最近在 Forbes 看到 Richard Clough 寫了一篇關於「數位雙生」（Digital Twin）的文章，題目非常有趣：為什麼這東西以前失敗過，現在企業反而又重新搶著做？

這題目真的很適合管院老師拿來發揮。既然一台機器可以有數位雙生，一條產線也可以有數位雙生，一路往上推，一間工廠當然也可以。再繼續推下去，公司是不是也能搞個「企業雙生」？接著大家就會產生一個無比美好的幻想：在真正掏出真金白銀之前，先默默把公司丟進電腦裡面 run 一遍。要不要增加產能？模擬一下；供應商延遲兩週會怎樣？跑個數據；原物料價格暴漲？再試一次。甚至在準備讓 AI Agent 自己負責採購、排程與處理訂單之前，先讓它在虛擬世界裡撒野闖禍。反正出事搞爛的是虛擬平行時空的公司，總比半夜接到董事長抓狂電話好。

聽起來非常美好對吧？但我看到這裡第一時間想到的，卻是以前在某家大型製造業討論過的一個經驗。

當時大家雄心壯志想做的是：能不能把原物料價格變化建立成模型，讓公司提早預測價格，進而改善採購決策？這想法乍聽之下非常合理。如果我知道三個月後某項原物料要漲價，今天就可以多買一點；如果價格準備下跌，那就不要急著囤貨。採購成本占製造業成本那麼大一部分，這件事情只要預測準一點點，帶來的價值可能就很可觀。

結果問題很快就來了。原物料價格本身就是一個地獄級的預測難題，它受到全球需求、產能、庫存、匯率、能源成本、利率、政策、替代材料以及地緣政治事件影響，不同因素之間又會彼此作用。越往下做，搞到後來簡直像是在公司內部開闢一個小型世界經濟研究中心。那時我就開始懷疑：我們原本不是只想把採購做精準一點嗎？怎麼做著做著，看起來快要可以去申請諾貝爾經濟學獎了。

而且，這個懷疑一點也沒錯。2025 年 10 月世界銀行發布 Commodity Markets Outlook 時，預估 2026 年全球商品價格會再下降 7%。結果到了 2026 年 4 月，中東戰事造成新的能源與供給衝擊，世銀最新預測直接翻盤變成：2026 年全球商品價格將上漲 16%，其中能源價格預估上升 24%。這倒不能簡單解讀成世銀專家不會預測，真正有意思的是：模型可能做得很好，外部世界卻突然換了一張考卷。

所以，我後來越來越覺得，我們在聊數位雙生時，必須先把兩個經常混在一起的問題拆開。

第一個問題是：「三個月後，原物料價格會是多少？」這叫預測。

第二個問題是：「假設三個月後這項原物料漲價 15%，供應商交期同時延長十天，以目前手上的訂單、庫存、產能與排程，我們會發生什麼事？」這叫模擬。

兩者看似接近，實際上的難度天差地遠。前一個問題硬要我們去猜外面的世界；後一個問題則是先承認世界可能有很多種走法，再計算每一種走法殺進來之後，公司會怎麼反應。我現在反而覺得，後面這件事對大多數企業有用得多。

別管價格會不會漲，先問漲了以後我們會怎樣

假設我們乾脆承認，根本沒人真的知道三個月後的銅價是多少，那我們可以做另一件事。

我們可以設定幾組情境：價格上升 5%、15%、30%；交期增加一週或三週；主要供應商減少供貨；需求突然增加；甚至再把匯率波動放進去，接著讓模型在公司裡面 run 一遍。

現有安全庫存可以撐多久？哪些訂單會開始延遲？哪一條產線必須重新排程？採購金額增加多少？現金會卡在哪裡？業務手上的哪些客戶承諾會出問題？如果現在先買，庫存成本是多少；如果不買，缺料風險又是多少？走到這裡，我們其實已經從「預測世界」跨足到「測試公司」，這件事情我覺得重要得多。

而且從技術定義來看，這裡也應該稍微喊一下煞車。NIST（美國國家標準與技術研究院）對製造業數位雙生的描述，強調的是一個與實體系統「持續同步」的虛擬模型，可以用來描述、診斷、預測與改善實際系統。單純拿 Excel 建一個「原料漲 15%」的 what-if 模型，比較接近情境模擬；要等到這個模型開始持續對接 ERP、MES、庫存、訂單與設備資料，並隨著真實狀況即時更新，才逐漸接近嚴格意義下的數位雙生。

