從報價單開始：台灣中小製造業導入 AI Agent 的第一步該怎麼踩
別從最難的排程下手。這篇談台灣中小製造業導入 AI 代理人最務實的起點、該問供應商哪三個問題，以及為什麼資料整理才是真正的成本。
從報價單開始：台灣中小製造業導入 AI Agent 的第一步該怎麼踩
台中一家做金屬加工的二代老闆跟我說過一句話，我一直記得：「我們公司最重要的資料庫，是陳課長的腦袋。」
陳課長做了二十八年，客戶的特殊條件、哪張圖要配哪種料、報價怎麼抓才不會虧，全在他腦子裡。他明年要退休。
這不是一家公司的問題，是台灣中小製造業的集體處境。而這件事，剛好是 AI 代理人（AI Agent）現在真正能派上用場的地方——不是取代陳課長，是趁他還在的時候，把他的判斷變成公司的資產。
先講最重要的：不要從最難的開始
我看過太多導入案死在同一個地方——一開始就挑最痛的問題。
老闆的邏輯很直覺：既然要花錢，當然要解決最大的痛點，所以第一個專案就選「生產排程最佳化」或「品質異常自動判斷」。然後專案就卡住了，因為這類任務需要的資料既多又亂，前置整理動輒半年，期間看不到任何成果，內部支持度一路下滑，最後不了了之。
正確的起點應該符合三個條件：重複性高、規則明確、做錯了代價不大。
符合這三條的任務，在製造業其實很多：
- 把客戶來的訂單（PDF、Excel、甚至 LINE 上的訊息）整理成系統要的格式
- 依據圖面與料號規則產出 BOM 的初稿
- 報價單的第一版草稿
- 依庫存與交期產出出貨建議
- 把散落的客訴紀錄整理成可查詢的知識庫
我特別推薦從報價單下手。理由是它同時滿足三個條件，而且成效極容易驗收——把 AI 產的初稿跟老師傅實際報的價放在一起比，準不準一眼就知道。更重要的是，這個過程本身就在做知識萃取：為了讓系統會報價，你必須把「為什麼這個客戶要加三個百分點」講出來，而這正是陳課長腦袋裡的東西。
工具怎麼選：本土與國際的實際差別
市面上的選擇大致分三類。
國際大廠的平台生態完整、與既有辦公軟體整合深，但在地化的導入服務與繁中語境的理解需要自己驗證。
自建路線彈性最大、長期成本最低，但需要工程能力，多數中小企業沒有這個人力。
本土的企業 AI 平台近年冒出不少，例如 EgentHub 這類主打把工作經驗轉成 AI 可執行標準流程的產品，應用場景就直接寫著訂單、BOM、工單、報價單這些製造業的日常。
我認為對台灣中小企業而言，本土方案的真正優勢不在技術規格，而在溝通成本。
導入 AI 最貴的從來不是授權費，是「把業務流程講清楚」這件事。你要讓系統理解你家的料號規則、某個客戶的特殊條件、這張工單該走哪條產線——這些東西沒有文件，只能靠來回對話挖出來。這個過程隔著時差、隔著語言、隔著對台灣製造業實務的陌生，會非常痛苦。
當然，如果你的需求偏向通用的文書與資料整理，ChatGPT 或 Claude 這類通用助理搭配內部規範也能起步，成本更低。判準是：你的任務需不需要讀到公司系統裡的資料。需要，就得走平台；不需要，通用工具就夠。
簽約前一定要問死的三件事
第一，資料存在哪裡，能不能地端部署。
圖面、BOM、客戶報價外流的損失，遠大於任何效率收益。要確認的不只是「安不安全」這種空話，而是具體的：資料落在哪個國家的機房、能不能裝在自己的伺服器、備份策略是什麼。
第二，送進模型的內容會不會被用於訓練。
這是完全不同的一層問題。就算資料存在台灣，如果內容被送進第三方模型且未被排除於訓練之外，你的報價邏輯可能就成了別人模型的一部分。條款要白紙黑字。
第三，權限能細到什麼程度。
業務不該看到成本結構，現場不該看到客戶報價。如果系統只有「能用」跟「不能用」兩種權限，那它進不了你的公司。企業級的角色權限管理（RBAC）是基本要求，不是進階功能。
資料整理才是真正的成本
最後這段我要講得直白一點：這類工具是放大器，不是發電機。
你的訂單資料如果散在十個 Excel、料號規則每個業務寫法不同、客訴紀錄只存在 LINE 群組裡，那再厲害的 AI 也讀不出東西來。導入專案有六成以上的時間會花在資料整理，而這部分沒有人能代勞——只有你的員工知道哪個欄位是什麼意思。
所以評估導入的第一步，其實不是找供應商，是找一個下午，把你最想自動化的那個流程，從頭到尾畫在白板上。畫得出來，代表規則是清楚的，那才有自動化的可能；畫不出來，先處理這件事。
TheAI學院 評語
我對台灣中小製造業導入 AI 的態度，大概可以用一句話總結：別想一步到位，但今年一定要開始。
原因是時間差。資深員工正在退休，而知識萃取這件事必須趁人還在的時候做。等到人走了才想把經驗數位化，你連問都沒地方問。
評語：AI 導入最大的風險不是買錯工具，是選錯了第一個題目——從最難的開始，通常也就是從最後一個開始。
三個具體建議。第一，這個月就挑一個「重複、規則清楚、錯了不會怎樣」的流程當示範案，報價單初稿是我最推薦的起點。第二，簽約前把資料落地、模型訓練、權限管控這三題問到白紙黑字，別接受「我們很重視資安」這種回答。第三，把資料整理的時間誠實排進專案時程，別讓它變成中途的意外——那是專案延宕最常見的原因。
想找更多具體的應用情境，本站的 AI 任務庫 整理了各種「我想用 AI 做⋯⋯」的做法與工具組合，可以當成內部討論的起點。
資料來源
依公開資訊整理，以官方說明為準。本文為導入方法的實務建議，不構成特定廠商的採購推薦。
常見問題
中小企業導入 AI Agent 大概要準備多少預算？
很難給一個數字，因為這類平台多半不公開價格、且依導入範圍計費。但我建議換個方式思考預算：真正的成本不在授權費，而在資料整理與流程釐清的內部人力。務實做法是先用一個小範圍的示範案取得報價，同時估算你的員工要投入多少工時做資料整理，兩者加起來才是真實成本。
為什麼建議從報價單開始，而不是生產排程？
因為報價單符合「重複性高、規則明確、做錯了代價不大」這三個條件，而且成效極容易驗收——把 AI 產的初稿跟老師傅實際報的價一比就知道。生產排程需要的資料既多又亂，前置整理動輒半年，期間看不到成果，內部支持度會一路下滑。從簡單的開始，是為了讓專案活得夠久。
用通用的 ChatGPT 不行嗎，一定要買企業平台？
判準是：你的任務需不需要讀到公司系統裡的資料。如果只是整理文字、寫信、翻譯，通用助理加上內部使用規範就夠，成本低很多。但如果要讓系統知道你家的料號規則、客戶的特殊條件、目前的庫存，那就需要能串接內部資料源、且有權限管控的平台。別為了用不到的功能付錢。
資料整理真的要花那麼多時間嗎？
以我看過的案例，導入專案有六成以上的時間花在這裡。原因是多數中小企業的資料散在不同的 Excel、命名規則不一致、有些東西根本只存在 LINE 群組或某個人的記憶裡。這部分沒有人能代勞，因為只有你的員工知道哪個欄位是什麼意思。誠實把它排進時程，別當成意外。
