良率掉了。
從 98.7% 掉到 94.2%。
數字一出來，會議室裡的氣氛立刻變了。
對量產來說，四個多百分點不是一條漂亮的折線。
它會變成重工、報廢、交期與成本，最後還可能變成客戶電話裡那一句：
「你們到底發生什麼事？」
工程師開始查。設備紀錄、材料批次、製程參數、治具、人員班別、環境溫濕度，連前後站資料也翻出來。能撈的都撈了。
有人把這些資料整理後交給AI：
「請分析良率從98.7%下降到94.2%的可能原因。」
AI很快列出一長串：設備漂移、材料差異、製程參數變動、量測異常、治具磨耗、操作差異、環境因素、前站傳遞、統計波動。
每一個都合理。
也都很熟悉。
團隊開始往下查。
設備正常，材料沒有明顯異常，治具在可接受範圍，主要參數也沒有突然漂移。
上午過去一半，白板上多了很多勾勾叉叉。
原因沒有比較靠近。
大家都很忙。
事情卻像在原地打轉。
這種時候，人最自然的反應是：
再查。
資料不夠，就補資料。
原因不夠，就再生原因。
AI尤其會讓這件事變得容易。
十個原因不夠，可以再要二十個。
二十個不夠，再五十個。
問題好像總可以靠更多分析逼出答案。
直到有人問了一句很不起眼的話：
「94.2%是怎麼算出來的？」
沒有人立刻接話。
因為這聽起來不像找原因。
良率當然就是良品數除以總數。
還能怎麼算？
那個人又問：
「這次新增的Fail，都是什麼？」
品質工程師把分類展開。
其中一類缺陷突然變多。
再往下看，發現那個缺陷分類是最近才正式出現在報表裡。
有人愣了一下。
「這個以前沒有？」
有。
以前也看得到類似痕跡。
只是以前不判Fail。
兩週前，客戶更新了外觀判定標準。
原本可以接受的一類輕微痕跡，現在被列為不良。
產品沒有在那一天突然變差。
設備也沒有在那一天突然失控。
是那把尺換了。
98.7%和94.2%看起來像同一個指標的前後比較。
其實不是完全同一件事。
前面的98.7%，使用舊標準。
後面的94.2%，使用新標準。
名字沒變。
公式沒變。
報表上的欄位也沒變。
但「什麼叫良品」已經變了。
所以真正值得先問的，不是：
為什麼良率掉了？
而是：
這兩個良率，還能不能直接相比？
只換了一個問題。
後面的整片世界跟著移動。
這一步在《明思》裡很重要。
不是因為要替事情換一個比較漂亮的名字。
而是先把名字和現實重新對一次。
我們現在說的「良率下降」，到底指什麼？
是真的製程能力變差？
還是判定標準收緊？
還是兩件事同時發生？
如果連這一點都還沒有分清楚，後面再高明的分析，很可能只是在替一個模糊的名字找理由。
這就是真正有用的地方。
不是字典。
是把語言從習慣裡拉回現實。
團隊於是把資料重新切了一次。
第一種算法，用舊標準重算現在。
第二種算法，用新標準回算過去。
結果很有意思。
如果照舊標準，良率確實有下降。
但沒有掉到94.2%。
如果把新標準套回歷史資料，過去的98.7%也沒有那麼高。
換句話說，眼前那個巨大的落差裡，混著兩件不同的事。
一部分是尺換了。
另一部分，才是真正值得繼續追的製程變化。
這時候，早上AI列出的那些設備、材料、環境與治具原因，又重新有價值了。
不是因為它突然猜對。
而是因為問題終於被切乾淨一點。
這件事看起來很小。
卻把AI的角色也改變了。
一開始，人給AI的題目是：
「良率為什麼下降？」
AI就在這個問題裡努力。
它很能幹。
卻沒有理由先懷疑：
這兩個良率其實不是用同一把尺算出來的。
除非我們把這個可能放進問題。
當問題改成：
「請用新舊判定標準分別重算歷史與現在的良率，判斷差異有多少來自標準變更，有多少可能來自實際製程變化。」
AI一下子變得更有用。
不是因為模型換了。
而是我們終於把它送進一個比較值得分析的問題裡。
這就是第一次真正感覺到：
人和AI一起想，不是輪流講話。
也不是人出題，AI作答。
更不是兩邊各做一半。
真正的共思，發生在其中一方改變了另一方下一輪能怎麼看事情。
人先察覺：
現在的問題可能問錯。
AI再把新的問法快速推回資料。
資料回來後，人又發現：
標準變更只解釋一部分。
那麼還剩什麼？
AI再往下找。
人再拿結果去碰現場。
一來一回，問題本身開始變形。
思考才真的動起來。
這裡還可以再往下追一步。
為什麼客戶會改標準？
只是忽然變嚴格嗎？
還是產品的使用場景改了？
市場上的競爭品外觀變好了？
終端消費者開始在意以前不在意的痕跡？
又或者某些過去不影響功能的東西，現在開始影響品牌感受？
如果只停在：
「客戶改規格，所以良率掉。」
我們又會很快得到一個新的便利答案。
可《明思》還會再問：
這個新標準背後，到底想保護什麼？
這時候，問題不再只停在製程。
它可能一路追到產品。
客戶。
市場。
甚至使用者。
這就是開始出現的地方。
不是每一件事都要追到宇宙起源。
而是追到那個真正決定「為什麼值得處理」的地方。
假設客戶真正介意的是：
某種痕跡在特定光線下會被消費者誤認為損傷。
那麼問題又不同。
我們不一定只能問：
怎麼把痕跡降到零？
也可以問：
能不能改表面處理？
改材料反光？
改結構？
讓這個痕跡即使存在，也不再被看成瑕疵？
這時候，原來被叫做「良率問題」的東西，已經開始碰到設計問題。
甚至認知問題。
題目一層一層變。
不是為了顯得深。
而是每往下一層，能動的地方都不一樣。
那天最後，團隊沒有得到單一根因。一部分差距來自判定標準改變；製程本身的異常仍須追查。AI依新舊標準重新計算，工程師回到現場確認，品質與業務則和客戶釐清新的要求。幾個人來回一趟，最初那句「為什麼良率下降」，已經分化為幾個可以查證的問題。
工作沒有因此變輕鬆。但大家終於知道，各自忙的是哪一件事。
如果一個問題在彼此追問後已經改變，我們還能把最初收到的那個答案，當作這次思考的終點嗎？