深入企業流程、資料與組織現場
FDE 逐漸受到市場重視，然而如何進行仍透著模糊，本文透過一場以 30 小廠的實際 AI 轉型，深入企業現場，把 AI 模型能力轉化為可以實際運作的企業流程與營運成果進行說明。
採訪╱施鑫澤‧文╱林裕洋
生成式 AI 快速發展，企業推動相關專案門檻正在下降，然而 AI 進入日常營運的難度卻沒有降低。從聊天機器人、Copilot 到各類 AI Agent，整體市場呈現百花齊放的趨勢，企業可以選擇的 AI 工具非常多樣，但是卻缺少把模型能力與既有流程、資料及組織分工串接起來的能力。
根據 MIT 公布「The GenAI Divide — State of AI in Business 2025」報告，高達 95% 生成式 AI 專案，尚未對企業損益產生可量化的影響。這項數據也凸顯出企業導入 AI 技術面臨的矛盾，即在 AI 模型能力持續提升，卻未必因此獲得相對應的營運效益。
關鍵原因在於，AI 專案從 PoC 走向落地應用，往往存在在一段不短的「最後一哩」，企業必須處理資料如何取得、流程如何定義、AI 如何與既有系統串接，以及最終如何讓員工真正使用等問題。
在一場以 FDE 落地經驗分享的研討會中，特立資本創辦林楨特便表示，從 MIT 報告結果顯示，多數企業尚且無法感受到生成式 AI 的效益，其實這是件非常矛盾的事情。因為，從 2022 年底至今，AI 模型能力每一季都在進步，不僅模型參數更大、推理能力更強，且部署與使用成本也比過往更低，理論上應該越來越容易享受到 AI 帶來的效益。實際上大多數企業投入資源推動 AI 後，往往是一套使用率不高的聊天機器人，或是一份漂亮卻無法落地的 PoC 報告。
由此可見，生成式 AI 專案成敗關鍵，並非採用的模型參數規模或能力的高低，而在於能否跨越「最後一哩」，即從「模型具備能力」真正走到「組織因此改變運作方式」的過程。為彌補這段落差，FDE 不只是負責技術開發的工程師，更會帶著方法論深入客戶環境，將 AI 從概念驗證一路達到落地應用等級。這代表 FDE 正在改變企業導入 AI 的方式，成為科技巨頭爭奪 AI 市場的全新戰場。
[ 加入 CIO Taiwan 官方 LINE、Facebook 與 LinkedIn，與全球 CIO 同步獲取精華見解 ]
AI 落地戰場 關鍵在企業現場
前面提到，AI 應用真正落地的挑戰並非模型本身，因為企業導入 AI 後所面對的挑戰，往往是比模型訓練環境複雜的真實世界，ERP 系統、製造流程、部門權責與員工的工作習慣，並不會隨著模型升級而同步改變。
FDE 是深入客戶實際工作環境，理解企業每天如何運作，再依照真實需求調整 AI 應用，將模型真正嵌入既有流程之中。換句話說，FDE 扮演的並不只是「技術交付者」，更像是站在企業與 AI 之間，負責把兩者真正接起來的角色。
林楨特表示，當前有三大趨勢代表 FDE 時代來臨。首先，被視為 FDE 模式發明者的 Palantir，選擇透過派工程師駐進客戶環境，運用真實資料在五天之內做出一個實際應用的產品。自從推出 Palantir AIP 後，該公司舉辦超過 1,000 場訓練營，最終帶來上千萬美元的合約。這代表傳統展示意義不大，企業要看到自身資料、流程等應用方式，以及打破 AI 落地的最後一哩路。
林楨特指出，第二個趨勢是 2026 年 5 月OpenAI 成立 OpenAI Deployment Company，並且透過收購知名顧問公司方式，增加 150 名 FDE。OpenAI 認知到單純把模型做得更強，已經不足以贏得市場，必須具備把模型變成營運成果的能力。
第三點則是美國 FDE 相關職缺年增超過十倍，Anthropic、Google 也在市場上積極搶人，因為這類工程師不僅懂 AI 工程，又需要可深入分析實際營運，此種跨領域的複合能力，正是目前市場上最缺少的資源。
從看得到走向用得動 AI 需開始執行工作不少公司都發生已經將 AI 專案落地，但是沒有發揮預期效益的狀況。儘管 ERP 裡有完整的訂單、庫存與各種資料，但是現場人員卻還是選擇透過電話確認進度、用白板追蹤狀況，而不想使用 AI 工具處理。
若進一步分析此種尷尬狀況原因，在於從「資料存在」到「資訊被使用」，再到「決策真正執行」之間，仍存在一段不小的落差。且主要集中在三個環節。
