跳至主要內容
    新知與拆解· BriefingsAI & WorkFIELD NOTES / 033

    藍領 AI 機會在哪？缺工的水電、維修、物流，錢先流進了哪裡？（2026 市場觀察）

    錢先流向現場以外的接案、估價與派工，師傅手機裡的軟體效率化是目前最快的切入點

    sunny 桑尼· · 21 MIN READ · 168 次瀏覽

    藍領 AI 機會在哪？缺工的水電、維修、物流，錢先流進了哪裡？（2026 市場觀察）
    本文目錄
    1. 生成式 AI 曝險集中在文書職，水電與營造現場任務曝險低於 0.21
    2. 日歐美台同步爆發藍領缺工：日本建築施工一人有 7.35 個職缺，文書卻近三人搶一職
    3. 資金與營收先流進藍領後台：AI 接案與估價最先商業化，ServiceTitan 年營收達 9.6 億美元
    4. 實體機器人僅在固定環境規模化：商用清潔破 5 萬台、倉儲破百萬台，工地仍停在單一工序
    5. 工廠與工地導入 AI 的四大現場門檻：怕被監控、靠老師傅點頭、環境惡劣、報表要直白
    6. 藍領 AI 的兩大邊界：無法解決制度性缺工，且一兩人小水電行最難負擔導入成本
    7. 台灣 Builder 的三步切入策略：先做手機接案報價，再做師傅知識庫，最後才進工地做安全人因
    8. 藍領 AI 判斷何時被翻轉：追蹤機器人降價速度、移工政策與多模態現場診斷三指標
    9. 方法與限制
    10. 常見問題
    11. 生成式 AI 碰不到實體施工，為什麼藍領產業反而是 AI 藍海？
    12. 藍領 AI 產品目前最容易被買單的切入點是什麼？
    13. 為什麼通用型人形機器人短期內難以大規模進入非結構化工地？
    14. 想要為水電、維修、營造業開發 AI 工具，創業團隊面臨的最大阻礙是什麼？
    15. 延伸閱讀
    16. 參考資料

    大家都在談 AI 取代辦公室，那最缺人的水電、維修、營造、物流呢？這篇帶你看懂錢已經流進藍領行業的哪個角落，以及台灣 builder 可以從哪裡切入！

    在日本，一個做建築結構施工的人，平均有 7 個職缺可以挑；一個想做一般事務的人，要和將近三個人搶一個位子。

    這是日本厚生勞動省 2026 年 3 月的數字。同一年，關於 AI 會取代誰的討論，幾乎都在講辦公室。

    先講結論：

    1. 生成式 AI 這一波，先碰到的是辦公室。水電、維修、營造、物流的工作，AI 能直接做的部分很少。
    2. 這些行業正在缺人，錢已經開始流進來，但流進的是藍領的辦公室：接電話、報價、派工、開發票。真正上到現場的機器人，目前只在清潔和倉儲做到規模。
    3. 對 builder 的意思是：藍領 AI 的第一個市場在老闆和師傅的手機裡，工地是第二個。

    我從產品開發者的角度看這件事，也在工廠現場做過 AI 導入。下面把數字、玩家和現場的門檻攤開來看。

    快速回答 缺工讓藍領產業對自動化的需求成為剛需，但 AI 的滲透路徑先從現場以外的辦公室開始：接案漏單挽救、智慧估價報價、師傅派工調度、以及把老師傅經驗數位化的現場問答工具。現場硬體機器人成本依然高昂，軟體辦公室效率化是目前最快回收投資的賽道。

    生成式 AI 曝險集中在文書職，水電與營造現場任務曝險低於 0.21

    國際勞工組織（ILO）在 2025 年更新了「生成式 AI 職業曝險指數」，把每個職業拆成任務，評估生成式 AI 能做多少。

    生成式 AI 曝險最高的是資料輸入員（0.70）與會計（0.64）等辦公室文書；需要到現場動手的水電、空調、營造與清潔，曝險分數全部低於 0.21（資料來源：ILO Working Paper 140，2025-05-20）。

