後做 1 件還是 500 件都跑不掉。
| 批量情境 | 準備成本的攤銷方式 | 對單件成本的影響 |
|---|---|---|
| 大量生產（數百件以上） | 固定準備成本被大量分母均分 | 準備占比低，成本由切削與材料主導 |
| 小批量（數件到數十件） | 同一筆準備成本壓在極少分母 | 準備占比劇升，常成為單件成本主角 |
| 打樣（1～數件） | 幾乎無從攤銷 | 準備成本≈訂單成本，最容易做白工 |
換句話說，少量多樣的利潤戰場不在機台轉多快，而在「每接一張新圖，要重新付出多少準備成本」。這也解釋了一個常見的兩難：業務為了搶單把打樣價壓低，現場卻因為每張圖都要從頭準備而做到虧本；報價與可製造性判讀慢半天，訂單早已流向別家。關於報價這一段，另可參考〈報價慢一天、訂單少一張：AI 如何加速 CNC 估價〉。
03傳統對策：標準化與成組技術能走多遠
製造業對「準備成本攤不掉」這件事並非束手無策，最經典的解法就是成組技術（group technology, GT）。它的邏輯是：把幾何或製程相似的零件歸為一族，讓它們共用夾治具、刀具組合與製程規劃，等於用「族」這個更大的分母去攤薄準備成本，這是自動化與電腦整合製造領域的長期基礎方法[2]。
成組技術也是電腦輔助製程規劃（CAPP）的骨幹。變異式 CAPP 把新零件對應到既有零件族、沿用族的標準製程；生成式 CAPP 則試圖依規則自動產生製程——學界對 CAPP 的長期回顧指出，要讓製程規劃真正自動化、貼近現場，一直是難啃的課題，特別是零件變化大、規則難窮盡時[3]。
問題就在這裡：成組技術的紅利，前提是零件夠相似、可歸類。當訂單真的五花八門——這批是異形板件、下批是帶斜孔的座體、再下批又是全新結構——歸類本身就吃力，能共用的製程有限，準備成本又跑回每張圖自己扛。這正是「少量多樣」比「少量少樣」更難處理的核心：標準化能攤薄的是重複，而少量多樣的本質是不重複。
04AI 的切入點：攤平每張新圖的準備成本
如果傳統標準化的極限在「零件必須相似」，那 AI 的價值就落在補上另一半：即使每張圖都不一樣，也能自動化「從圖面到初版程式」這段最吃準備工時的流程。它不是取代成組技術，而是把成組技術攤不掉的那部分準備成本再往下壓。具體機制是四個接力的自動化階段：
| 準備階段 | 傳統做法 | AI 輔助後 |
|---|---|---|
| 讀圖 | 工程師人工判讀尺寸、孔位、牙孔與公差 | 辨識 DWG／PDF 上的標準加工特徵與標註，結構化擷取 |
| 建模 | 依 2D 圖人工重建 3D 模型，動輒數小時 | 依辨識結果自動生成 3D 模型，並由第二道 AI 把模型尺寸與原圖交叉比對、標出異常 |
| 初版程式 | 老師傅逐步選刀、排下刀順序寫 G-code | 依廠內刀具庫、控制器與行程／轉速上限草擬初版程式 |
| 模擬驗證 | 常要到試切甚至撞機才發現問題 | 上機前先做 3D 切削模擬，預覽路徑、過切與干涉 |
關鍵在於：這四段正是小批量裡「不論做幾件都跑不掉」的固定成本。把它們從數小時壓到明顯更短，等於直接改寫第 01、02 節那條算式的分子——準備成本一降，小批量與打樣的單件成本結構立刻鬆動，能接的單也變多。這也呼應製造系統理論的核心觀點：一套製造系統的競爭力，取決於它在成本、品質與彈性之間的取捨，而縮短準備、快速換線正是彈性的來源[1]。想了解投資回報怎麼估，可延伸閱讀〈中小加工廠導入 AI 划算嗎？成本、ROI 與試點清單〉；對 AI CNC 的整體定義，則見〈AI CNC 是什麼？完整解析〉。
05接單決策：用準備成本重新算這張單值不值得接
當準備成本被壓低，接單思維也該跟著換。過去很多廠對打樣與極小批量本能地拉高報價或婉拒，因為每張新圖的準備太貴、風險太高。一旦「圖面到初版程式」的準備時間顯著下降，決策的邊界就會外移：
- 報價更快、更敢報：讀圖與建模自動化後，可製造性與工時估算能更早給出，減少因回覆慢而流失的詢價。
- 接單下限往下走：原本因準備成本不划算而放掉的極小批量，攤平後有機會變成可接、甚至能養客戶關係的單。
