文‧圖／葉宏謨博士
資訊系統的複雜度及可控制性，和人機參與的程度有關。機器聽話，人不聽話。機器可控，人不可控。參與輸入資料的人越多，資料品質越差。套裝 ERP 系統不易客製，由人勉強操作僵硬的套裝 ERP 系統，資料品質一定有問題；由 AI Agent 操作 ERP 系統，資料品質較佳，企業應盡可能讓 AI Agent 而不是人類來使用 ERP 系統。ERP 系統的單據非常多，每張單據都會改變企業的多種資料。ERP 系統的失敗案例很多，因為參與輸入單據的人太多，只要輸入太慢或輸入錯誤，ERP 系統就會失效。唯有自動化和智能化，減少人為輸入資料才能解決 ERP 系統失效的問題。本文敘述一個實際場景，由 AI Agent 定期自動生成工令單指示生產線開工，開工後每一批產品流到最後一站時自動生成領料單、入庫單、並回報所有資源的耗用數量，完全不由人類輸入資料，以確保資料品質。
任何資訊系統只要參與的人太多，其資料品質就會出問題。負責飛機起降的資訊系統，參與的人是飛機駕駛員和機場塔台人員。自駕車的資訊系統，參與的人最多就只有一位駕駛人。自動化工廠生產線，包括機械手臂、品質檢測設備、自動倉儲 AS/RS、搬運材料的 AGV、自動換刀加工的 CNC 機台、…等，參與其資訊系統的人只有坐在中控室的一位員工。參與以上這些系統的人只有一、二位，越重要的資訊系統，其資料處理越應該自動化和智能化，參與的人類越少越好。
以人工智慧改善資料品質的實驗
一般人認為 AI 像 5 歲以下的小孩，會「一本正經的胡說八道」，應該無法改善資料品質，但結合新企業協作（Neo Enterprise Orchestration, NEO）平台的 SOA 元件、AI、IoT 的 AI 基礎建設（SOAIOT）絕對不會胡說八道，可產出高品質資料，是值得信賴的 AI 工作伙伴。NEO 把 ERP 拆成鬆散耦合的一萬多個SOA 服務元件，AI 只負責找到並組合最適合的元件，再由元件處理資料。人只要交待任務給 AI 就行，AI 不處理資料，所以不會胡說八道。用戶若不熟 NEO 的元件，可由 CIO 或 FDE（前線部署工程師）[註 1] 幫忙提示 AI，再將提示封裝成技能（Skill），用戶就能以一句簡單的話請 AI 完成複雜的任務。
資料品質的指標包括：完整性、一致性、唯一性、準確性、和及時性等，NEO 的資料完全由 SOA 服務元件處理，沒有人碰得到資料庫，資料的完整性、一致性、和唯一性沒有問題，可能會有問題的是準確性和及時性，決定於 SOA 服務元件是否能及時而正確的被呼叫。
ERP 相關的人事物很多，而「事」包括品質檢驗、銷售出庫、採購入庫、…等，本文以「製程報工入庫」為例，以製造業的製程、作業、資源相關單據作實驗，證明 AI 能改善資料品質。製程中有許多作業，每一個作業都要耗用多個資源，作業員須以「作業回報單」回報作業產量和資源耗用。資源可分為設備和人力，設備資料較容易及時輸入（因為機器較聽話）。CNC 機台、機械手臂、AGV、AS/RS 等設備的可程式控制器（Programmable Logic Controller, PLC）能呼叫 NEO 的 SOA 服務元件 API，所以能即時輸入或取得資料。
人力資源和未自動化的設備之資源耗用資料必須人工輸入，就會有及時性和正確性的問題。生產線根據工令單的內容製造產品，需要作業員輸入的資料包括工令領料單（WP）、工令入庫單（WI）、和作業回報單（OP）。開工前必須開立 WP 去倉庫領料，批次材料流經每個作業站時必須開立 OP 單回報作業產量和資源耗用，到了最後一站除了 OP 單還必須開立 WI 單將完成品存入倉庫。