    ILO 指出，曝險最高的 13 個職業裡，多數是文書職。專家評分時，也把技藝工和機械操作員打得比較低，理由是這些任務需要實際操作實物。

    其他研究的結果一致。Microsoft Research 分析了約 20 萬筆 Copilot 對話，「營建技術工」的 AI 適用分數是 0.07，「建物清潔與病蟲害防治」是 0.08，「媒體與傳播工作者」是 0.38。Anthropic 2026 年用實際使用資料算的「觀察曝險」裡，電工是 0，程式設計師是 0.745。

    那機器人呢？Anthropic 在 2026 年 9 月的另一份研究估計，今天的機器人在技術上已經能做美國 74% 的體力任務，但在成本上划算的只有 0.3%；在住家、工地、人行道這類不固定的環境裡，機器人只做得到 2% 的體力任務。

    所以水電、空調、維修這幾類工作，同時躲過了生成式 AI 和機器人兩波。這是好消息，也是問題的開始：做不掉的工作，就要有人做。

    日歐美台同步爆發藍領缺工：日本建築施工一人有 7.35 個職缺，文書卻近三人搶一職

    缺工的數字，每個地區的量法不同，不能直接比大小；但方向一致。

    日本一般事務工作求職者遠多於職缺（求人倍率 0.37），建築結構施工（7.35）、土木作業（5.96）與機械維修（3.89）則是職缺遠多於求職者（資料來源：日本厚生勞動省令和 8 年 3 月統計，2026-04-28）。

    日本的問題還加上老化與工時。建設業就業者 55 歲以上占 36.7%，29 歲以下只有 11.7%。2024 年 4 月起，營建業和貨車司機開始適用加班上限，國土交通省估計，如果不採取對策，2030 年度的貨運能力會短少 34%。

    美國勞工統計局的 2025–2035 年預測裡，電工每年平均有 72,700 個職缺、空調技師的就業成長 11%；程式設計師和客服人員則預估減少 7% 和 5%。美國營造業者協會估計，營造業在 2026 年需要補進 34.9 萬人，其中大部分是為了填補退休。美國的水電、空調技工並沒有比整體勞動力老，中位年齡大約 40 歲；缺口主要來自需求成長和退休潮。

    歐洲勞動局彙整 28 國的資料：21 國缺建築電工、20 國缺水管工；一般辦公室文員和秘書，則各有 15 國回報過剩。

    歐洲 28 國中高達 22 國缺焊工、21 國缺建築電工、20 國缺水管工，而辦公室文員與秘書各有 15 國回報過剩（資料來源：European Labour Authority EURES 2025 報告，2026）。

    台灣的缺口集中在營造。勞動部統計，2025 年底營建工程業的職缺率是 3.4%，平均要 3.5 個月才補得到人，比整體的 3.2 個月久。根據工商時報引述國土管理署的調查，營造業缺工約 4.6 萬人，七成是基層勞工。根基營造在 2026 年接受中央社採訪時提到，公司內部的模板工平均年齡已經超過 50 歲。

    清潔是例外。世界經濟論壇預估，大樓管理員、清潔員與家務人員是 2030 年前減少最多的職業之一；歐洲有 16 國回報辦公室與旅館清潔員過剩；日本清潔工作的求人倍率 1.17，接近全體平均。後面會看到，清潔也正好是機器人最早規模化的地方。

    資金與營收先流進藍領後台：AI 接案與估價最先商業化，ServiceTitan 年營收達 9.6 億美元

    如果你是一個水電行老闆，最貴的損失可能是一通沒接到的電話。AI 接聽新創 Avoca 的共同創辦人 Tyson Chen 對《Fortune》這樣比較：餐廳漏接一通電話，損失一筆 30、40 美元的訂單；居家服務漏接一通，可能是一台 3 到 4 萬美元的空調安裝。