- 把人力留給真正需要判斷的地方：師傅不再耗在重複讀圖建模，而是聚焦公差、基準與特殊工法——這也是把老師傅經驗放大、而非替換的用法。
- 打樣轉量產的銜接更順：打樣階段建立的模型與程式，量產時可直接沿用與微調，讓「先打樣再放量」的客戶更願意把後續訂單留下。
要提醒的是，AI 攤平準備成本不等於「什麼單都該接」。材料難削度、機台能力、交期與客戶付款條件仍是獨立判斷；AI 改變的是「準備成本」這一項在算盤上的權重，讓你能用更清楚的成本結構去談，而不是靠感覺喊價。
06打樣客戶端該準備什麼圖檔
攤平準備成本是雙向的：客戶（打樣端）給的圖檔品質，直接決定 AI 讀圖與後續人工覆核的快慢。想讓打樣交期最短、來回補件最少，建議這樣準備：
- 優先給 DWG 等原生電子圖檔：尺寸、孔位、牙孔皆為結構化資料，辨識最準；其次是清晰、可選取文字的 PDF。
- 非拍照不可時，拍好一點：正面、光線均勻、避免反光與透視變形，並讓每個標註清楚可讀——拍照屬輔助手段，通孔／盲孔仍需人工確認。
- 把關鍵資訊標清楚：重要公差、基準面、材質與熱處理需求一次講明，避免 AI 與師傅覆核時反覆猜測、來回問。
- 說明用途與批量意圖：先打樣幾件、後續是否放量，有助於製程與夾治具的規劃取捨，也讓報價更貼近真實情境。
圖面品質好，AI 的讀圖、建模與初版程式就能一次到位，人工只需覆核而非重做——準備成本自然壓得更低，這對打樣雙方都是雙贏。
07常見問題 FAQ
打樣和小批量訂單，用 AI 編程真的划算嗎？
小批量的成本痛點不在切削時間，而在每張新圖都要重複投入的讀圖、建模、編程、備刀與試切。AI 攤平的正是這段固定準備成本：準備時間占總工時的比重在小批量時遠高於大量生產，把它壓下來，等於直接改善小批量的毛利與可接單的下限。
AI 能直接把打樣件的 G-code 上機加工嗎？
不建議直接上機。AI 負責讀圖、建模、產出初版程式與切削模擬，快速把準備推到差最後一哩；但控制器方言、夾持、公差與基準仍需資深技師覆核簽核後再上機。打樣件沒有量產可攤銷試錯成本，上機前的模擬與尺寸交叉驗證反而更重要。
我們已經在做標準化與成組技術，還需要 AI 嗎？
兩者互補而非互斥。成組技術把相似零件歸類、共用製程與夾治具，能有效攤薄準備成本，但前提是零件夠相似；面對真正五花八門的少量多樣，歸類本身就吃力。AI 的價值在於即使每張圖都不一樣，也能自動化讀圖到初版程式這段，降低「無法歸類」那部分訂單的準備門檻。
打樣時我該提供什麼圖檔，AI 準備才最快？
優先提供 DWG 等原生電子圖檔，尺寸、孔位、牙孔皆為結構化資料，辨識最準；其次是清晰的 PDF。若只能拍照，請正面、光線均勻、避免反光與透視變形。同時標明關鍵公差、基準面與材質，讓 AI 與後續人工覆核一次到位，避免來回補件拖長打樣交期。
新文章與影片導讀上線時通知你——不塞爆信箱，一鍵取消訂閱。
READY FOR A CONTROLLED PILOT?
用一張真實打樣圖，量出你的準備成本能省多少
從圖面品質、機台控制器、刀具庫到接單決策，我們協助定義適合你廠內少量多樣的導入方式。
聯絡導入顧問 教育訓練課程08參考文獻
- Chryssolouris, G. (2006). Manufacturing Systems: Theory and Practice (2nd ed.). Springer.
- Groover, M. P. (2019). Automation, Production Systems, and Computer-Integrated Manufacturing (5th ed.). Pearson.
- Xu, X., Wang, L., & Newman, S. T. (2011). Computer-aided process planning — A critical review of recent developments and future trends. International Journal of Computer Integrated Manufacturing, 24(1), 1–31.