[ 加入 CIO Taiwan 官方 LINE、Facebook 與 LinkedIn，與全球 CIO 同步獲取精華見解 ]
筆者服務過的工廠包括半導體封裝廠（矽品精密工業），以及精密鑄造廠（復盛應用科技，全球最大高爾夫球桿頭製造商）。半導體封裝製程只有 6 至8個作業，且幾乎全部自動化，所以較無資料品質的問題。高爾夫球桿頭的製程超過 100 道作業，且多數作業（例如磨光）無法自動化。假設球桿頭製程有 100 道作業，平均每道作業耗用 2 種資源，1 張工令分成 10 批生產，為了生產 1 張客戶訂單的產品，生管單位會開出 1 張工令單（WO），由於現場空間或載具容量的限制，通常會分批生產。如果分成 10 批，作業員就必須開出 10 張工令領料單（WP）、10 張工令入庫單（WI）、和 1000 張作業回報單（OP）、共須回報 2000 筆資源的耗用。
作業員不願意或沒時間處理這麼多單據，為了有及時資料能參考，可開發一個AI 應用，作業一結束 AI 立即以「標準值」產生相關單據，讓 ERP 系統能及時的反映出企業的狀態，解決資料及時性的問題。作業員不用處理單據，只要在進入或離開作業站時刷員工條碼（或自動感應員工識別證的 RFID），每一批產品流入作業站時刷工令單號（WONO）條碼（或自動感應棧板或托盤的 RFID）即可。
當然，標準值必須夠標準才行。為了設定客觀的標準值，企業可定期（一天或一週）收集實際資料，例如人員的打卡記錄、WO 單進入作業站的時間記錄、或水電費的帳單，分析標準值和實際值的差異。AI 判斷一期間的實際資源耗用是正常或異常，若是異常則分析差異原因並矯正之，若是正常差異則將差異分配給各資源，再分攤給企業的各種產品或服務，修正標準值，解決資料正確性的問題。請注意在定期分析差異和調整標準值時，人類一定要介入，一定要 Human-In-The-Loop（HITL）。企業主管能從 ERP 系統得到及時資料，主管也知道由標準值產生的資料當下可能有小誤差，但很快就會調整為實際值，資料的正確性是可以接受的。
工令單（WO）是為了製造產品庫存，WO 的完工數量為歷次的工令入庫單（WI）數量之總和。若發生不良可暫時記錄在作業檢驗單（OI），作為差異分析時的參考。本文使用 NEO 的 AI 代理（NeoAI），實作3個AI 應用，第1個AI 應用是自動處理 WP, WI, OP 單，第2個AI 應用是將單據的標準值調整為實際值，第3個AI 應用是把 AI 應用寫成可獨立執行的應用程式從此不再需要 AI 代理。
完工一批產品 AI 即自動以標準值建立所有相關單據
以製造巧克力杏仁蛋糕的食品廠為例，製程包括發麵作業、成型作業、和烘焙作業，每批產品會產生 1 張工令領料單、1 張工令入庫單、和 3 張作業回報單。使用者希望客製一個儀表板，讓他在生產過程中不需要處理任何單據，只要在入庫一批產品時按一下儀表板，AI 就自動生成所有相關的數十張領料單、入庫單、和作業回報單。
FDE 和使用者討論後，提示 AI：
「做一個儀表板，有一個營運點 ListPicker，一個已驗狀態之工令單 ListPicker（內容包括工令單號、狀態、件號名稱、開工日期、開工數量、完工數量，預設為最後一筆），和一個本次完工數量 TextBox（預設為 1），和一個執行按鈕，按下後以服務編排串接（1）若工令單之狀態為開立則確認工令單，（2）批次工令領料單依工令單新增，（3）工令領料單轉單執行，開始站點是工令領料單開立，結束站點是工令領料單結案。（4）批次工令入庫單依工令單新增，新增後若 WI 單狀態為待驗則（5）檢驗（INSPECTION），檢驗是否合格為 Y，合格數量為本次完工數量 TextBox 之值，不良數量為 0，（6）工令入庫單轉單執行，開始站點是工令入庫單已驗，結束站點是工令入庫單結案，（7）批次作業回報單新增（工令單作業資料群為該 WONO 和所有序號），（8）作業回報單轉單執行，開始站點是作業回報單開立，結束站點是作業回報單確認。過程中若失敗則停止執行並告訴我失敗原因。」
