品管主任的深夜難題：把現場口述變成一份根因分析初稿

晚班十點，射出成型區跳出一批毛邊超標。你趕到現場，領班一口氣講：料筒溫度好像有點怪、換料的時候顏色不對、可能是週末那台機保養完之後、還有新來的操作員可能沒鎖模到位……。你一邊聽一邊在紙上潦草地記，隔天早上要交一份根因分析給廠長，可是筆記本上只剩下一堆片段。校長兼撞鐘的品管主任，最痛的往往不是不會查，而是「來不及把口述整理成有邏輯的東西」。

好消息是，這件事現在就能交給 AI 幫忙。ChatGPT 最擅長的，正是把散亂的自然語言重新結構化——你不用會下什麼高深指令，只要把現場口述原封不動貼進去，它就能幫你排出一份「五個為什麼」（5 Why）的追查表初稿。

為什麼「口述整理」是品保最容易漏掉的一環

異常發生的當下，資訊是最完整的，但也是最混亂的。現場人員習慣用因果混雜、跳躍式的方式描述：把現象、猜測、抱怨全部混在一起。等你回到辦公室要寫報告時，記憶已經衰退，很多細節只剩模糊印象。傳統做法是靠品管主任的經驗硬把它梳理成邏輯，但這一步耗時又依賴個人功力，換一個人接手品質就掉。AI 的價值，就是把這段「梳理」變成三分鐘的事，讓你把時間留給真正的判斷。

五個為什麼，AI 幫你問到底

5 Why 的精神是：對著同一個現象，連續追問五層「為什麼」，一路挖到可以行動的根本原因。品保主任常見的問題是問到第二層就跳去下結論。把口述丟給 ChatGPT，請它以「現象→為什麼1→為什麼2……」的層層結構重建，並把每一層標註成「已確認事實／待驗證假設」，你會立刻看見哪些環節只是猜測、還沒有證據。這份初稿不是答案，而是一張把追查方向攤開的地圖。

泰國廠的實操：三語混雜的現場，先落地成一種語言

在泰國設廠的台商，現場常是台幹講中文、泰籍領班講泰文、報告要交中文的三語混雜局面。實務上建議：先讓熟悉現場的人用最順的語言（通常是泰文）把經過講完、錄音或打字，再貼給 ChatGPT 並指定「請用繁體中文輸出，專有名詞保留原文」。這樣既保住現場第一手描述的準確度，又能產出主管看得懂的中文初稿。工安相關的異常（例如換模時的夾傷風險、化學品外洩）尤其要把「人、機、料、法、環」五個面向都問過一輪，AI 可以幫你確保沒有漏掉工安這條線。

一個提醒：AI 產的是初稿，不是結案報告

務必記得，ChatGPT 不在現場、也看不到你的檢驗數據，它整理出的每一層「為什麼」都要拿回產線用實際量測去驗證。把它當成一個很會問問題、很會排版的助理，而不是判官。真正的根因，還是要靠你和現場的量測數據去釘死。

🔧 AI 動手做：把現場口述整理成五個為什麼追查表

把領班的口述（或錄音轉成的文字）直接貼進 ChatGPT，用下面的提示詞，就能得到一份可以帶回產線驗證的 5 Why 追查表初稿。

你是一位資深品保工程師，熟悉製造業異常的根因分析與 5 Why 手法。
以下是現場人員對一起品質異常的口述，內容凌亂、因果混雜，請你重新整理。

【現場口述】
（把領班講的內容原封不動貼在這裡，或貼上錄音轉出的逐字稿）

請依下列格式輸出，用繁體中文，專有名詞與機台編號保留原文：
1. 【異常現象】一句話描述客觀現象（不要放猜測）。
2. 【五個為什麼追查表】以表格呈現，欄位：層級（為什麼1～5）、可能原因、這是「已確認事實」還是「待驗證假設」、建議用什麼數據或方法驗證。
3. 【人機料法環檢查】分別列出這起異常在人員、機台、物料、方法、環境五個面向各有哪些待查點，若口述沒提到就標「口述未提及，需補問」。
4. 【立即待辦】列出 3 件我明天一到現場就該先做的驗證動作。

注意：你沒有到現場，凡是無法從口述確認的，一律歸類為「待驗證假設」，不要自行斷定根因。

本週就能做的一步

下一次現場一出異常，先別急著回辦公室寫報告——當場請領班把經過講完、用手機錄音，回到座位轉成文字後貼進 ChatGPT 跑一遍上面的提示詞。你會發現三分鐘就有一張追查表，而且會清楚看到哪些原因其實只是「大家以為」，還沒有人真的去量過。這一步，就是把現場的隱性知識留下來的開始。