製造業導入AI卡關?iKala攜手Google Cloud、KPMG加速規模化落地應用
缺工、供應鏈波動與成本壓力交織,製造業的生產力面臨考驗。設備自動化雖提升效率,系統各自運作卻拖慢應變腳步。如今Agentic AI能自主規劃、調用工具並協作,有望打通系統藩籬,但從單點試驗走進營運核心,仍有關卡待跨越。
聚焦這道轉型難題,iKala與Google Cloud、KPMG和DIGITIMES舉辦「未來智造:跨越轉型鴻溝|Agentic AI賦能智慧製造」論壇,從價值鏈重塑、基礎建設、資安治理到規模化部署,探索AI走進產線的實踐路徑。
iKala共同創辦人暨集團董事長Sega Cheng(程世嘉)指出,台灣人口結構改變加劇缺工,製造業極需AI 提升生產力。然而,AI投資的關鍵相較於技術導入,更在對於廠端而言能否提升設備效率、減少非預期停機並降低營運成本。隨著AI逐步深入生產系統,企業也須正視資安威脅與營運中斷風險,兼顧安全治理與投資效益,才能推動製造業從自動化邁向自主化。
AI邁向自主決策 價值鏈轉型考驗企業體質
自動化設備、ERP及MES雖已大幅提升工廠營運效率,但一旦面臨急單、缺料或產能異動,真正的挑戰往往不是單一系統能否處理,而是企業能否快速整合跨部門資訊並做出決策。Agentic AI的價值正在於此,透過AI Agent主動分析資訊、調用工具並協同執行任務,進一步串聯原本分散於不同系統與部門的決策與工作流程。
KPMG安侯建業聯合會計師事務所工業產業主持人Kyle Chen(陳其愷)引用《2026年全球CEO前瞻大調查》指出,72%受訪CEO計畫於未來一年內投入逾一成預算於AI,而隨著投入加速,人才轉型、資料可信度與治理能力也同步成為企業必須面對的課題。他認為,製造業AI轉型可循「賦能、嵌入、進化」三階段推進,從提升個人工作效率、整合部門流程,逐步走向跨系統的自主協作。
要讓AI真正進入企業核心營運,Kyle Chen提出Right Value、Right Process、Right Data、Right Governance及Right People五項就緒要素,強調AI導入不能只從技術出發應回到經營目標,重新檢視流程、資料、治理與人才是否同步到位。以客戶臨時追加訂單為例,不同AI Agent可協同分析產能、物料、交期與成本,即時掌握訂單變動對各部門及整體營運的影響,讓AI從「單點效率工具」進一步成「價值鏈決策支援」。
個人效率難換企業ROI AI Ready串起全廠協作
雖然生成式AI讓員工寫報告、分析資料更快,但個人生產力的提升,未必能直接轉換為企業營運效益。管理階層自然會追問:AI投資究竟帶來多少回報?
iKala AI服務事業部副總經理Gary Yang(楊之奇)認為,Multi-Agent的價值不在部署AI Agent的數量,而是讓不同角色協作,完成跨系統與部門的工作。解決實際營運問題,創造可衡量的投資效益。
為讓AI走進全廠流程,iKala提出AI Ready Framework,以Infrastructure Ready、Data Ready及Tool Ready奠定部署基礎。Infrastructure Ready兼顧雲端算力與工廠端Edge AI,滿足低延遲及斷網運作需求;Data Ready整合MES、ERP、設備紀錄與製程參數,建立可信資料脈絡;Tool Ready則透過API、工作流程編排、權限與稽核機制,讓AI Agent從讀取資訊、提出建議,在受控環境下執行跨系統任務。
Agent深入產線核心 權限控管成為治理關鍵
隨著AI從提供建議走向實際執行,資安風險從資料存取延伸至模型行為與操作權限。製造業IT與OT環境交錯,AI Agent一旦取得過多權限或產生錯誤判斷,即可能影響產線穩定。企業須管控AI如何使用資料、呼叫工具,並保留人工審核機制。
Google Cloud客戶解決方案架構師Neo Chen表示,企業不必只關注模型選擇,也須兼顧應用整合與治理。企業導入AI不應只關注模型效能,更須兼顧資料整合與安全治理。透過Manufacturing Data Engine 整合製造現場資料,搭配Apigee管理API存取權限與流量,並支援將REST API封裝為MCP工具,協助AI Agent在受控環境下串接企業系統。
此外,Google Cloud的Model Armor可協助檢查惡意提示詞與敏感資訊,結合工具權限管理,降低AI Agent使用企業資料與工具時的安全風險,為跨系統應用建立更完善的防護機制。
從PoC到正式部署 SCOPE框架加速AI規模化應用
AI即使在測試階段(PoC)表現良好,進入正式產線仍得面對資料品質、設備差異、系統整合及組織配合等挑戰。iKalaAI服務事業部解決方案架構師Paggie Chen(陳姵淇)引用調查指出,企業投入AI PoC的比例由42%升至80%,但實現規模化應用的比例僅約20%,反映技術驗證與正式部署之間仍存在明顯落差。
為突破部署瓶頸,iKala提出SCOPE框架,涵蓋Select for Scale、Commit to Production、Openness、Platform及Evidence五項原則。企業從選題便須評估跨產線、跨廠複製潛力,在PoC階段納入正式上線條件,建立透明、可解釋的決策機制與共用平台,再以良率、設備效率、停機時間及成本等指標驗證效益。
Paggie Chen以SMT製程為例,透過AI預測焊點品質,據此決定是否送X光檢測,並納入品質管理流程;再以Shadow Mode平行測試搭配人工監督降低導入風險,累積正式部署所需的信任。
透過AI Ready基礎建設、安全治理與SCOPE框架,iKala協助製造業將技術試驗成果轉化為可複製的營運應用。每次PoC累積的資料、流程與治理資產,都能在後續部署派上用場,使AI投資效益延伸至更多產線,提升工廠自主應變能力。











