文 / 蔡典承 Dien Chen Tsai ，Profet AI 資深技術經理
當全公司都開始使用 AI，企業真正得到了什麼？
AI 已經顯著提升個人工作效率，企業整體效益的成長卻相對緩慢。隨著 ChatGPT、Claude、Codex 等工具普及，員工可以更快整理文件、分析資料、開發程式，各部門也陸續建立自己的 AI Agent。當使用率與專案數量持續增加，管理階層開始關心另一組問題：這些投入究竟改善了多少營運成本、產能、品質或獲利？成果能否複製到其他部門，並在幾年後繼續發揮價值？
McKinsey 於 2026 年發布的全球 AI 調查也指出，雖然 80% 的受訪者認為 AI 改善了個人生產力，但只有 37% 表示 AI 對所在企業的息稅前利潤（EBIT）產生正面影響。這些數字反映的是個人效率與財務成果之間的落差。企業購買工具、舉辦訓練或完成概念驗證（Proof of Concept, PoC）後，還需要讓 AI 進入正式流程，才能逐步衡量對經營的貢獻。
從實務經驗觀察，這段轉換往往比建立第一個 Agent 更具挑戰。企業 AI 的價值通常會從個人生產力，進一步延伸到業務流程改善，最後形成可以共享與持續更新的專業能力。三個層次可以同步發展，但衡量方式各有不同：個人關注完成工作的速度，部門關注流程績效，企業則需要評估長期成本、收益與能力累積。員工在自己熟悉的工作中取得成果，可能只需要少量資料與有限的使用權限；當同一套能力要跨部門使用，便會涉及更多系統、流程、責任分工與安全要求。原本由個別工程師掌握的專業判斷，也需要被整理成其他人能理解、驗證與持續維護的方法。
MIT CISR 在 2025 年的研究同樣指出，企業由 PoC 階段進入可規模化的 AI 工作模式，是財務表現出現重要差異的轉折。結合我們參與企業導入的經驗，我們將成功的核心條件歸納為四個相互依存的要素：導入與商業價值（Implementation & Business Value）、組織協作（Organization）、系統與資料（Systems & Data），以及治理（Governance）。這四個面向共同決定 AI 能否成為企業長期可運作的能力。
導入與商業價值（Implementation & Business Value）：從節省工時，走向實際營運成果
企業很容易看見 AI 幫員工節省多少時間，卻不一定能立即看見它對業務的影響。以製造現場的設備異常分析為例，工程師需要檢查設備紀錄與製程參數、比對歷史案例，再依據經驗判斷可能原因。有些問題還要等待其他部門提供資料，或請資深工程師加入討論。這類工作包含大量資訊蒐集與專業判斷，適合用來理解 AI 導入後如何產生價值。
假設原本需要兩小時完成的初步分析，透過 Agent 協助查詢資料、整理異常線索並提出查核順序後，縮短為三十分鐘。工程師得以更快投入真正需要人員確認的處置工作，這是清楚的生產力提升。然而，企業仍須追蹤分析速度是否讓異常更早解除、減少設備停機，或讓相同團隊處理更多案件。節省的工時與降低的營運成本之間，必須建立可驗證的連結。
因此，專案一開始就應設定兩層指標。第一層衡量 Agent 自身的表現，例如處理時間、分析正確性、使用率與人工介入比例；第二層衡量業務結果，例如平均問題解決時間、產能損失、品質成本與設備稼動率。這些指標需要搭配導入前的基準數據，並考慮產線負載、異常類型與其他改善措施等影響因素，避免把所有績效變化都歸因於 AI。業務負責人應參與定義指標，才能確保評估結果真正支持後續投資決策。更進一步，若 Agent 的建議需要工程師確認，還可以衡量被採納的比例、錯誤建議的型態與修正所需時間，讓品質提升成為可以持續追蹤的工作。
場景範圍的選擇，同樣會決定企業多快取得成果。讓 Agent 回答操作手冊問題，可以快速改善資訊查找，但若異常處理仍需工程師自行跨系統整理資料，流程改善的幅度可能有限。若一開始就要求 AI 涵蓋全廠設備、生產、品質與維修管理，則必須同時處理大量整合與流程調整，專案驗收也容易失去清楚的界線。
比較合適的起點，是一段有完整輸入、分析與輸出的業務任務，例如針對某類設備異常，從資料查詢、歷史案例比對到原因分析與處理建議，建立一套可測試的 Agent 工作流程。這樣的範圍有明確的使用者、必要資料與成功標準；完成驗證後，才能穩健地擴展到更多異常類型、設備或廠區。企業在選擇第一個 Use Case 時，應同時考慮業務價值、資料可用性、流程完整性與後續複製的可能。
