傳產不是不要 AI，而是不要再學一套 SaaS：AI-native service 才可能真的打進工廠
核心觀點
這篇 Threads 很值得記，因為它點出一個常被忽略的現實：
台灣傳產不是沒有問題，而是目前 AI 第一波浪潮幾乎沒在解他們的問題。
現在市場上大多數 AI 工具，主要在服務：
- 軟體開發者
- 知識工作者
- 消費市場
因為這些領域的流程本身就數位化：
- 問題容易定義
- 成果容易展示
- 產品容易 SaaS 化
但傳統製造業不是這樣。
傳產每天在面對的是什麼
作者列得很準，傳產老闆每天真正處理的通常是：
- 產線
- 人力
- 原物料
- 報關
- 交期
- 外銷訂單
這些問題有幾個共同特徵：
- 跨部門
- 高現場性
- 高例外處理比例
- 很多資訊不在同一套系統裡
- 很難用單一 dashboard 就看懂
所以傳產的痛點，和矽谷式「再給你一個好用工具」的產品邏輯，常常根本對不上。
為什麼很多數位轉型會失敗
Threads 裡提到一個很關鍵的數字：
- 91% 台灣中小企業說自己有在做數位轉型
- 但 70% 回報成效不到 5%
即使這個數字本身還需要回看來源，它所描述的現象其實很真實：
很多數位轉型失敗，不是執行差，而是一開始就問錯問題。
常見錯法是：
- 丟一套 SaaS
- 丟一套 ERP / BI / dashboard
- 要現場自己學、自己整合、自己改流程
- 最後責任都回到客戶身上
但傳產最缺的往往不是功能，而是：
有人真的幫他把事情做完。
傳產真正要的不是工具，而是結果
這篇最重要的一句話其實是：
傳產業要的不是 SaaS，而是一個 service。
也就是說，他們要的不是：
- 再一套平台
- 再一個登入頁
- 再一個還要訓練員工學會的新系統
他們要的是更直接的成果，例如：
- 幫我接到更多國外訂單
- 幫我把交期管理好
- 幫我減少人力浪費
- 幫我降低報價與出貨錯誤
- 幫我把資訊整合起來，讓我少花時間救火
這就是為什麼作者用 AI-native service 這個詞很準。
意思是： AI 不一定要以「賣軟體」的形式進來，而可以以「幫你把某段業務做掉」的形式進來。
這和 SaaS 有什麼本質差異
SaaS 思維
- 給你工具
- 你自己導入
- 你自己學
- 你自己改流程
AI-native service 思維
- 先深入現場
- 理解真實阻塞點
- 把模型、工具、人力、流程整合成服務
- 客戶買的是結果，不是軟體授權
對傳產來說，後者更合理，因為很多公司根本沒有餘裕承擔一次完整的系統導入風險。
留言補的那句也很重要：不是沒需求，而是不敢當第一個
留言裡提到一個很真實的觀察：
大家不是完全沒興趣，而是不想當第一個，也不想當最後一個。
這種心理在傳產非常常見。
因為中小企業通常：
- 資源有限
- 風險承受能力低
- 沒辦法隨便試錯
所以他們的 adoption 條件常常不是「這技術酷不酷」，而是：
- 有沒有同業成功案例
- 有沒有清楚 ROI
- 是否能 small step 進場
- 失敗代價高不高
這也意味著，AI 要打進傳產，光靠技術優勢不夠，還要能提供：
- 明確案例
- 低風險起步方案
- 可逐步放大的服務路徑
這篇真正的啟示：AI 新創正在從 horizontal tool 轉向 vertical service
作者最後提到現在 AI 新創圈開始 go vertical，這是很重要的趨勢。
因為第一波 AI 工具比較像 horizontal layer：
- 寫作
- coding
- meeting
- knowledge
- chatbot
但接下來要真的創造產業價值，很多團隊必須往更深處走：
- 進入特定產業
- 理解現場流程
- 不賣工具，改賣結果
- 從 generic AI 變成 industry-native AI service
而傳產，剛好就是這種模式最有空間、也最難啃的戰場之一。
結論
這篇值得記下來，不是因為它在抱怨傳產落後，而是它指出了一個很重要的產品判斷：
傳產的 AI 化，可能不會從更多 SaaS 開始，而會從更強的 AI-native service 開始。
真正有機會打進工廠的，不是再做一個讓老闆自己研究的工具，而是：
- 願意走進工廠
- 願意理解現場限制
- 願意承擔整合責任
- 願意直接對結果負責
只有這樣，傳產的數位轉型才不會又是一輪「買了系統，但什麼都沒變」的循環。