品質異常分析、設備預測維護、智慧排程、生產問答，到能主動協助現場判斷問題的 AI Agent，製造業的 AI 應用正在快速增加。
但真正走進工廠，問題往往會回到最基礎的一件事：
AI 要分析的那些生產數據，現在到底在哪裡？
MES 的價值，是讓 AI 開始「看得懂工廠」
一張工單從 ERP 開出後，進入製造現場，會經過不同設備、站點、人員與製程。計畫產量、實際產量、設備停機、品質異常、製程參數與在製品狀態，都會形成不同的生產資訊。
這也是 MES（Manufacturing Execution System）在 AI 時代的重要性。
ERP 知道企業「要做什麼」，MES 則必須掌握現場「現在做到哪裡」。
從工單下達、生產執行、現場報工，到製程紀錄、異常回報與生產進度，MES 建立的不只是電子化紀錄，而是一條持續反映工廠現況的「數位事件流」。
達易智造執行長 Alex Yeh 長期投入製造數位化與 MES 導入。他認為，智慧製造最終仍必須回到企業最實際的問題：能不能提升生產效率、降低現場浪費，並進一步創造營運效益。
因此，數位轉型不一定要從龐大的系統工程開始，而是應該從真正具有價值的製造場景逐步建立能力。
從 Dashboard 走向 AI，關鍵是「上下文」
過去智慧工廠的第一階段，往往是讓管理者透過 Dashboard 即時掌握產量、稼動率、設備狀態與工單進度。
但 AI 帶來的下一階段改變，是讓系統從 Monitoring 進一步走向 Analysis、Prediction，甚至 Action：
發生了什麼 → 為什麼發生 → 接下來可能發生什麼 → 建議怎麼處理
這時，單純知道「設備停機 20 分鐘」已經不夠。
AI 還需要知道停機發生在哪張工單、哪個料號、哪一道製程，當時設備與品質狀態如何，以及過去發生類似異常時是怎麼處理的。
換句話說，AI 真正需要的不是更多 Data，而是具有製造上下文的 Data。
而 MES 正是建立這些製造脈絡的重要來源。
只有 MES 還不夠，AI 面對的是跨系統問題
真正的製造問題，很少只存在一套系統裡。
當管理者詢問「為什麼今天 A 產線良率下降？」答案可能同時涉及 MES 的製程紀錄、ERP 的批次與料號、設備 Sensor Data、品質檢驗結果，以及 SOP、維修紀錄與工程師過去留下的經驗。
這也是製造業從「MES 數位化」走向「AI 智慧化」時遇到的新問題。
ERP、MES、APS、WMS 與設備系統，各自為不同目的建立；但 AI Agent 要處理的問題，往往天生就是跨系統的。
如果每增加一個 AI 應用，就重新串接一次 MES、ERP、設備與文件，最後只會形成另一批 AI Data Silo。
LowsiteOS × MES：在製造數據之上建立 AI Data Layer
這也是 LowsiteOS 與 MES 開始產生交集的位置。
LowsiteOS 並不是取代 MES，而是把 MES 已經建立好的製造數據，進一步與 ERP、APS、WMS、設備及企業知識串聯，形成 AI 可以共同使用的數據基礎。
整體架構可以理解為：
設備／PLC／IoT → MES → LowsiteOS AI Data Layer → AI Agent → 現場應用
ERP、APS、WMS、品質系統與企業文件，也能從不同方向進入同一個 AI Data Layer。
這讓 AI Agent 面對的不再是一套套彼此孤立的系統，而是一個具有資料關聯、製程語意與企業脈絡的數據環境。
MES 讓現場數位化，LowsiteOS 讓數據 AI 化
當兩者結合，AI Agent 的角色也開始改變。
工單進度落後時，AI 可以結合生產紀錄與設備狀態協助分析原因；設備發生異常時，可以進一步搜尋維修紀錄與 SOP；品質指標偏離時，也能跨製程、設備與歷史資料尋找可能關聯。
AI 因此不再只是「讀取 MES 資料」，而是：
理解跨系統資訊，再回到 MES 所管理的製造場景協助決策。
這也是 Alex 所強調的製造數位化，在 AI 時代可以進一步延伸的方向。
企業不需要為了導入 AI 推翻既有 ERP、MES 或設備架構，而是先把最有價值的製造場景數位化，再讓已經累積的數據逐步轉化為 AI 資產。
MES 負責讓製造現場成為數據，LowsiteOS 則讓分散的數據成為 AI 能理解的企業脈絡。
從 MES、LowsiteOS 到 AI Agent，真正建立的是：
現場數位化 → 數據結構化 → 跨系統整合 → AI 理解 → 決策支援 → 現場應用
當這條數據鏈真正打通，智慧製造的下一階段，就不再只是「看得到工廠」，而是讓 AI 開始理解工廠、協助判斷，並真正進入製造流程。