按了「執行服務編排串接」鈕後，AI 完成所有單據的新增，本例為 1 張 WP、1 張 WI、和 2 張 OP。因菠蘿麵包有 2 個作業（前置、烘焙）故 AI 開 2 張 OP 單。AI 同時將整個服務編排執行過程顯示出來，如下圖：
AI 定期自動將作業回報單的標準值調整為實際值
AI 定期自動盤點資源總耗用資料，週期時間（Cycle Time）短的產品一天盤點一次，週期時間長的產品一週盤點一次。作業員進入作業站要刷員工條碼，每一批產品流入作業站也要刷工令單號條碼（可得到產品代號），定期盤點時 AI 會自動統計在這段期間所有工令產品在每一道作業耗用每一種資源的總耗用數量。由於日常 AI 已根據標準值自動開立作業回報單（OP），定期盤點後 AI 分析實際值和標準值的差異，在人類介入（HITL）的前提下，將差異分攤至各 OP 單並調整之，原耗用數量記在 OP 單明細的註記欄，以計算標準和實際值的差異，AI 可隨時分析何時需要維護何種標準值。使用者提示 AI：
「做一個儀表板，畫面有起始 OP 單 ListPicker（預設 OP2611000005）、結束 OP 單 ListPicker（預設 OP2611000006），OP 單狀態為確認，資源選單（可多選），實際投入資源的總耗用數 TextBox，請用服務編排串接（1）取消確認這些作業回報單，（2）呼叫作業回報單修改，依原耗用數量比例修改作業回報單的耗用數量，原耗用數量記在製造明細註記四，修改就好千萬不要作廢，（3）確認這些作業回報單。呼叫服務時的 RETURNVALUE 為 Y 才繼續，若為 N 則中止執行並顯示 RETURNMSG 給我。」
使用者按了「執行 OP 資源耗用自動調整」後，畫面出現：
使用者再按「確認執行」後，AI 即完成 OP 單資源耗用的調整。
此時，使用者再提示 AI：
「合併查詢作業回報單，單號從 OP2611000005 至 OP2611000006，顯示資源名稱、資源類別、耗用數量、原耗用數量。」
AI 回應：
兩張 OP 的人工資源耗用標準值都是 2，而總實際值是 5，耗用數量依原回報標準值比例以總實際值 5 調整為各 2.5。從 AI 的回應，使用者可以確定 OP 單資源耗用數量的調整是正確的。
匯出可獨立執行不需要 AI 的應用程式
AI 的符元（Token）非常昂貴，很多企業在第一季就花光整年度的預算 [註 2]。NeoAI 建立在 NEO 的 SOA 服務元件之上，可提升 Prompt 的效率，降低 Token 耗用，而且只有在 NeoAI 寫程式時才會耗費 Token，NeoAI 寫完程式後就能匯出可獨立執行的版本（.exe 或.zip），不再需要 AI，不用花費 Token，還可以分享給別人。在 NeoAI 的主畫面上可打開儀表板目錄如下：
目錄中的儀表板名稱都是 NeoAI 自己用英文命名，本文的「自動以標準值建立所有單據」即 dashboard wo orchestration，能解決資料及時性的問題。本文的「自動將 OP 單的標準值調整為實際值」即 dashboard op resource adjust，能解決資料正確性的問題。每個儀表板區塊的右上方有一個「重新命名此儀表板」按鈕，可自己命名，用中文也可以。每個儀表板區塊的下方有一個「匯出獨立版」按鈕，按下後出現：