不過講白了，這個名稱根本沒那麼重要。如果一個看起來很陽春的 Excel 表格可以幫公司把一年做二十次、每次做錯代價都很高的決策做好，我寧可先要那個陽春的 Excel。3D 工廠模型晚一點再蓋完全沒關係。

學術研究其實比廠商的簡報保守得多

我特地翻了一篇近年的學術研究，結果很有意思。2025 年一篇發表在《Production Engineering》的研究提出一套製造業數位雙生的開發步驟，第一步竟然非常的……樸實無華：先精確定義這個數位雙生到底要解決什麼問題。接下來才是定義需求、建立模型、產生測試版本、驗證，然後反覆修正。

而且研究者自己做的個案也沒有一路順風。他們曾經試圖使用更複雜的多物理量模擬（Multi-physics simulation）來預測設備溫度變化，結果模型依然沒有辦法滿足實際限制，最後還得乖乖回頭修改機器的自動控制設計。換句話說，連針對一台機器、一個非常明確的問題，都可能搞半天還搞不定。

所以如果有人第一次開會就雄心勃勃地宣稱：「我們要建立整間公司的 Digital Twin。」我大概會忍不住先問一句：我們可不可以先從比較不容易受傷的地方開始？

另一篇同樣在 2025 年發表的研究更直接，它乾脆設計了一套評估方法，用「可能產生的價值」和「導入需要付出的代價」來挑選數位雙生應用，而且作者特別指出，這種做法對中小企業尤其重要。原因也很直觀：企業在一開始通常連這個應用最後值多少錢、會花多少錢都還算不清楚，資料品質也經常還沒準備好。這跟我原本的直覺非常接近——與其問「我們可以模擬多少炫砲的東西」，我更想知道：這個決策如果做錯，到底有多貴？

數位雙生最麻煩的是生出來之後還要持續養

還有一件事情，過去談數位雙生時常常被低估：模型不是蓋好就結束了。

工廠會變、設備會換、工程師會調參數、維修人員會換零件、產品會換線，流程甚至可能只是因為一個老師傅覺得「今天這樣跑比較順」，就跟昨天不太一樣。

一篇針對鋼鐵業實際數位雙生系統做了 18 個月追蹤的研究就碰過這個問題。研究人員發現，操作員修改參數、維修設備或更換零件，都可能讓實體設備和原本模型產生落差，結果系統開始頻繁發出假警報。為了解決問題，數位雙生必須不斷跟維修紀錄及其他系統交換資料，而且設備狀態改變之後還要重新校準。模型做越完整，維護的複雜度也隨之飙升。另一個 2025 年的研究甚至發現，機器和感測器逐漸磨損之後，模型的預測能力會隨時間下降，因此必須定期重新訓練。

所以數位雙生真正昂貴的部分，往往出現在出生之後，你還得一直養它。

這也讓我想到 Reddit 上一群 PLC 工程師對數位雙生的討論。這些留言當然不能當成學術證據，但很適合拿來了解工廠第一線人員到底在抱怨什麼。有人認為 Digital Twin 現在仍然是一個被過度使用的熱門術語（buzzword），真正完整的系統又貴又難維護；也有人說，只要真的有明確用途，它其實非常有價值，例如虛擬試車、SCADA 與 PLC 控制測試、批次排程或設備健康監控。甚至有一位網友分享，同一條包裝線可以拆分成不同的小型 twin，分別處理能源、維修以及製程改善，根本沒有必要強迫把所有問題塞進一個巨大的模型裡。

其中一則留言還開玩笑說，照這樣下去，大概還要幫當初建立數位雙生的工程師也做一個「數位雙生」，免得他離職之後沒有人知道那套東西到底怎麼維護。這個笑話其實非常精準，因為技術最後還是要回到組織與人的問題。

我反而很欣賞 Pringles 的做法：先複製那坨麵糰

所以這次查資料時，我特別喜歡品客（Pringles）的個案。

他們的數位轉型做法並沒有一開始就高調宣布要建立一個「全球洋芋片企業雙生」，而是先處理一個非常具體的東西：麵糰。

品客的產品品質很吃原料狀況，溫度、濕度、蛋白質等條件改變，都可能影響麵糰以及後續製程。因此母公司 Kellanova 與 Siemens 建立了麵糰的數位模型，搭配工廠資料與 AI，協助操作人員調整製程條件。Siemens 公布的結果是產能增加約 10%、廢棄物減少 13%、能源使用降低 7%。雖然這些數字來自供應商本身，還是要把它視為業者公布的成效，不能直接當成獨立研究結果；但是這個個案的問題設定，我覺得非常漂亮。