即使場景已經選定，Agent 仍需要學習企業的工作背景。資深工程師為什麼優先查看某個參數、哪些異常要先排除設備問題、何時需要升級通報，這些判斷並不一定完整寫在 SOP 中。導入團隊必須透過工作流程分析、專家訪談與實際案例，整理出可供 Agent 使用的知識與規則，再經過測試、修正與現場驗收。這正是導入方法論的重要性：把技術能力連結到企業可以信任、可以衡量的工作成果。
組織協作（Organization）：讓五個關鍵角色共同推動 AI 專案
在企業 AI 導入過程中，技術團隊與業務部門之間的合作品質，往往直接影響專案成效。我們認為有五種角色需要被明確安排：高階主管、領域專家、Power User、IT 團隊，以及 AI 或數位轉型推動者。這五種角色未必對應五個獨立部門，企業可以依規模由現有人員兼任，但各自承擔的責任應在專案初期就確認。方法。
高階主管（Executive Sponsor）的工作是設定方向、支持資源投入，並處理跨部門協調。AI 專案經常需要領域專家投入時間、IT 開放必要的系統介面，或讓業務單位調整原有流程。當高階主管明確支持，並將營運改善目標納入部門 KPI，甚至配置適當的獎勵機制，跨部門合作通常更容易形成持續推進的動力。KPI 應聚焦使用成效與業務成果，讓部門有誘因把 AI 用好，而非一味追求 Agent 的數量。
領域專家（Domain Expert）提供 Agent 真正需要的專業判斷。在設備異常分析的情境裡，技術團隊能建立資料介接和分析流程，但哪些訊號值得優先檢查、特定異常可能涉及哪些製程條件、什麼結果必須由人員再次確認，仍需資深工程師參與設計。領域專家也必須參與測試與驗收，確保 Agent 的建議符合現場條件，並能辨識錯誤或不適用的結論。
關鍵使用者（Power User）則負責把專業需求持續轉換成可用的 AI 應用。理想人選是熟悉業務又願意操作 AI 工具的領域專家；但資深專家往往已經承擔繁重的日常工作，因此也常見由同部門較年輕、學習能力強的同事，或對該業務流程熟悉的 IT 人員擔任。Power User 可以協助建立測試案例、整理問題回饋與推廣使用，遇到需要專業判斷的部分，再與領域專家共同確認。這種分工有助於讓專家投入最有價值的工作，同時維持應用改進的速度。
IT 團隊從專案早期就應參與，負責資料與系統介接、身分驗證、權限管理、資訊安全、基礎設施及正式上線後的維運。尤其當 Agent 需要讀取 ERP、MES 等核心系統，或者執行實際業務操作，IT 對資料流向與風險控制的理解，是專案正式上線的基礎。
第五個角色，是明確負責推動整個 AI 專案前進的人或團隊。這個職責可由 AI Team、數位轉型團隊，或被正式授權的專案負責人承擔。工作範圍包括辨識有價值的 Use Case、釐清業務需求、控制開發範圍、安排資源、協調領域專家與 IT，以及追蹤從 PoC 到上線後的 KPI。擔任者需要具備專案管理、顧問式問題分析與一定程度的 AI 理解能力，才能在不同專業團隊之間做出務實的判斷。
這個角色不一定需要專職，也未必適合直接交由 IT 部門。許多 IT 團隊的既有重心是系統建設、資安與維運，工作考核也圍繞穩定性與服務品質；AI 專案推動者則必須主動探索業務價值、管理變革並協調跨部門決策。如果企業內有具備這些能力的 IT 人員，自然可以承擔；否則由數位轉型、業務策略或跨職能團隊負責，可能更符合組織現況。關鍵是要有人對推動進度與實際應用成效負責，並在 Agent 上線後延續改善機制。管理階層也應給予這個推動角色必要的決策與協調權限，讓跨部門議題能夠及時處理，而不致長期停留在反覆確認需求與等待資源的階段。
系統與資料（Systems & Data）：讓 AI 用得上企業多年累積的資訊
企業多年來投入 ERP、MES、PLM、CRM 等資訊系統，累積了大量交易、製程、設備與客戶資料。這些資料分別由不同系統管理，也對應不同的業務規則。當員工需要完成跨部門任務時，往往要自行切換系統、理解資料關聯，再將資訊整理成可供決策的內容。AI Agent 可以在適當的授權範圍內協助整合這些資訊，讓既有系統支援更完整的分析流程。