可選擇.zip 或.exe，再按「開始匯出並下載」就能在電腦的下載資料夾看到程式，可分享給任何人。執行 NeoAI 的儀表板程式，一定要先登入 ERP 系統（可以是任何 ERP 系統），沒有 ERP 系統帳號密碼以及 NEO 的 SOA 服務元件權限的人就算有儀表板程式也無法使用，所以 NeoAI 是安全的。ERP 系統和 NEO 都安裝在企業的內網，NeoAI 則安裝在個人電腦。NeoAI 的儀表板應用程式不需要 AI 的 LLM，所以不需要連到外網。使用 NeoAI 可快速客製任何使用者需要而 ERP 系統沒有的應用程式，且企業資料不會外流。
結論
機器聽話，人不聽話。機器可控，人不可控。參與輸入資料的人越多，資訊系統越不可控。NEO 的 SOA, AI, IoT 可建立企業 AI 應用的基礎建設（SOAIOT），讓用戶用自然語言就能開發 AI 應用，並以 AI 應用來改善資料品質，包括最重要的及時性和正確性。本文以實際場景作實驗，證明 AI 確實可以改善企業資料的及時性和正確性。作業員只要告訴 AI 工令單號和完工數量，AI 就會自動處理掉所有相關的工令領料單、工令入庫單、以及作業回報單，完全不需要人工輸入資料，可改善資料的及時性。AI 利用所有作業回報單相關資源的實際總耗用數量，修正每一張作業回報單的明細標準資源耗用數量，可改善資料的正確性，也能讓標準值更客觀、更標準。
ERP 系統中的主資料（Master Data）維護因為沒有複雜的流程，可以由人來操作，簡單的作業也可以使用既有的 ERP 功能。如果是涉及多階段的複雜作業，如本文所舉範例，則不應由人來操作 ERP 系統，人應該透過 AI 來使用 ERP 系統，真正操作 ERP 系統的是 AI。
[ 瀏覽葉宏謨所有專欄文章 ]
企業現行的 ERP 系統或許不是 SOA 元件化架構，無法由 AI 組合、呼叫服務元件，只要定期把主資料同步到 NEO，就可以利用 NEO 的製造模組快速開發本文所敘述的 AI 應用了。NEO 是 Agentic ERP 系統，除了製造模組，還有採購、銷售、庫存、成本、財務、會計、…等模組，每個模組都可以開發多個AI Agents，所以不只製造業能快速開發 AI 應用，所有產業都可以。
從企業經營的 AI 應用角度來看，中大型企業只要有安裝小語言模型（SLM）的地端 AI 伺服器就能訓練 AI 找到服務元件並加以組裝（也是服務元件），不需要租用雲端極耗土地（Land）、電力（Power）、機房（Shell）的 AI 資料中心，既安全又便宜。
買不起地端 AI 伺服器的中小企業，可租用便宜的雲端大語言模型（LLM），只有在叫 AI 寫程式時需要用到 LLM，寫完程式匯出獨立版就不需要 LLM 的 Token 了，而客製一個應用程式只需要幾分鐘到幾十分鐘，費用極低。唯一要注意的是，在開發階段必須登入 NEO 測試環境或很多大學都有的 NEO 環境，開發完成匯出獨立版後才登入企業內部的正式環境。
盡量讓 AI 而不是人來操作企業的 ERP 系統，不但人更輕鬆，資料品質也會更好。
參考文獻
[註 1] 何信達，FDE 前線部署工程師-讓 AI 真正落地的角色，CIO Taiwan，2026年5月31日。
[註 2] AI 預算四個月就燒光？搞懂 Token 治理，別讓人工智慧變薪水小偷！CIO Taiwan，2026年7月7日。
(本文授權非營利轉載，請註明出處：CIO Taiwan)
