AI 組織變革實戰：從會議逐字稿、知識萃取到 AI Agent 工作流

AI 轉型真正困難的，從來不是工具本身，而是企業能不能把每天發生的討論、判斷與問題解決，轉化成可累積、可萃取、可交給代理人執行的組織能力。

2026 年 6 月 23 日，天來集團舉辦了一場 AI 實戰培訓。這堂課沒有停留在「AI 很厲害」的口號，也不是展示幾個新工具就結束。陳來助董事長真正想談的，是一個更根本的管理問題：企業每天都在開會、每天都在解決問題，但最後留下了什麼？

如果答案只是「講過就算了」，那麼再多會議也只是時間的消耗。但如果把會議、報告、討論、問題解決的過程完整記錄下來，這些看似零散的內容，就會變成企業最珍貴的知識礦藏。

這也是陳董事長在課程中反覆強調的第一個觀念：開會不是聊天，而是在採礦。

從日常營運中開採高品位知識

陳董事長用「礦」來比喻企業知識，非常貼切。每天晨會、每次跨部門討論、每一個設備異常、每一份品質報告，表面上看只是日常營運；但真正有價值的 domain knowledge，往往就藏在這些對話裡。

例如現場人員討論設備為什麼異常、製程哪裡偏移、SPC 數據為何出現趨勢，這些內容對外行人來說可能只是碎片，但對企業而言，卻是多年經驗累積出來的判斷邏輯。

問題是，過去很多組織的習慣是「講完就結束」。會議沒有逐字稿，報告只有幾行摘要，真正的討論脈絡沒有被留下來。結果就是企業每天都在產生知識，卻也每天都在流失知識。

因此，AI 轉型的第一步不是買工具，而是改變流程：

• 會議要有完整逐字稿，保留真實對話與判斷過程。

• 報告要從敘述式文字，逐步轉成視覺化、結構化、可理解的簡報。

• 問題解決的過程要被記錄，因為問題本身就是礦脈出現的地方。

當資料品質提高，後續的 AI 分析、知識萃取與自動化，才有真正的基礎。這不是資訊部門單獨能完成的工作，而是整個組織的日常習慣重塑。

資料要先被留下，智慧才有機會被萃取

有了資料，並不代表企業就自動擁有智慧。陳董事長提醒，逐字稿、報告、聊天紀錄、歷史文件都只是「礦」。礦裡面有金屬，也有雜質；有可用的知識，也有大量重複、零散、甚至無效的內容。

所以第二步是萃取。AI 真正有價值的地方，不是把一份文件摘要成更短的文件，而是能夠從大量資料中找出模式、關聯、異常與決策線索。

當企業累積一百天、一千天的晨會資料，AI 可以用不同角色的視角重新閱讀：以廠長角度，看產線瓶頸與資源配置；以品質長角度，看系統性品質風險；以營運主管角度，看跨部門協作與管理盲點。

陳董事長用 DAO 來概括這個邏輯：Data、Analysis、Output。沒有資料，就沒有分析；沒有分析，就沒有真正有價值的輸出。企業若想在 AI 時代建立競爭力，最重要的不是問「AI 可以幫我做什麼」，而是先問「我有沒有留下足夠高品質的資料，讓 AI 能夠理解我？」

AI 代理人的關鍵，不是聊天，而是接手流程

當企業把高品質資料累積起來，下一步才是建立 AI 代理人。陳董事長提出一個很清楚的公式：AI Agent = SOP + Skill

第一個 S 是 SOP，也就是操作手冊。它定義代理人的角色、工作內容與邊界。AI 不是拿到任務就可以無限制執行，企業必須告訴它什麼可以做、什麼不能做、哪些事情需要人工確認。

第二個 S 是 Skill，也就是技能。SOP 告訴 AI 要做什麼，Skill 則讓 AI 知道怎麼做。它可能包含 Python 腳本、JSON 設定、MCP 連接器、API 對接，或其他能讓 AI 實際執行任務的能力。