以前述設備異常分析為例，設備 Log 可以呈現異常發生前後的狀態，MES 提供對應批次與製程條件，品質系統記錄檢驗結果，歷史處置報告則提供過往的判斷依據。Agent 需要理解這些資訊彼此的關係，才能提出合理的查核順序與可能原因。資料的完整性、時效與專業脈絡都會影響結果品質；若缺少關鍵來源，Agent 應清楚揭露限制，交由工程師補充或確認。企業也需要逐步統一重要資料的業務定義，例如不同系統對設備、批次或異常類型的命名方式，避免 Agent 將表面相似、實際意義不同的紀錄混為一談。這類語意與資料定義的整理，常是跨系統分析能否可靠運作的重要細節。
我們可以用 Enterprise Data → Enterprise Systems → AI Applications 描述這個架構。企業資料保存營運事實，資訊系統管理資料及其業務流程，AI 應用則透過 API、資料庫或工具介面取得所需資訊，結合領域知識完成分析，必要時在授權與審批條件下執行操作。這個概念凸顯 AI 的價值建立在企業既有資訊資產之上，而跨系統運用資料也會帶來新的權限與治理需求。
資料準備程度是許多企業開始導入時的顧慮。有些系統尚未全面整合，文件與資料品質也參差不齊。實際規劃時，可以由選定的 Use Case 反向盤點必要資料，確認來源、資料品質、更新頻率與存取方式，先完成核心流程的整合與驗證，再隨著應用擴展持續改善。這讓資料工程投入能對應明確的業務價值，也避免將第一個 AI 專案變成龐大的全面資料改造工程。
長期來看，企業仍須持續改善資料定義、系統互通性與介面治理。當多個 Agent 共用相同的資料服務與工具能力，標準化的價值便會逐漸顯現，也能降低不同部門重複開發與維護的成本。此外，資料查詢與系統寫入應有不同的授權設計；尤其是涉及交易、排程或設備控制的操作，必須將系統原有的驗證與審批流程納入 AI 應用。
Domain Twin：承載企業知識與專業能力的 AI 平台
當 AI 開始深入企業的業務流程，企業需要一個能夠整合專業知識、工作方法、資訊系統與 AI Agent 的共同平台，讓不同部門建立的智慧應用能夠被有效管理、共享與持續改善。
這也是 Profet AI 提出 Domain Twin 的核心理念。透過 Domain Twin 平台，企業可以將領域專家累積的知識、判斷邏輯與工作經驗，結合企業既有的資料與系統能力，逐步轉換成可執行的 Agent 與可重複使用的 Skill。這些能力可以在不同業務場景中運用，並隨著實際使用持續累積與演進。
隨著企業建立越來越多的 Domain Twin，平台也需要承擔統一管理與治理的責任，涵蓋 Agent 的身分權限、資料存取、執行紀錄及知識管理，確保企業能夠安全地擴大 AI 應用規模，並將員工的專業經驗持續沉澱為企業共同擁有的智慧資產。
治理（Governance）：讓一支 Agent 安全服務數百、數千名員工
當異常分析 Agent 在一座工廠成功運作，其他廠區通常也會希望使用。此時需要面對的管理情境已經不同：不同工程師可能擁有不同的製程與產品資料權限，不同工廠的設備操作規範也有所差異；當 Agent 代表人員查詢、寫入或觸發系統操作時，企業必須知道行為是由誰授權、由哪支 Agent 執行，以及結果如何追溯。應用越深入核心流程，這些要求就越重要。
企業級治理需要涵蓋 Agent 身分、權限與責任歸屬，並與既有的身分與存取管理（Identity and Access Management, IAM）制度整合。管理者需要掌握誰可以使用 Agent、Agent 能呼叫哪些工具、可以接觸哪些資料，以及權限是否會隨使用者、部門或工作情境而改變。系統也需要保存適當的操作與稽核紀錄，支援問題調查、內部稽核及持續改善。對於修改設備參數或其他高風險操作，則應搭配人機協作審批（Human-in-the-Loop, HITL），由具備權限的人員核准後執行。
治理還包括版本、品質、成本與生命週期管理。當 Agent 的知識來源更新、工具介面改變或模型版本調整，企業需要測試變更是否影響原本的行為，並能在必要時回復版本。管理要求應依照業務風險設定：處理一般文件的 Agent 與涉及生產設備控制的 Agent，在審批與監控強度上自然有所不同。美國 NIST 的 AI Risk Management Framework 同樣強調，治理需要貫穿 AI 的規劃、使用與持續管理過程。