    這就是目前錢流向的地方。

    環節在做什麼代表玩家成熟度

    接案與客服
    在做什麼
    24 小時接電話、回訊息、排時間
    代表玩家
    Avoca、Hatch、Jobber、Housecall Pro
    成熟度
    已商業化，資金湧入
    報價、派工、帳務
    在做什麼
    估價、排班、開發票、追款
    代表玩家
    ServiceTitan、Jobber
    成熟度
    已商業化，加上 AI 功能
    現場知識
    在做什麼
    查手冊、查設備紀錄、故障排除
    代表玩家
    ServiceTitan Atlas、Siemens Industrial Copilot
    成熟度
    早期，陸續上線
    現場機器人：清潔、倉儲
    在做什麼
    自動洗地、倉儲搬運與揀貨
    代表玩家
    Brain Corp、Gausium、Pudu、Amazon、Geek+
    成熟度
    已規模化
    現場機器人：營造
    在做什麼
    放樣、打樁、噴塗
    代表玩家
    Dusty Robotics、Built Robotics
    成熟度
    單一工序，試點到小規模

    幾個數字：

    • ServiceTitan，給水電、空調業者用的營運軟體，2024 年 12 月在 Nasdaq 上市。2026 財年營收 9.61 億美元，成長 24%，約 1.08 萬家付費客戶。
    • Avoca 在 2026 年 4 月估值達 10 億美元，三輪累計募資超過 1.25 億美元。
    • Hatch，替居家服務業者回覆客戶的 AI，2026 年 1 月被 Yelp 以約 2.7 億美元現金收購。

    業者自己做的調查也指向同一個地方。Jobber 調查 1,050 位美國居家服務業老闆，52% 已經在用 AI，最常見的用途是報價（54%）和開發票（52%）。這是廠商的調查，數字可能偏高，但用途的排序很清楚：先用在現場以外的事。

    ServiceTitan AI 助理 Atlas 先從現場技師手機上的「查設備紀錄、問零件規格」切入，幫師傅少打電話問辦公室（資料來源：ServiceTitan Atlas 官方產品頁，2026-10-14 截圖）。

    ServiceTitan 的 AI 助理 Atlas 很能說明現在的位置。它的官方頁面上，給現場技師用的功能（查設備資料、問這個客戶用過什麼零件）已經上線；給辦公室用的部分功能還標著「即將推出」。AI 進到工具箱，第一步是幫師傅查資料、少打幾通電話問辦公室。

    實體機器人僅在固定環境規模化：商用清潔破 5 萬台、倉儲破百萬台，工地仍停在單一工序

    機器人規模化的地方，剛好是環境最固定的兩個：室內地板和倉庫。

    • 清潔：Brain Corp 宣稱搭載其系統的商用清潔機器人已超過 5 萬台。中國的高仙（Gausium）和普渡（Pudu）都宣稱自己是全球第一，一家引用 IDC、一家引用 Counterpoint，兩份數據的 2025 年市場規模都在 5 萬台以上。兩家同時是第一，代表這個市場夠大、也還沒定型。
    • 倉儲：Amazon 在 2025 年部署了第 100 萬台機器人。同一篇公告提到，導入機器人的路易斯安那州 Shreveport 倉庫，需要多 30% 的可靠度、維修和工程人員。機器人取代搬運，同時創造了維修的工作，而維修正是缺工的職業。在台灣，Geek+ 的案例說 PChome 林口倉用了上百台倉儲機器人；momo 的物流中心用自走車搬棧板，報導說人工搬重的工作最多可減少近六成。
    營造機器人目前僅在「地板放樣」等單一工序商業化，Dusty Robotics 將數月放樣縮短至數天，離全自動蓋房仍有距離（資料來源：Dusty Robotics 官方網站，2026-10-14 截圖）。

