杰倫智能科技 Profet AI資深技術經理 蔡典承
當AI使用逐漸成為企業基本能力，競爭差異將反映在組織累積與複製經驗的速度。
前言
企業導入AI，不只是多了一個會回答問題的工具，更重要的是，能不能把資深員工多年累積的經驗，變成整個組織都能重複使用的能力。Domain Twin即扮演上述角色，其可以理解為「企業做事方法的數位分身」：透過整合企業系統中的資料、文件、歷史案例、分析模型、工作流程與專家判斷，讓AI Agent不只知道資料在哪裡，還知道面對特定任務時該查什麼、怎麼分析、何時需要人員確認，以及如何把結果帶回實際工作流程。透過一次次的人機協作，新的判斷方式與處理經驗會持續沉澱成可重複使用的Agent Skill，使原本分散在個人、文件與系統中的Know-how，逐步轉化為可累積、可追蹤、可維護及可跨部門複製的企業能力。
AI普及後，企業需要累積可重複使用的Know-how
人工智慧（Artificial Intelligence, AI）正從文件摘要、知識問答與內容生成，逐步進入製造、品質、設備、新產品導入及供應鏈等企業流程。當AI開始參與分析、判斷與協作，企業關注的焦點也從個人生產力，延伸到組織經驗能否被持續累積與複製。
企業資源規劃系統（Enterprise Resource Planning, ERP）與製造執行系統（Manufacturing Execution System, MES）等企業系統，雖保存了訂單、生產、設備與品質等等紀錄，卻未必完整記錄資深人員如何判斷、為何採取特定處置，以及面對例外情況時如何調整。以設備異常為例，系統可以記錄警報時間、感測值與維修結果，但工程師如何從多項訊號中判斷優先檢查項目，通常仍存在於個人經驗中。
當這些Know-how分散在人員、文件與不同系統，企業容易面臨知識傳承緩慢、判斷標準不一致及人員異動風險。Domain Twin的價值，在於將既有資料、流程與專家經驗轉化為AI Agent可理解、調用且能持續累積的工作能力。
Domain Twin：企業做事方法的數位經驗分身
Domain Twin將特定領域中的系統資料、文件知識、歷史案例、分析模型、工作流程與專家判斷，整理成Agent可使用的工作脈絡。大型語言模型（Large Language Model, LLM）提供語言理解、推理與內容生成能力；Domain Twin則讓Agent理解企業情境，知道在特定任務中應取得哪些資料、採取哪些分析步驟，以及何時需要領域專家確認。
如圖1所示，Domain Twin位於企業系統、領域知識與Agent應用之間。底層系統持續產生營運資料，文件、歷史案例與專家經驗則提供判斷脈絡。Domain Twin將兩者連接，使Agent能根據任務取得相關資訊、調用模型與工具，並將結果整理成可供人員決策或執行的內容。
這使企業既有的數位投資可以進一步轉化為工作能力。ERP與MES所保存的資料不再只用於查詢與報表，也能與企業的流程規則及判斷方式結合，支援實際的工程分析與跨部門協作。
圖1 Domain Twin架構：從企業系統與領域知識，到可執行的Agent能力
Agent Skill：逐步沉澱企業的做事方式
企業Know-how需要轉化為Agent能夠重複執行的能力，Agent Skill是其中的基本單位。每一項Agent Skill對應一個明確任務，定義需要取得的資料、處理步驟、判斷方式、輸出內容與專家確認節點。
以新產品詢價評估為例，工程師收到客戶規格後，需要尋找相似產品、確認既有製程能力、分析歷史試產結果，再判斷是否存在量產風險。當這套方法被整理成Agent Skill，Agent便能依照企業既有邏輯完成資料蒐集、案例比對與初步分析，再由工程師處理例外情況並確認結果。