它選的是一個邊界清楚、資料拿得到、結果可以量化、而且改善之後真的會改變現場行動的問題。這就是我認為中小企業最值得參考的地方。

反過來看百事可樂（PepsiCo）在 2026 年宣布與 Siemens、NVIDIA 合作，已經進到更大規模的工廠與倉儲數位雙生，把設備、輸送路徑與作業配置放進模擬環境中，用 AI Agent 測試不同配置。PepsiCo 公布的初期結果包括吞吐量提高 20%、資本支出降低約 10% 到 15%。同樣地，這是企業與供應商公布的數字，仍需要等待更長期的獨立驗證。

PepsiCo 證明了大型系統有機會做到，但對中小企業而言，我會學 Pringles 怎麼選問題，而不是先學 PepsiCo 做多大的模型。這兩件事情差很多。

臺灣中小企業現在離「企業雙生」有多遠？

如果回到臺灣現況，我認為距離確實還相當遙遠。這裡我沒有找到一份足以支持「臺灣多少比例的中小企業已具備數位雙生成熟度」的完整統計，所以我不想隨便生一個百分比出來。

不過可以從政府目前的政策設計看出一個側面。經濟部中小及新創企業署 2026 年的中小企業 AI 與數位轉型輔導，起點依然包括盤點企業營運流程、資訊系統、資料應用與人才能力，再進入 AI 教育訓練、工具導入以及現場應用。這不能當成中小企業成熟度的正式統計，但至少透露一件事：目前政策面對的實際需求，很多仍處在「先把資料跟流程整理好、先知道 AI 可以放在哪裡」的基礎階段。

而 NIST 自己談製造業數位雙生時也特別指出，中小企業建立數位雙生尤其困難，問題包含系統互通、資料標準、可信度、驗證，以及如何衡量模型的不確定性。所以今天一家公司的訂單、採購、庫存、BOM、設備與排程資料如果都還沒有穩定串起來，直接跳級到「企業雙生」，我覺得有點太過越級打怪了。

AI 可以幫不少忙，但 AI 不會自動把混亂的企業變成一個可以精準模擬的企業。

真正值得中小企業做的，可能叫「決策雙生」

所以，如果要把這整件事情轉成中小企業現在就可以開始執行的版本，我自己反而很想暫時稱它為「決策雙生」。這不是我要硬發明的新學術名詞，我只是覺得這樣比較容易通透理解。

比如一家製造公司，每個月都會碰到原物料採購難題，那就先建立一個小模型。外部世界不要硬猜一個答案，改成放進幾種可能情境：原料價格上漲、匯率改變、供應時間拉長、需求突然增加。然後把公司真正掌握得到的資料接進來，包括庫存、採購單、訂單、產能、排程、交期與現金需求。

接下來問：「如果世界變成這樣，我現在應該怎麼做？」

這和「請 AI 告訴我三個月後原料價格」相比，我覺得可靠得多，也更接近企業真正需要的決策。最重要的是，模型最後必須改變行動。如果跑了一百次模擬，採購主管看完之後仍然冷冷地說：「很好，所以咧？」那這套模型大概也可以不用浪費資源維護了。

所以，我現在反而比較看好小一點的數位雙生

查完這一輪資料之後，我對數位雙生的態度其實比原本更保守，卻也比原本更有興趣。

我對「複製整間企業」這件事情非常保守。因為企業裡面最麻煩的東西，常常不是機器，而是人、習慣、例外狀況、臨時決定、權限拉扯、客戶承諾，以及那些從來沒有人寫進 SOP，但所有資深員工都知道「這個時候就是要這樣處理」的默契。這些東西一旦全部塞進模型，複雜度會呈指數型暴增。

但是，我對「複製一個決策」這件事情反而越來越有興趣。

不要問三個月以後世界到底長什麼樣子，先設定幾個世界可能的樣子，然後看看自己的公司在每一個世界裡會發生什麼事。如果能做到這一步，我們其實已經把很多原本只能在會議室裡面用嘴巴開槓的「如果……會怎樣」，變成可以反覆測試的實操環境。

而且這可能才是 AI 時代真正有意思的地方。AI 可以降低整理資料、建立情境、解讀大量文件與修改模型的成本；數位雙生則提供一個可以試錯的練兵場。但公司依然要自己決定，哪一件事情值得模擬，哪一些變數真的重要，以及看到結果之後準備採取什麼行動。

至少對大多數中小企業來說，我現在大概不會建議一開始就去做什麼「企業雙生」。先不要急著複製一家公司，先複製一個你每個月都會遇到、極難判斷，而且一旦押錯寶代價就極其昂貴的經營決策。

如果這件事情真的做成了，我覺得就已經非常值得了。