    營造還在單一工序。Dusty Robotics 做的是「放樣」：把設計圖直接印在工地地板上，官網宣稱一個人一天可以放樣 1 萬到 1.5 萬平方英尺。台灣的根基營造則用噴塗機器人，中央社報導，過去要好幾個工人，現在一個人在平板上啟動就好。這些都是把一道工序做好，離「一台機器人蓋房子」還很遠。

    工廠與工地導入 AI 的四大現場門檻：怕被監控、靠老師傅點頭、環境惡劣、報表要直白

    數字之外，我想補一段自己的經驗。我們部門做的是工廠裡的邊緣運算設備，用物件偵測做人因工程分析。這雖然是工廠現場而非水電營造，但「把 AI 帶到藍領現場」會遇到的事，我相信很像。

    現場怕被監控。攝影機一裝上去，作業員第一個想到的是「是不是要抓我偷懶」。我們要先講清楚，這套系統是為了找出傷身體的動作、保護他們。順序反了，再準的模型也推不動。

    班長和老師傅是關鍵。他們點頭，現場才會配合；而且什麼動作危險、什麼狀況要注意，很多判斷在他們腦袋裡，那是規則和標註的來源。

    現場條件比模型難。光線、遮擋、空間、網路、設備限制，實驗室裡的準度到了現場會掉。我在上一篇〈工廠邊緣設備被植入挖礦木馬怎麼辦？真實入侵復盤＋AI Coding 資安做法（2026）〉寫過，連「設備在封閉網路裡」這個假設，到客戶現場都不一定成立。

    結果要讓現場看得懂。給班長一堆分數沒有用；要讓他看得出哪個工作站、哪個動作要改，他才會拿去用。

    換到水電師傅身上，我判斷也是同一組問題：師傅不想被追蹤、老師傅的經驗最值錢、工地沒有好網路、報表要用師傅的語言寫。

    藍領 AI 的兩大邊界：無法解決制度性缺工，且一兩人小水電行最難負擔導入成本

    AI 補不了所有缺工。缺工的原因有一部分是薪資、工時和工作條件，日本的加班上限就是制度造成的缺口。AI 能補的，是可以標準化、可以被感測的那一塊：接電話、排班、查資料、固定環境的搬運與清潔。真正在現場動手的部分，按 Anthropic 的估計，機器人在成本上划算的任務比例，照過去的降價速度要 40 年才會到 10%。

    小店可能負擔不起。這是我的判斷：軟體按技師人數收費、機器人要一次投入，先受惠的會是有辦公室、有調度員的中大型業者；一兩個師傅的小水電行，反而最缺人、最沒有餘力導入。Jobber 的調查裡，對前景有信心的業者 88% 在用 AI，信心低的只有 27%。誰先用、誰後用，可能會讓大小業者的差距拉大。

    台灣 Builder 的三步切入策略：先做手機接案報價，再做師傅知識庫，最後才進工地做安全人因

    我會從師傅的手機開始，不從工地開始：

    越接近工地現場需要的信任越高，台灣 Builder 應從離工地最遠、ROI 最明確的「手機接案與報價」切入，再往現場知識與安全推進（Sunny DataScience 整理）。
    1. 先做接案與報價。我會先去看台灣的水電行、冷氣行實際用什麼接案、漏接率多少、報價要花多久。這兩個數字能驗證需求，也最容易算出值多少錢。
    2. 把老師傅的判斷變成查得到的知識。設備型號、過去的維修紀錄、常見故障的處理方式，做成師傅在現場用手機問得到的東西。這是 ServiceTitan 正在做、但還沒有中文版本的地方。
    3. 現場 AI 先做保護人的工具。如果要進工地或工廠，我會從安全與人因開始：減少受傷、減輕負擔。這類系統比較容易取得現場的信任，信任建立之後，其他功能才進得去。

