制造业导入AI卡关?iKala携手Google Cloud、KPMG加速规模化落地应用 智能应用 影音
DIGITIMES Logo
231
DIGITIMES Logo
DForum1211
Event

制造业导入AI卡关?iKala携手Google Cloud、KPMG加速规模化落地应用

  • 周建勳/台北

聚焦跨系统协作、AI治理与投资效益,iKala以AI Ready与SCOPE框架加速Agentic AI落地。iKala

聚焦跨系统协作、AI治理与投资效益,iKala以AI Ready与SCOPE框架加速Agentic AI落地。iKala

缺工、供应链波动与成本压力交织,制造业的生产力面临考验。设备自动化虽提升效率,系统各自运作却拖慢应变脚步。如今Agentic AI能自主规划、调用工具并协作,有望打通系统藩篱,但从单点试验走进营运核心,仍有关卡待跨越。

聚焦这道转型难题,iKala与Google Cloud、KPMG和DIGITIMES举办「未来智造:跨越转型鸿沟|Agentic AI赋能智能制造」论坛,从价值链重塑、基础建设、网安治理到规模化部署,探索AI走进产线的实践路径。

程世嘉表示面对制造业缺工与生产效率挑战,企业应聚焦实际营运痛点,透过AI提升人力与设备生产力。iKala

程世嘉表示面对制造业缺工与生产效率挑战,企业应聚焦实际营运痛点,透过AI提升人力与设备生产力。iKala

iKala共同创始人暨集团董事长Sega Cheng(程世嘉)指出,台湾人口结构改变加剧缺工,制造业极需AI 提升生产力。然而,AI投资的关键相较于技术导入,更在对于厂端而言能否提升设备效率、减少非预期停机并降低营运成本。随着AI逐步深入生产系统,企业也须正视网安威胁与营运中断风险,兼顾安全治理与投资效益,才能推动制造业从自动化迈向自主化。

陈其恺建议制造业导入Agentic AI,应打破跨部门数据孤岛,推动AI从单点应用延伸至完整价值链。iKala

陈其恺建议制造业导入Agentic AI,应打破跨部门数据孤岛,推动AI从单点应用延伸至完整价值链。iKala

AI迈向自主决策  价值链转型考验企业体质

自动化设备、ERP及MES虽已大幅提升工厂营运效率,但一旦面临急单、缺料或产能异动,真正的挑战往往不是单一系统能否处理,而是企业能否快速整合跨部门信息并做出决策。Agentic AI的价值正在于此,透过AI Agent主动分析信息、调用工具并协同执行任务,进一步串联原本分散于不同系统与部门的决策与工作流程。

KPMG安侯建业联合会计师事务所工业产业主持人Kyle Chen(陈其恺)引用《2026年全球CEO前瞻大调查》指出,72%受访CEO计划于未来一年内投入逾一成预算于AI,而随着投入加速,人才转型、数据可信度与治理能力也同步成为企业必须面对的课题。他认为,制造业AI转型可循「赋能、嵌入、进化」三阶段推进,从提升个人工作效率、整合部门流程,逐步走向跨系统的自主协作。

要让AI真正进入企业核心营运,Kyle Chen提出Right Value、Right Process、Right Data、Right Governance及Right People五项就绪要素,强调AI导入不能只从技术出发应回到经营目标,重新检视流程、数据、治理与人才是否同步到位。以客户临时追加订单为例,不同AI Agent可协同分析产能、物料、交期与成本,实时掌握订单变动对各部门及整体营运的影响,让AI从「单点效率工具」进一步成「价值链决策支持」。

杨之奇以第一线产业经验分享iKala如何协助制造业整合运算环境、制造数据与工作流程,加速AI Agent 导入。iKala

杨之奇以第一线产业经验分享iKala如何协助制造业整合运算环境、制造数据与工作流程,加速AI Agent 导入。iKala

个人效率难换企业ROI  AI Ready串起全厂协作

虽然生成式AI让员工写报告、分析数据更快,但个人生产力的提升,未必能直接转换为企业营运效益。管理阶层自然会追问:AI投资究竟带来多少回报?

iKala AI服务事业部副总经理Gary Yang(杨之奇)认为,Multi-Agent的价值不在部署AI Agent的数量,而是让不同角色协作,完成跨系统与部门的工作。解决实际营运问题,创造可衡量的投资效益。

为让AI走进全厂流程,iKala提出AI Ready Framework,以Infrastructure Ready、Data Ready及Tool Ready奠定部署基础。Infrastructure  Ready兼顾云端算力与工厂端Edge AI,满足低延迟及断网运作需求;Data Ready整合MES、ERP、设备纪录与制程参数,建立可信数据脉络;Tool Ready则透过API、工作流程编排、权限与稽核机制,让AI Agent从读取信息、提出建议,在受控环境下执行跨系统任务。

Neo Chen分享Google Cloud如何透过云端数据平台与权限控管,支持企业跨系统AI应用。iKala

Neo Chen分享Google Cloud如何透过云端数据平台与权限控管,支持企业跨系统AI应用。iKala

Agent深入产线核心  权限控管成为治理关键

随着AI从提供建议走向实际执行,网安风险从数据存取延伸至模型行为与操作权限。制造业IT与OT环境交错,AI Agent一旦取得过多权限或产生错误判断,即可能影响产线稳定。企业须管控AI如何使用数据、呼叫工具,并保留人工审核机制。

Google Cloud客户解决方案架构师Neo Chen表示,企业不必只关注模型选择,也须兼顾应用整合与治理。企业导入AI不应只关注模型效能,更须兼顾数据整合与安全治理。透过Manufacturing Data Engine 整合制造现场数据,搭配Apigee管理API存取权限与流量,并支持将REST API封装为MCP工具,协助AI Agent在受控环境下串接企业系统。

此外,Google Cloud的Model ARMor可协助检查恶意提示词与敏感信息,结合工具权限管理,降低AI Agent使用企业数据与工具时的安全风险,为跨系统应用建立更完善的防护机制。

从PoC到正式部署  SCOPE框架加速AI规模化应用

AI即使在测试阶段(PoC)表现良好,进入正式产线仍得面对数据品质、设备差异、系统整合及组织配合等挑战。iKalaAI服务事业部解决方案架构师Paggie Chen(陈姵淇)引用调查指出,企业投入AI PoC的比例由42%升至80%,但实现规模化应用的比例仅约20%,反映技术验证与正式部署之间仍存在明显落差。

为突破部署瓶颈,iKala提出SCOPE框架,涵盖Select for Scale、Commit to Production、Openness、Platform及Evidence五项原则。企业从选题便须评估跨产线、跨厂复制潜力,在PoC阶段纳入正式上线条件,建立透明、可解释的决策机制与共享平台,再以良率、设备效率、停机时间及成本等指标验证效益。

Paggie Chen以SMT制程为例,透过AI预测焊点品质,据此决定是否送X光检测,并纳入品质管理流程;再以Shadow Mode平行测试搭配人工监督降低导入风险,累积正式部署所需的信任。

透过AI Ready基础建设、安全治理与SCOPE框架,iKala协助制造业将技术试验成果转化为可复制的营运应用。每次PoC累积的数据、流程与治理资产,都能在后续部署派上用场,使AI投资效益延伸至更多产线,提升工厂自主应变能力。