以 2026 年來看，智慧製造已經不太適合再用「全面無人化」來解釋。對多數臺灣中小型射出廠而言，更實際的問題是：今天哪台機器在生產什麼？實際 Cycle Time 有沒有跑掉？急單插進來要排到哪台機器？出現客訴時，能不能查回當時使用的工單、模具與製程紀錄？

能把這些問題處理好，後面才有條件談 AI、預測維護或自動排程。

Author: Jush Li

1.1 臺灣塑膠製品產業現況（資料基準：2025 完整年度）

1.1.1 塑膠產業規模與結構

2026 年尚未結束，因此如果要看完整年度資料，現階段應以 2025 年資料作為最新基準，而不是拿早期年份直接當成目前市場規模。

依經濟部工業產銷存動態統計整理，2025 年臺灣塑膠製品製造業全年生產價值約為新臺幣 3,897 億元。其中，塑膠件、板及管材約 564 億元，塑膠膜袋約 639 億元，塑膠外殼及配件約 469 億元，其他塑膠製品約 2,225 億元。

這些分類不能直接拿來等同「射出成型產值」。原因是塑膠製品的加工方式很多，同一統計分類內也可能包含不同製程。因此，與其硬算射出成型占整體產業多少比例，更適合從實際應用來看。

射出零件大量出現在電子設備、汽車零組件、家電、醫療與檢測設備、運動器材、工業零件及民生用品中。產品種類分散，也使射出廠常面對多品項、少量多樣、頻繁換模與不同材料切換的生產型態。

圖 1.1-1：塑膠射出成型機台

1.1.2 射出成型市場正在改變什麼？

射出成型本身並不是新的製程，但接單方式正在改變。過去一副模具長時間固定在同一台機器大量生產的情況仍然存在，但越來越多工廠同時要處理少量多樣、試產、急單與不同批量的訂單。

對現場最大的影響不是「機器做不到」，而是排程變複雜了。同一台機器可能需要在不同產品、材料與模具之間切換，換模時間、材料準備、模具狀態與交期都要一起考慮。

這也是為什麼機台稼動率很高，不代表整體交付一定順利。若前後製程、模具、人員或物料沒有同步，機器開得再滿，現場仍可能一直在等料、換模或重新調整排程。

1.1.3 能源與碳管理要求

能源成本仍然是射出廠的重要支出。2026 年 3 月電價審議會決議本次電價不調整，目前平均電價維持每度 3.7823 元。不過，每一家工廠實際電費仍會受到用電種類、契約容量、時間電價及尖離峰用電方式影響。

因此，現場只看「這個月電費多少」已經不太夠。若能進一步知道哪台機器、哪個產品、哪段生產時間使用多少能源，才有機會把能源管理和生產排程放在一起看。

2026 年也是臺灣碳費正式進入實際申報繳費的一年。首波徵收對象為全廠直接排放加使用電力間接排放達每年 2.5 萬公噸 CO2e 以上的電力、燃氣供應業與製造業，並依 2025 年全年排放量於 2026 年辦理碳費申報與繳納。

1.1.4 CBAM 已進入正式期，但塑膠業要正確理解

歐盟碳邊境調整機制（CBAM）已於 2026 年 1 月 1 日進入正式階段。不過，目前直接納入 CBAM 的主要產業仍是水泥、鋼鐵、鋁、肥料、電力與氫等項目，塑膠射出製品目前並不是一般性的直接 CBAM 課徵類別。

對塑膠射出供應商比較實際的影響，反而來自客戶端。當品牌商、汽車供應鏈、電子產業或出口客戶開始建立產品碳資料時，上游材料與加工廠就可能需要提供原料、能源與生產活動資料。

換句話說，碳管理對射出廠目前比較像「供應鏈資料要求」，而不是所有工廠直接被課 CBAM。

1.1.5 政策方向從「數位化」走向「數位＋淨零」

2025 年經濟部已針對塑橡膠等傳統製造業推動 AI 試產線與數位轉型輔導。到了 2026 年，政策方向更明確把數位轉型與淨零轉型放在一起，包括設備自動化、能源管理系統、AIoT、製程改善與 AI 應用。

這個方向和工廠現場其實很接近。先讓設備資料進得來，再知道這筆資料屬於哪一張工單、哪一個產品，最後才有辦法拿資料去做品質、能源與排程分析。

1.2 射出成型面臨的五大痛點

射出廠的問題很少是單獨發生的。急單增加會影響換模與排程；換模增加後，調機與試模時間也會變多；生產條件不穩，又會回頭影響良率與交期。

圖 1.1-2：塑膠製造數位轉型

以前這些問題可以靠現場經驗個別處理，但當產品變多、交期縮短、客戶又要求更多追溯資料時，純靠人工整理的時間成本會越來越高。

1.3 智慧製造在射出成型產業的定義與導入價值

射出成型的智慧製造，不需要先從 AI 開始。對多數工廠而言，可以先把它理解成：讓設備、生產與管理資料進到同一套可追溯的流程裡。

例如射出機本身已經知道 Cycle Time、模次與運轉狀態，但機器不知道現在跑的是哪一張客戶工單。ERP 知道工單，卻不知道這一模到底是幾點生產的。MES 的工作，就是把兩邊接起來。

智慧製造不是把老師傅拿掉

射出成型有很多資訊不是單靠感測器就能判斷，例如模具剛維修過、這批原料流動性不同，或某個產品組裝後才會發現尺寸偏緊。

因此比較實際的做法，是把老師傅原本靠經驗判斷的條件逐步留下來，例如歷史 Cycle Time、成型條件、模具履歷與異常原因，讓下一次遇到相同產品時，有資料可以比較。

AI 應該放在資料之後

如果歷史資料裡連產品名稱、機台或工單都對不上，直接導入 AI 通常也很難得到可靠結果。

因此我們比較傾向先把資料結構整理好，再決定哪些問題適合使用演算法。例如排程條件很多時，可使用最佳化演算法先產生建議方案；累積足夠設備異常紀錄後，再評估預測性維護。

導入價值要用現場 KPI 判斷

智慧製造沒有固定的「導入後良率一定提升 5%～10%」或「人力一定減少 60%」。產品、設備與原本管理程度不同，改善幅度自然不同。

比較實際的方式，是在導入前先建立基準，再看導入後是否真的改善，例如：

• 人工排程原本需要多少時間？
• 急單插入後需要多久才能完成重排？
• 工單與機台生產區間能不能正確對應？
• 發生客訴時需要多久才能找到相關製程紀錄？
• 停機原因是否能被分類，而不是只知道機器沒開？
• 同一產品的 Cycle Time 是否能和歷史正常值比較？
• 每個產品或設備的能源使用是否開始可以被量化？

2026 年的智慧製造，更接近「數位＋淨零」一起做

現在設備聯網的用途已經不只為了 OEE。相同的設備與工單資料，也可以延伸到能源、碳排、品質與產品履歷。

對中小型射出廠來說，不一定要一次導入完整智慧工廠。先挑一台機器、一個產品或一段最常出問題的流程，把資料接通並確認能解決問題，再往其他機台擴充，通常更容易落地。