Agent Skill也會隨實際使用持續更新。當工程師發現新的風險條件，或實際試產結果與原先判斷不同，相關資料與修正方式可回到Domain Twin，成為後續任務的判斷依據。企業使用Agent的過程，也是在逐步累積自己的工作方法與知識資產。
多項Agent Skill可以進一步組成完整流程。例如，新產品導入可串接需求理解、歷史案例搜尋、製造風險分析、預測模擬與審查資料整理等能力，使Agent從單一問答進入實際工作流程。
NPI Twin：將新產品導入經驗帶入實際流程
新產品導入（New Product Introduction, NPI）涵蓋客戶需求確認、工程可行性評估、試產驗證、風險判斷與量產審查，是連接市場機會與製造能力的重要流程。
在實際工作中，一份詢價請求（Request for Quotation, RFQ）進入企業後，業務與NPI團隊需要確認客戶規格，再由製程、設備與品質單位共同評估。工程師往往需要從不同系統取得歷史製程、良率及試產資料，並向資深人員確認過去類似產品的判斷。當關鍵資訊散落在系統、郵件與會議紀錄中，評估速度與品質容易受到人員經驗及可投入時間影響。
NPI Twin先整理RFQ中的產品條件、客戶規格與交付需求，再取得相似產品、製程、設備、測試及品質資料。若歷史專案曾在相近材料或設備條件下發生良率問題，系統可找出相關案例，並透過自動化機器學習（Automated Machine Learning, AutoML）模型分析不同條件可能造成的品質與良率風險。
分析結果會與歷史案例及工程師定義的判斷規則整合，形成一致的評估脈絡。NPI Twin再將風險來源、資料依據、預測結果與待確認事項整理成NPI Review Pack，供業務、製程、設備與品質團隊共同審查。系統同時依角色控制資料存取，並記錄模型結果、專家修正及最終確認內容。
領域專家在整個流程中持續參與。導入初期，專家協助定義評估條件與審查標準；執行過程中，專家處理例外情況並確認關鍵風險；試產完成後，實際良率、品質結果與處置方式則回到Domain Twin，更新相關Agent Skill。
例如，某項新產品因材料與既有產品接近，初步被判定為低風險，但試產後發現特定設備條件會造成品質波動。工程師確認根因後，該設備條件便可納入後續風險評估Skill。下一次遇到相似產品時，NPI Twin能更早提示風險及歷史依據。每一次完成的專案，都會增加企業可重複使用的NPI經驗。
領域專家與Domain Twin協作，提升營運成效
領域專家負責定義問題、處理例外情況及確認最終決策；Domain Twin則負責整合資料、檢索案例、調用模型、執行Agent Skill並保留決策脈絡。這種協作方式可減少工程師在資料搜尋、文件整理與重複分析上的投入，使其將時間集中於高價值的判斷上。
對NPI工程師而言，NPI Twin可縮短RFQ整理、技術可行性評估、風險分析及審查文件製作時間。當團隊能以相同人力處理更多詢價與新產品專案，企業便能更快回覆客戶的製造可行性、風險與交付條件，提高接單能力與商機轉換機會。
較早辨識風險，也有助於企業在投入模具、設備、試產與工程資源前，確認產品是否具備合理的量產條件。這可降低反覆試產、錯誤承諾與資源錯置，也能避免承接難以量產或成本結構不合理的案件。對管理層而言，NPI Twin同時連結市場回應速度、工程產能、接單品質與新產品上市週期。
相同模式可應用於設備可靠度：Reliability Twin整合感測資料、警報紀錄、維修履歷與工程師排查經驗，協助設備工程師掌握異常前後的狀態，並根據歷史案例安排檢查順序。工程師確認實際根因與處置結果後，新的維修經驗也會更新設備相關的Agent Skill。
此類協作可縮短異常診斷及平均修復時間，降低非預期停機，進而提升整體設備效率（Overall Equipment Effectiveness, OEE）。當設備可靠度提高，企業可增加既有產線的有效產出、提升交付穩定度，並降低以新增設備彌補產能不足的壓力。
