企業決勝 AI 時代：從台鈣科經驗看流程智慧化，實現十倍生產力突破
- tenlife2019
- 11月1日
- 讀畢需時 6 分鐘
已更新：11月2日
摘要：頂層設計思維引領變革
前友達總經理及天來集團創辦人 LJ 在 ERSO 老友 AI 分享會中提出警示：企業若不擁抱 AI，將面臨淘汰風險。他強調，成功的 AI 轉型並非單純的技術導入，而是領導層發起的頂層邏輯設計，目標是從組織、流程、系統層面全面重塑。核心策略是將焦點從傳統的「工程 AI」轉向具備指數級效益的「流程 AI」，並透過部署 Local AI，在確保資訊安全的同時實現「十倍生產力」的目標。
第一節：釐清 AI 戰場：從線性到指數級成長
LJ 根據其管理全球 44 個營運據點的經驗，明確區分了 AI 的兩大應用類型，指出企業資源配置的策略盲點：
1. 工程 AI (Engineering AI)
工程 AI 專注於解決技術和硬體層面的製程問題。其應用包括工廠自動化、高精度的視覺瑕疵檢測、以及預測性維護。工程 AI 帶來的效益是線性的，主要優化單一環節的效率和品質穩定性，例如提升良率（Yield Control）或減少設備停機時間。這類 AI 在科技製造業已廣泛應用。
2. 流程 AI (Process AI)
流程 AI 由大型語言模型（LLM）驅動，核心在於處理知識工作者面臨的營運與管理流程。它能處理大量非結構化資料，如跨部門的溝通郵件、會議逐字稿、M&A 併購文件草擬、以及複雜的稅務法規遵循摘要。流程 AI 的效益是指數級的，因為它能全面釋放知識工作者（如財務、人資、法務、高管）的時間，將行政效率從幾天縮短至幾秒，實現企業營運的速度和規模化突破。
LJ 總結，在全球化挑戰日增、營運複雜度爆發的背景下，企業必須將核心資源投入到能解決跨部門協作與知識管理的流程 AI 領域。
第二節：企業轉型的頂層邏輯：DAO 框架與十倍生產力
成功的 AI 轉型，必須建立一套清晰、可執行的管理框架，LJ 提出了 DAO（Data, Analyze, Outputs）邏輯：
1. D : 資料定義 (Data)
這是 AI 轉型的基石。企業必須全面、清晰地定義所有資料的結構與用途。這不僅包括傳統的 ERP 結構化數據，更關鍵的是要標籤化和清洗散落在各處的非結構化資料。如果對資料的定義模糊，即使導入最先進的 LLM，也會導致「垃圾進，垃圾出」（Garbage In, Garbage Out）的結果，使得 AI 無法產生有效的決策。
2. A : AI 決策 (Analyze)
在資料清晰定義後，AI 才能將傳統仰賴個人經驗的主觀決策，轉變為數據驅動的智慧決策。這包括對市場趨勢的精準預測、營運風險的即時預警，以及多變量下的資源最佳分配建議。
3. O : 行動 (Outputs)
LJ 強調，AI 決策必須最終導向具體的行動（Action）。如果一個 AI 輸出的結果只是一份精美的報告，而無法自動發出工單、調整庫存或啟動下一階段流程，那它就只是「玩具」。只有當它能轉化為可執行的步驟時，AI 才成為真正的「工具」。
4. 「十倍生產力」模型
LJ 倡導的「十倍生產力」方程式，要求企業員工全面擁抱 AI 代理人。每位知識工作者應擁有一個由 AI 組成的團隊，包含：
方程式的意義是：1 (你) + (頂層 3 個 AI 支援 + 中層 4 個 AI 支援 + 底層 3 個 AI 支援)
1. 「You」：核心人類工作者 (位於中心)
你是核心：你，作為人類工作者，是整個方程式的中心。你是決策者、策略者，最終負責協調並運用所有 AI 支援。AI 的存在是為了放大你的能力，讓你專注於高價值的創造性工作。
2. AI 團隊的層次與組成 (圍繞著 You)
