BIC INTELLIGENCE BRIEF
SPECIAL REPORTAI Flow · 製造業知識轉型閱讀時間 12 分鐘

FROM TACIT KNOWLEDGE TO OPERATIONAL FLOW

企業現場解題誌

AI 的價值,從一個工具走向一條可以運作的工作流。

台灣中小企業真正需要保留下來的,包含老師傅腦中的判斷,也包含判斷如何進入品質、設備、報價與客戶回應的完整工作鏈。AI Flow 提供一條從暗默知到可驗證營運能力的轉型路徑。

當每位員工都開始使用生成式 AI,工作仍可能卡在找資料、複製貼上、等待別人確認與反覆修訂。單點效率提高之後,企業流程本身沒有跟著改變。

如果 AI 只加速一個步驟,前後的等待與交接仍會決定整體速度。

MIT Sloan 介紹的最新研究,把工作視為一連串相互依賴的步驟。當適合 AI 執行的相鄰步驟被連成一條任務鏈,人可以從中間搬運與重複確認中退出,集中處理目標設定、例外與最終驗證。這正是 BIC Insight 所定義的 AI Flow。

企業的 AI 成熟度,要看工作是否真正被重新組織。

這張概念圖用五個階段說明轉型方向。數值代表成熟度示意,協助企業討論目前位置,並非產業統計或特定客戶成果。

診斷示範

ILLUSTRATIVE DATA · NOT A CLIENT RESULT

  1. 01
    個人使用 AI 工具摘要、文案與查詢各自發生,成果仍靠人工搬運
    28
  2. 02
    單一步驟獲得增強AI 協助一段工作,但前後交接與確認尚未改變
    44
  3. 03
    相鄰步驟形成任務鏈資料取得、判讀、生成與整理能連續執行
    68
  4. 04
    專家在關鍵節點驗證人集中處理例外、風險與最終責任
    84
  5. 05
    結果回收為企業知識使用、修正與新案例持續改善知識及流程
    94

概念成熟度示範:從個人工具、單點增強,走向任務鏈、專家驗證與知識回收。正式評估仍需依企業流程、資料、責任與成果基準判定。

暗默知可以被形式化,但不能只靠訪談與文件。

資深人員的直覺,通常同時讀取聲音、外觀、材料、設備狀態、歷史案例與客戶脈絡。知識化的第一步,是在真實工作中找出他看見了哪些訊號、排除了哪些可能,以及什麼情況需要升級處理。

日本經驗顯示,形式化是一項現場共同工程。

日本 JILPT 於 2026 年發布的調查顯示,在已使用 AI 進行技能傳承的企業中,82.8%回報「應傳承技能的可視化與標準化」效果,64.0%回報教育時間縮短。調查同時指出,人才、know-how、成本與時間仍是主要導入障礙。

人的角色從中間搬運,轉向關鍵驗證。

AI Flow 適合處理高頻、相鄰且規則可確認的步驟;高風險決策、複雜談判、法律責任與重大例外仍由人處理。這讓老師傅的價值轉移到判斷標準、例外處理與後進培育,形成更有尊嚴的傳承方式。

日本案例的說服力,來自現場成果與持續改善機制。

以下均為外部公開案例,並非 BIC Insight 客戶成果。重點放在可被台灣中小企業轉譯的方法:從現場問題開始、共同建立資料、保留人的驗證,並讓系統在使用中持續改善。

82.8%技能可視化與標準化

日本調查中,使用 AI 進行技能傳承的企業所回報之效果。

64.0%縮短教育時間

同一調查中,使用 AI 的企業所回報之技能教育效果。

4公開實踐案例

涵蓋外觀檢查、職人工藝、流程檢查與工程機械任務鏈。

QUALITY INSPECTION · KANAI JUYO × HUTZPER

創業 130 年的不織布企業,把熟練目視檢查轉成可持續學習的系統。

反射光、透射光、良品學習與現場人員製作的缺陷位置資料共同形成判讀能力。公開案例顯示,客戶不良指摘約減少 95%,每卷檢查時間由約 1 小時縮短至 30~35 分鐘。

可借鏡處:暗默知的形式化需要現場資料、設備條件與人員共同調整。

查看外部原始案例
CRAFT QUALITY · GINZA WEST × HUTZPER

保留職人手作價值,同時把大量重複檢查交給 AI。

手工洋菓子仍由職人製作,AI 負責高量外觀檢查與持續追加學習。公開案例顯示,繁忙期檢查加班由晚上 10 點左右降至幾乎沒有,製造部門月加班約減少 20%。

可借鏡處:AI 可以守住工藝標準,讓人把時間留給製造、改善與例外判斷。

查看外部原始案例
PROCESS DX · CHEMICAL PLANT × ABEJA

讓腐蝕判定在實際運作中,透過人類修正持續變準。

系統將大量檢查影像資料化,AI 自動判斷腐蝕程度,再由人員修正並回饋模型。ABEJA 公開案例指出,拍攝與影像挑選等檢查人力成本約減少 50%。

可借鏡處:Human-in-the-Loop 同時承擔品質責任,也成為模型持續改善的來源。

查看外部原始案例
AUTONOMOUS CHAIN · DEEPX

把辨識、規劃、控制與監看串起來,完成 6 小時連續自主作業。

DeepX 與合作單位完成從挖掘到裝載的連續自主運轉示範,系統依卡車位置、載重與地形動態調整。這是一條由多個相鄰步驟組成、同時保留安全監看的 AI Flow。

可借鏡處:價值來自整條工作鏈穩定運作,以及模組化後仍能處理現場變化。

查看外部原始案例

技能傳承數據來源:日本勞動政策研究・研修機構(JILPT)2026 年調查;工作流觀點參考 MIT Sloan 對 AI task chains 的研究說明

把研究轉成企業解方,需要六個可驗證步驟。

BIC Insight 以企業現場的一項工作為單位,結合 Knowledge Infrastructure、Intelligence Agent 與導入治理;先建立可衡量的第一條 Flow,再逐步擴張。

  1. 01選定成果

    用品質、等待、工時、營收或知識風險定義一項值得改善的真實工作。

  2. 02拆解步驟

    把工作拆成資料取得、判讀、製作、核對與交付,找出高摩擦交接與不可自動化節點。

  3. 03擷取判斷

    從文件、系統、影音、感測訊號與專家訪談中,留下條件、例外與升級規則。

  4. 04串成 Flow

    將適合 AI 處理的相鄰步驟連續執行,保留既有系統責任與必要權限。

  5. 05專家驗證

    在高風險或最終輸出前設置 Human-in-the-Loop,由真正懂現場的人核准。

  6. 06回收改善

    以使用結果、修正紀錄與新案例更新知識,確認成果後再擴張到相鄰流程。

這個星期,先為第一條 AI Flow 準備三件事。

01

畫出一條工作鏈

選一項每週反覆發生的工作,列出從問題出現到成果交付的所有步驟與等待點。

02

找出一個判斷黑盒子

標記只有資深人員知道、文件說不完整,或每次都需要回頭詢問的判斷。

03

留下目前基準

記錄工時、等待、錯誤、客訴或重工,讓第一階段成果可以被經營者判斷。

如果拿掉公司裡最懂流程的那個人,哪一條工作鏈會先卡住?

從一項高摩擦工作開始,建立第一條可驗證的 AI Flow。

帶著目前流程、代表性資料與一位能確認結果的知識負責人,我們可以一起定義第一階段場景。