從管理層角度來看，NPI Twin連結市場機會與接單能力，Reliability Twin則連結產能與資產效率。兩者共同的價值，是將少數資深人員的經驗轉化為可追蹤、可維護及可跨團隊使用的企業能力。
企業Agent落地需要資安治理、權限與稽核
當Agent能存取企業資料、調用分析模型、產生文件或啟動工作流程，資安治理便成為企業導入的必要條件。平台必須依照使用者身分、職責與任務，管理其可使用的Agent、可存取的資料，以及Agent能調用的工具與執行範圍。
以新產品導入流程為例，業務人員需要查看客戶規格與評估進度，NPI工程師則需要取得製程能力、歷史專案與試產結果。品質及設備人員可依工作需要查看相關風險，但不代表所有角色都能完整存取客戶、成本或研發資料。Domain Twin應依循最小權限原則，將資料與Agent Skill的使用範圍控制在完成任務所需的程度。
企業也需要保留完整稽核紀錄，包括Agent使用的資料及版本、調用的模型或工具、產生的建議，以及最終由誰確認。涉及客戶承諾、量產可行性、製程調整或系統操作的任務，應依風險安排人工審核。當結果發生偏差時，企業才能追溯判斷過程，辨識問題來自資料、模型、流程或人員確認，並據此修正相關Agent Skill。
透過權限、人工確認與稽核機制，企業可以讓Agent在明確邊界內工作，也讓AI從個人輔助工具逐步進入正式營運流程。
從第一個場景建立可複製的導入模板
Domain Twin的導入通常從一個明確且可衡量的工作場景開始。Profet AI在製造業導入過程中，會同時檢視場景的營運價值、資料條件、流程成熟度及領域專家的參與方式。適合作為起點的場景，通常具有清楚的使用者、相對穩定的決策流程、可取得的資料，以及能反映營運改善的指標。
以NPI為例，導入工作需要先理解RFQ如何進入企業流程、各部門如何完成評估、哪些條件需要專家確認，以及分析結果如何成為跨部門審查的依據。模型準確度是驗證項目之一，資料、模型與Agent能否真正進入日常流程，則決定方案能否持續產生價值。
第一個概念驗證（Proof of Concept, POC）完成後，企業應留下可重複使用的資料連接方式、Agent Skill、工作流程、角色權限、人工確認機制、稽核紀錄與效益指標。這些成果共同構成後續場景可沿用的導入模板。
POC進入正式營運前，還需要確認資料如何更新、Agent Skill由誰維護、權限如何調整，以及異常結果如何處理。這些設計使Agent能長期運作，也讓第二個場景能沿用既有架構，避免每一次導入都重新從零開始。
成效應透過實際營運指標驗證。NPI場景可觀察RFQ平均處理時間、單位人力處理案件數及量產導入週期；設備場景則可觀察非預期停機、平均修復時間與OEE。這些指標能協助企業衡量投資報酬率（Return on Investment, ROI），並確認AI是否真正改善工作與營運成果。
從單一Twin擴展為企業AI能力
當NPI Twin建立後，相同的資料串接、Agent Skill設計、權限治理、專家協作與效益驗證方法，可以逐步延伸到供應鏈、製程、生產與物料管制、設備及品質等領域。
不同Domain Twin可共用企業平台、系統資料與治理機制。NPI評估發現的材料風險，可以進一步連結供應鏈的供應商與交期判斷；設備條件對良率的影響，也能回到製程與品質分析。當不同領域的Agent Skill逐步連接，企業便能形成跨部門的AI協作能力。
當AI使用逐漸成為企業基本能力，競爭差異將反映在組織累積與複製經驗的速度。Domain Twin讓領域專家與AI的每一次協作，都能在權限可控、過程可追蹤的條件下沉澱為Agent Skill，使企業Know-how持續轉化為接單能力、設備效率、營運韌性與長期組織資產。