換句話說，SOP 是工作規則，Skill 是執行能力。只有兩者結合，AI 才不只是聊天工具，而能成為真正可以接手流程的代理人。

課程中另一個重要提醒，是不要把 AI 使用停留在網頁問答。一般網頁版 AI 很適合短時間問答、摘要、改寫，但它的限制也很明顯：每次互動多半是單次任務，檔案上傳有限，記憶與上下文容易中斷，也很難長時間讀完整個資料夾。

企業級應用需要的是Agent，如Codex或Claude code，Agent 可以綁定專案資料夾，長時間閱讀大量文件，在背景中持續工作。它不只是等人丟一段文字進去回答，而是可以讀一整批晨會記錄、歷史報告、產品資料、客戶往來紀錄，再根據指定角色進行深度判斷。

從報價單到社群對話，AI 開始創造營運槓桿

在課程現場，團隊展示了幾個非常接地氣的應用。第一個案例是報價單 Agent。過去業務要製作一份報價單，可能需要翻找客戶資料、確認品項價格、調整 Excel 欄位、放上 Logo、檢查公式與格式，整個流程可能耗費三小時。

透過 Codex，團隊把工作規則寫進 Agents.md，把技能寫進 skills.md，讓 AI 可以根據一句自然語言指令，自動讀取資料、計算價格、整理格式，並在 output 資料夾產出可編輯的 Excel 報價單。這不是單純的「叫 AI 生成文字」，而是讓 AI 代理一段具體工作流程。

第二個案例是 LINE 社群對話萃取。聖保羅烘焙花園擁有活躍的 LINE 社群，每天都有大量客戶詢問，例如商品是否還有庫存、幾點到貨、能不能預留熱門品項。

對門市小編而言，這些對話可能只是每天回訊息的工作量；但對 AI 來說，這是一座消費需求礦山。將一整個月的 LINE 對話匯出後，AI 可以從中分析熱門商品、客戶問題、分店差異與營運機會。例如辨識出「杜拜巧克力」是當前爆品，也能進一步建議社群從客服紀錄機，升級為新品預購情報站。

這就是 AI 萃取的價值：把雜訊變成情報，把日常回覆變成行銷資產。

當 AI 讀完一年半資料，看見的是系統

課程中最重量級的案例，是台鈣科「水星二號線」的歷史晨會資料。這條產線累積了從 2025 年 3 月到 2026 年 6 月、一年半的完整晨會記錄與 PPT 簡報。陳董事長讓 AI 以「台鈣科總廠長」的角色讀完這批資料，並要求它提出診斷報告。

AI 不只是列摘要，而是自動整理出重大里程碑與系統性問題。它看見主輻射頭累計工時、TiO2 靶材裂痕、Spiro 藥液結晶、掃描故障與交付節點之間的時間關係，也進一步指出設備疲勞、供應鏈盲點、溫控系統與材料變異之間可能存在的連動。

更重要的是，AI 從這些事件背後歸納出三個診斷：關鍵雷射軸設備存在系統性疲勞與供應鏈盲點、微觀材料結晶與巨觀溫控系統之間存在關聯，以及 SPC 與耗材管理出現虛擬監控問題。

這個案例最能說明 AI 組織變革的力量。當人只看一天的會議，看到的是事件；當 AI 讀完一年

半的資料，看到的是系統。

因此，AI 轉型的重點不是把員工換成 AI，而是讓組織懂得如何與 AI 一起累積、學習、迭代。從晨會逐字稿，到結構化簡報；從報價單 Agent，到社群對話萃取；從產線歷史資料，到 AI 總廠長診斷報告，天來集團這堂課示範的不是單一工具，而是一套新的管理邏輯。

把日常變成資料，把資料變成知識，把知識變成代理人。

當企業能做到這一步，AI 就不再只是問答工具，而會成為組織持續進化的第二大腦。