在 Profet AI 的 Domain Twin 平台架構中，我們重視將 Agent 視為具有明確身分、擁有者與權限邊界的數位工作者。企業可以透過 Domain Twin 平台 的共用管理架構，規劃 Agent 與企業身分制度的對應，並將工具存取、執行稽核、人員審批及知識使用範圍納入一致的治理設計。具體部署仍須依照企業現有的 IAM、資安政策與系統環境安排。這種治理基礎能協助企業把一個有效的 Agent，安全地推廣給更多具有不同職責的使用者。
治理還有另一項長期價值：讓員工使用 AI 所累積的專業經驗，成為企業能夠持續維護的知識資產。 當數百位工程師各自使用 Agent 分析問題，可能產生大量有效的判斷方法、查核順序與例外處理經驗。企業需要有機制辨識哪些成果值得保留，哪些屬於個人或客戶的敏感資訊，以及經驗如何經過專業驗證後提供其他人使用。
在 Domain Twin 的發展方向中，Agent Memory（Agent 記憶） 用於保留具有後續參考價值的任務脈絡、處理結果與經驗；Memory to Skill（記憶轉化為技能） 則進一步將經過整理與驗證的有效方法，形成可重複使用的 Agent Skill。以資深工程師的異常處理過程為例，經確認的資料查核順序與判斷條件，可作為記憶素材，再由專家審核、測試適用範圍，轉換為其他工程師能使用的分析技能。
記憶累積與 Skill 建立不能缺少管理流程。哪些記錄可以保留、誰能存取、何時需要刪除或更新，以及哪些 Skill 可以正式發布，都需要清楚的權限、版本與品質規則。Agent Memory 與 Memory to Skill 所代表的，是一條讓經驗逐步沉澱為企業能力的路徑；其價值取決於知識整理的品質，以及企業是否能長期維護這套機制。這也是 Domain Twin 希望協助企業實現的專業經驗傳承方向。
| 當企業開始將 Agent 納入正式營運，治理也需要從個別權限設定，逐步發展成完整的管理架構。針對這個議題，我們在《Agentic AI 時代的企業 AI 治理：七個能力領域與 Zero Trust 實務框架》中，進一步整理了 Agent 身分驗證、存取控制及其他關鍵治理能力，並說明企業如何依照不同成熟度，逐步建立可驗證、可控管、可追溯的 Agent 運作環境。 |
把一次成功的 AI 專案，變成可以持續複製的企業能力
企業 AI 走向規模化時，真正重要的是每完成一個專案，能否讓下一個專案更快、更穩定地落地。從我們的實務經驗來看，這需要三項能力相互配合：工具與平台（Tools & Platform）、導入方法論（Implementation Methodology），以及領域與場景經驗（Domain & Use Case Experience）。
平台提供可共用的 Agent 開發、資料介接、權限治理及維運架構，避免不同部門反覆建設相同的基礎能力。方法論則讓團隊從 Use Case 探索、業務流程分析、知識整理、Agent 設計與測試，到正式部署與成效追蹤，都能採取一致的工作方式。領域與場景經驗協助團隊更快識別有價值的問題、理解常見的資料限制，並重複利用經過驗證的分析方法。三者相互結合，才有機會持續降低導入成本與縮短新應用的上線時間。
如今，生成式 AI 與開發工具已讓建立 Agent 原型變得相當容易。企業要快速做出兩百支各有用途的 Agent，技術門檻正在降低；然而，要讓其中一支 Agent 穩定、安全地服務兩百名，甚至數千名員工，必須處理跨部門權限、企業系統整合、執行可靠性、稽核紀錄、版本維護與知識更新，背後需要完整的工程與管理投入。使用者規模增加後，真正考驗的將是企業能否長期提供一致、可信賴的服務品質。這也會影響平台投資的判斷：哪些共通能力應該自建，哪些適合採用成熟產品，企業如何把有限的研發人力投入真正具有差異化的業務場景，都需要從長期成本與上線速度一起評估。
對 CTO、CIO 與數位轉型主管而言，投資 AI 的目的應回到企業的核心競爭力。適當的平台與治理架構，讓技術能力可以被穩定使用；組織協作、領域知識與導入方法，則確保這些能力持續創造業務成果。當企業能將成功的工作方法轉化為可管理、可共享、可改善的 AI 能力，每個專案才有機會成為下一次創新的基礎。 這正是從 PoC 走向企業核心戰力，需要建立的長期能力。