首先是資料能不能進入系統，儘管企業的 ERP系統中有訂單、製令、庫存、報表等資料，但是並沒有授權現場人員使用。其次，員工能否快速查到所需的資訊。儘管系統裡雖然有大量資料，但真正僅有少數
員工知道該查什麼、去哪裡查，以及如何操作系統。多數員工只是想確認一個數字，卻得先開啟陌生的系統介面、找到對應功能，再層層查詢，最後很可能乾脆選擇打電話詢問。
最後是決策總是慢半拍。現場每天都可能發生各種變化，例如零件缺料、設備異常、訂單卡關等，但這些訊息往往無法即時回流到系統。管理者可能要等到開會時，才第一次知道現場發生了什麼事，這也代表當問題浮上檯面，往往已經錯過最佳處理時機。
林楨特說，FDE 駐廠時經常發現，ERP 中有非常完整的資訊，但現場環境還是靠電話、紙張甚至白板在運作，寶貴資料沒有真正成為日常工作的決策依據。企業必須了解傳統商業智慧工具主要解決的是「看得到」的問題，即將資料轉換成報表、儀表板，協助管理者掌握營運狀況。但「看得到」並不代表「用得動」。
AI 導入成功與否的關鍵，在於進一步把核准、調撥、改期等具體業務動作，以業務語言精準定義清楚，讓 AI 除了提供資訊，還能夠進一步執行動作。
[ 推薦閱讀：FDE 成為企業 AI 時代的關鍵人才 ]
收集寶貴企業知識 助攻 AI 落地
從許多 FDE 分享駐廠經驗來看，另一個容易被忽略問題，則是許多重要關鍵知識並不在 ERP 裡。尤其臺灣是以接單式生產為主的製造業，許多判斷方式、例外處理與工作經驗，仍然掌握在資深員工手中。例如當某項製程出現異常時，資深員工通常知道下一步應該先找誰確認，但這些資訊不一定存在 ERP 的欄位中。這代表企業即使重新更換一套 ERP，也無法將這些現場知識自動納入系統。
因此，AI 導入真正要處理的工作，是要將原本分散在人員經驗、作業流程與例外處理中的知識，重新整理、串聯，轉化為 AI 能夠理解與運用的流程與規則。
林楨特指出，在實際案例中，一位組裝師傅在系統裡輸入一句話，反映某個環節卡住了。AI 系統從簡短的回報中，分析出問題可能卡在料件短缺，於是主動到採購的 LINE 群組詢問料件的交期，並且向原本反映問題的師傅交代進度，以及把追蹤鏈完整記錄進系統。
此外，在接收到該師傅輸入的「缺料不是我該反應」訊息之後，AI系統主動接手追料的工作，也沒有要求師傅持續跟進。最終，AI 透過跨部門協作掌握精準的到貨日，在更新排程之外，也通知組裝端。
從上述整個流程可以得知，系統明白告知組裝師傅「這幾天不會再追問」，是非常重要的關鍵。因為很多企業推動 AI 專案時，很容易忽略系統若持續打擾使用者、反覆追問同一件事，最終都會被員工當作雜訊而放棄使用。
為例，讓與會者了解 FDE 作業過程的內容與成效。
成效驗證：30 人工廠，每天跟 AI 對話
若要驗證 FDE 導入方法是否有效，最直接的方式自然是從實際案例進行驗證。以臺灣知名精密機械製造商的導入案例為例，AI 專案推動時，並沒有要求員工重新學習一套工作流程，而是直接嵌入原本就存在的工作習慣。
從接單、專案追蹤，到交期問題的掌握，AI 已成為日常營運的一部分。因此，儘管企業只有 30 名員工，但是從產線技師到總經理，都成為 AI 系統的日常使用者。
該專案導入後的成果非常亮眼，且可從四個具體指標看出變化。首先，該公司在導入 AI 前，接單狀況已經停滯超過半年，而在 AI 系統啟用的首個月，接單狀況馬上恢復穩定，至今更已經持續簽下新約。
其次，在專案追蹤方面，原本只能靠每週例會掌握 48 個專案的進度，目前只需要透過 LINE 訊息就能完成回報。
第三點則是交期卡點的發現速度，過往都要等到週會才會浮現，現今已縮短到問題發生後幾分鐘內，相關人員就能立即掌握相關資訊。
林楨特表示，最讓人意外部分是，該公司沒有舉辦任何教育訓練。因為這套系統直接嵌入員工原本使用的 LINE，不需要學習任何新介面，這正好突顯出許多 AI 導入專案最後會陷入「上線即棄用」原因，要求員工改變原本的工作方式。
相較之下，這個案例並不是要員工去適應 AI，反而是透過讓 AI 進入員工的工作流程。
現今企業衡量 AI 導入成效的方式正在改變。過去常見指標可能是上線多少套系統、產出多少張報表，或節省多少人工時間，但目前更直接的指標反而是接單有沒有增加、專案進度能不能掌握，以及交期問題能不能更快被發現與處理。