    工具會換，這三個順序背後的判斷是同一件事：先找到現場以外、最花時間的那件事，再往現場走。

    白領擔心被 AI 取代；藍領缺的是人，AI 先幫得上的是現場以外的事。

    藍領 AI 判斷何時被翻轉：追蹤機器人降價速度、移工政策與多模態現場診斷三指標

    • 機器人成本下降得比預期快：通用型機器人如果能在工地這類不固定環境做到 10% 以上的任務，現場會比辦公室先被改變。
    • 缺工緩解：移工政策、薪資調整讓缺口變小，導入 AI 的急迫性就會下降。
    • 多模態 AI 讓現場曝險上升：手機鏡頭加上 AI 診斷，如果真的讓新手做得到老師傅的判斷，藍領的 AI 曝險分數會開始上升。

    下次更新我會看：日本營建類有效求人倍率、美國勞工統計局的年度預測、EURES 下一份報告、ServiceTitan 的營收與 Atlas 辦公室功能上線進度，以及 Anthropic 觀察曝險裡營建、維修類職業的變化。

    如果想看另一個「AI 會拆掉什麼、留下什麼」的賽道分析，可以接著讀〈AI Agent 會讓客戶更容易換掉 SaaS 嗎？SaaS 靠什麼留住人？（2026 產業觀察）〉。

    方法與限制

    • 研究基準日 2026-10-14。各國缺工指標的定義不同（日本是求人倍率、歐洲是回報短缺的國家數、美國是預測職缺數、台灣是職缺率與招募時間），只比較方向，不比較大小。
    • 曝險分數衡量的是任務能否由 AI 執行，不等於會被取代或失業。
    • Jobber、Housecall Pro 的調查與各家機器人的部署數字，都是廠商自己的說法。
    • 未涵蓋韓國、新加坡；台灣營造業缺工人數引用自媒體轉述，原始報告年份待確認。

    常見問題

    生成式 AI 碰不到實體施工，為什麼藍領產業反而是 AI 藍海？

    藍領師傅大部分的痛點在於現場以外繁重且破碎的行政庶務：接聽電話、漏接潛在訂單、手寫估價單、跨工種行程排班。AI 能在後台替他們自動接單報價、維護客戶關係，直接將省下來的時間轉化為現場施工產能。

    藍領 AI 產品目前最容易被買單的切入點是什麼？

    最容易買單的是「接案與報價」。例如在水電、空調維修業，師傅在施工時往往無法接聽電話，導致高達兩到三成的客戶流失。能自動接聽電話、記錄需求並依據過往行情自動生成報價單的系統，能立刻為業者算出生意增長的真實回報。

    為什麼通用型人形機器人短期內難以大規模進入非結構化工地？

    工地是極度動態且高風險的非結構化環境：泥濘地形、無固定走道、強風多塵、且隨時有突發障礙。目前人形機器人的硬體造價高昂、電池續航有限且容錯率極低；相對而言，在固定封閉的倉儲與標準化清潔場景中，專用型機器人更容易實現商業規模化。

    想要為水電、維修、營造業開發 AI 工具，創業團隊面臨的最大阻礙是什麼？

    最大的阻礙是「現場信任與數位習慣」。藍領行業重視師徒傳承與人際默契，極端排斥繁瑣複雜的軟體操作介面。系統必須做到無感融入（例如透過 LINE、語音對話或拍照識別），不能要求師傅改變現有施工習慣去適應軟體。

    延伸閱讀

    參考資料

    #藍領#缺工#市場觀察#機器人#AI 導入
    ShareTwitterFacebookLinkedInLine
    Previous

    賭場怎麼抓 AI 老千？規則、統計基準線與行為模型三層異常偵測實戰（2026）

    Next

    Loop Engineering 是什麼？怎麼讓 AI 自己把事情做完再叫你？（2026 實戰教學）

    留言0

    登入後就能留言。

    登入
    sunny 桑尼
    sunny 桑尼

    AI 資料科學 · 產品經理 · 蒙奇 D 桑尼

    專注於 AI 工具應用與資料科學教育，致力於讓每個人都能用 AI 提升工作效率。曾任職於科技業，現為全職教育創作者。

    讀更多文章 →想自己動手試？領免費 Starter Kit →