頂層 AI 策略夥伴 (紅色方塊：3 個角色)
顧問 (AI Advisor)：提供高層次的市場趨勢分析與策略建議，幫助你做出宏觀決策。
老闆 (AI Boss)：協助你（或真正的老闆）整合各方資訊、準備簡報，進行高效管理。
專家 (AI Expert)：在特定專業領域（如研發、法律）提供深度知識與精準解決方案。
中層 AI 協作與外部互動 (藍/綠色方塊：4 個角色)
同事 (AI Collaborators x 2)：作為你的協作夥伴，處理複雜任務、自動化工作流程、生成報告草稿和數據分析。
夥伴 (AI Partner)：幫助你管理外部供應鏈、尋找合作資源、優化外部連結效率。
對手 (AI Adversary)：扮演競爭者或挑戰者，幫助你進行紅隊演練，測試策略韌性，預先發現潛在問題。
底層 AI 基礎支援 (黃/綠/紫色方塊：3 個角色)
助理 (AI Assistants x 3)：負責處理日常庶務、重複性高且耗時的任務，如郵件總結、資料整理、排程管理，將你從繁瑣工作中解放。
核心效益：
能力放大：AI 團隊從多個層面協助你，使你能夠處理遠超單人能負荷的工作量。
時間釋放：AI 處理重複性工作，讓你聚焦於創新與策略。
智慧決策：AI 提供深度分析和外部情境模擬，提升決策品質。
風險預判：AI 對手幫助你預見並規避潛在風險。
簡而言之，這方程式旨在打造一個以人類為中心，由 AI 團隊全面支援的協作模式，從而實現企業的指數級生產力提升。透過這種結構，員工得以專注於更高價值的創造性工作，實現個體生產力的指數級增長。
第三節：傳統產業賦能與資安解決方案
傳統產業賦能實例
以聖保羅烘焙坊為例，該公司透過 DAO 框架，成功將老師傅口述經驗和手寫配方等「隱性知識」進行數位化。最引人注目的成果是：過往需要三天繁瑣人工計算的財務報表，在導入流程 AI 後，成功縮短至 五秒 完成。這不僅是時間的節省，更解放了財務人員，使其從數據處理者轉變為策略分析師，能夠為企業提供更及時的策略預警。
資安挑戰與 Local AI + RAG 解方
企業導入 AI 的最大障礙是機密資料外洩的擔憂。公共雲模型可能將企業數據用於訓練。對此，LJ 提出了本地化的解決方案：
Local AI 部署：將開放模型（Open Source Model）部署在企業內部伺服器，將運算與數據隔離。
RAG 技術：結合 RAG（Retrieval-Augmented Generation）技術，確保 AI 模型的知識來源僅限於企業內部的專有數據庫，而不會連線至外部網絡。
成本效益：他估算，建置一套功能不錯的 Local AI 系統，成本已降至約 100 萬台幣，使資安與效益不再是互斥的選擇，即使是中小企業也能負擔。
此外，針對法務部門擔憂 AI 查詢紀錄可能在訴訟中被視為明知故犯的證據，LJ 建議企業應透過教育訓練，讓法務團隊了解 Local AI 和 RAG 的安全機制，將嚴格的「零容忍」態度轉變為基於風險評估的合理管制。
展望：未來焦點與跨界應用
LJ 認為臺灣企業應加速在 AI 系統化方面的進程，未來兩大焦點是：
研發 AI 導入與AI數位孿生（AI Digital Twin）：將 AI 深度導入研發流程，建立高保真度的「AI孿生」虛擬工廠。這將允許企業在虛擬環境中進行無數次的產品測試和製程參數優化，大幅縮短產品的開發週期和上市時間。
流程 AI 落地：克服資安挑戰後，將流程 AI 系統化，使其成為企業營運中不可或缺的基礎架構。
LJ 也將 AI 應用擴展至跨界思考，例如對《黃帝內經》與現代健康數據（大氣含氧量、人類呼吸頻率）的對比分析，顯示 AI 在分析非線性、海量歷史數據以研究健康長壽模式上的巨大潛力。
留言