正因如此，FDE 在選擇導入題目時，是先找出哪些問題真正影響企業營運與損益。庫存、排程、毛利等，都可能比單純節省幾個人工時，更值得優先處理。
[ 推薦閱讀：Harness Engineering 與 FDE 崛起 落實 AI 轉型 ]
四階段方法論 AI 走入日常營運
FDE 模式與傳統 AI 導入最大差異之處，在於傳統專案往往先從需求訪談、系統規格與 PoC 開始，等到模型或系統完成後，再交由企業評估是否適合實際使用。FDE 則從 AI 能否在現場真正運作出發，所以團隊直接進入企業工作現場，理解實際流程、資料與例外情境，再把這些資訊轉換成可以持續驗證的流程模型與應用。
而支撐此種做法的核心，是一套非常完整的四階段方法論，讓客戶看到的導入流程，與 FDE 團隊內部執行的方法完全一致。尤其每個 AI 推動階段都有明確目標與交付成果，確保專案不會停留在簡報或概念驗證，而是一步步走進企業日常營運。
四階段方法論的第一階段是流程建模。FDE 團隊會實際駐進企業現場，從人、機、料、法、環等面向梳理實際運作流程，進一步建立涵蓋角色、資料、流程與例外情境的完整模型。這套由雙方共同建立的流程模型，將成為後續 AI 應用的共同基礎。
第二階段進入模組建構，一次只處理一個明確問題，例如查詢、回報或守門等功能，同時透過每週稽核與退回機制，持續檢驗系統判斷是否符合現場需求。因此，這個階段交付的不是概念驗證，而是一個真正能在工作現場運轉的系統。
林楨特指出，四階段方法論的第三階段則是正式營運。系統開始與真實使用者持續互動，並從實際使用中不斷校準，將正確的做法留下來、錯誤的持續修正，形成新的標準。隨著互動累積，AI 開始掌握企業自身的流程與判斷邏輯，讓這些經驗成為組織資產。
第四階段是擴充。當第一個應用場景完成驗證後，便可以在既有流程模型上繼續疊加第二個、第三個應用。此時「一次聚焦一間企業、深入完成導入」的價值便逐漸顯現，畢竟若每次輔導企業都必須重新理解流程、資料與例外狀況，FDE 模式很難隨客戶數增加而擴大。
反之，當第一家企業的應用情境累積得夠深入，由於同產業具備共通性的流程、角色與資料結構，自然就有機會複製相關經驗與應用，可降低導入的邊際成本。
因此，FDE 真正要累積的，是經過現場驗證、可以持續承載新應用的流程模型。當第一家企業實際落地之後，後續第二個、第三個應用就可借鏡，這正是 FDE模式能夠進一步規模化的基礎。
當然此套方法背後也有三項執行紀律，首先是優先處理庫存、排程、毛利等真正影響損益的問題，而不是只追求零碎的人力節省；其次是讓企業在早期就能看到實際運作成果；最後則是先建立完整、可驗證的企業流程模型，再以此作為後續應用與產業複製的基礎。
[ 推薦閱讀：軟體元件能讓用戶自主開發 ]
FDE 角色吃重 打造可複製產業經驗
從 MIT 公布的 95% 生成式 AI 專案，尚未對企業損益產生可量化的影響，代表 CIO 評估 AI 專案的方式可能需要改變。過去企業可能會從模型能力、功能數量、導入成本或 PoC 成果評估一個 AI 專案。但當 AI 進一步走向生產環境，專案人員需要觀察是否進入員工每天的工作流程，以及是否對庫存、排程、接單、交期或管理決策產生實際影響，而這也是 FDE角色逐漸受到重視的原因。
林楨特指出，企業需要不只是懂 AI 的員工，而是能夠把 AI、資料、企業流程與組織運作放在一起思考的顧問。FDE 可從駐廠開始理解問題，再透過流程建模、模組建構與正式營運持續修正，最後將驗證過的流程擴展到更多場景，FDE 處理的正是模型與企業實際運作之間的落差。
從模型能力、PoC 數量到實際營運成果，企業衡量 AI 價值的標準正在改變。當 AI 從實驗階段走進生產環境，未來的競爭力將取決於誰能更快把 AI 嵌入企業流程，讓資料、知識與決策真正串接起來。
目前 FDE 扮演角色，正是補上模型與企業現場之間的最後一段距離，透過深入理解流程、資料與組織運作，除了協助企業「導入 AI」，更讓 AI 真正成為企業日常工作的一部分。隨著 AI Agent 持續發展，企業需要的將是更多能夠理解產業、流程與技術的跨域人才，協助 AI 打破落地挑戰。
(本文授權非營利轉載，請註明出處：CIO Taiwan)
◤ AI 轉型的方法論。
