AI 導入是第三步，不是第一步
這個案子不是接到「我們想導入 AI」開始的。是先把採購分析做出來， 客戶看到數字會說話之後，才回頭問「那接下來能不能用 AI」。三個階段，每一階段都是前一階段掙來的。
這個案子是怎麼長出來的
採購分析導入
起點不是 AI，是把採購資料變成看得懂的東西：供應商集中度、支出異常、風險分數。 這一階段交付的是可以拿去開會的分析，不是模型。
同一個題目的公開示範： 採購風險預警 Demo（合成資料）
AI 導入規劃
分析做出來之後，客戶問的問題變成「這些還能怎麼往前一步」。 這一階段交付的不是系統，是一套選型邏輯：哪些需求該用 AI、哪些不該、 資料敏感度決定架構要落在雲端還是廠內。（下面整頁的技術內容都屬於這一段）
經營分析進階
再往上一層是決策：當一個假設情境發生，要調哪條產線、先保哪個客戶。 這一階段用的是階層式代理人推演，產出是給管理層看的策略選項，不是圖表。
這個順序本身就是我的主張：先讓資料說得出話，再談 AI。 跳過第一階段直接做 AI 的專案，通常會停在「demo 很酷，但沒有人每天打開它」。
第二階段真正遇到困難的地方
「預測老是不準，我們知道。
但把訂單和產能資料丟給 AI，法務不會過。」
一家電子零組件製造商，多廠、接單式生產，客戶集中在少數幾家大廠。 到了要談 AI 的時候，困難的點很具體：製程配方與客戶預測是最敏感的兩類資料， 而多數 AI 方案的第一步就是把資料送到別人的雲端。
所以這一階段的設計主軸不是「AI 能做什麼」，是把「要不要上雲」變成可以逐層選擇的東西， 而不是一次要客戶全押。
四層可獨立運作，也可以疊加
不做一次到位的架構，改成一座階梯——每一層都能單獨產生價值， 組織可以停在任何一層，也可以往上走。這樣資安審查是逐層進行的，不必一次通過。
平台內建的自動洞察
不裝任何外部模型，直接開啟分析平台內建的 AI：自動偵測異常與趨勢、產生自然語言摘要， 業務也能用對話方式問資料。
供應鏈用途：出貨量異常、預測誤差變大的根因初判。門檻最低，適合當第一個用例。
用標準協定橋接分析平台
Model Context Protocol 是 AI 模型與企業系統之間的標準橋接。同一套橋接， 上面可以接雲端模型，也可以接廠內自建的地端模型——換模型不用重做整合。
關鍵：資安邊界變成一個可切換的選項，而不是架構決策。
用自然語言直接問交易資料
把「這個月哪個客戶的預測誤差最大」這種問題自動轉成 SQL 查交易資料庫， 圖表與摘要一起回。SQL 送出前有人可以審，不是黑箱直接跑。
供應鏈用途：交期、預測達成率、產能狀態的自助查詢，生管與業務不必再排隊等 IT。
有文件依據的知識庫問答
把供應鏈方法論文件（S&OP 月度節奏、風險分類、可視度評估）建成知識庫。 AI 先找到相關段落，再依段落回答——答案有出處，不是憑空生成。
供應鏈用途：新進生管問「S&OP 四週節奏各週該做什麼」，不用去翻三份 PDF。
策略層：讓 AI 推演，人做決定
上面四層解決的是「問得到、答得準」。真正難的是下一步： 當一個假設情境發生時，要調哪一條產線、先保哪一個客戶。這一層用兩種代理人設計，各有適用場合。
模式 A · 多角色圓桌
- 採購、生管、業務、客戶、供應商、管理層六個角色代理人並行發言
- 後發言者可以引用前者觀點，形成跨部門對話而不是六份獨立報告
- 最後由整合代理人收斂成一份建議
- 適合：S&OP 會議、跨部門議題、營運決策討論
模式 B · 階層式規劃分解
- 規劃代理人讀取假設情境，自主拆成三到五個子任務（不是固定流程）
- 子代理人分頭執行：查資料 → 量化推演衝擊 → 產出策略選項
- 最後彙整為可下載的決策摘要
- 適合：前瞻情境推演、策略假設模擬、董事會級簡報
三個關鍵取捨
① 先上雲端，再談地端。初期概念驗證用雲端模型起步——部署快、推理能力強、看得到成效； 等資料分類與資安邊界釐清後，再決定哪些場景切到廠內地端模型。反過來做的專案通常死在採購 GPU 那一步。
② SQL 要人審。自然語言轉 SQL 很好用，但它會用你沒想到的方式解釋你的問題。 保留人工審核關卡不是不信任模型，是讓錯誤在進資料庫前就被攔下來。
③ 知識庫問答一定要綁文件。沒有檢索、直接讓模型回答制度與流程問題， 它會給你一個聽起來很專業但不存在的版本。有出處的答案才敢拿去跟稽核講。
怎麼判斷該用哪一層
這是當時給的選型決策樹，四個問題就能落到方案：
是 → 地端模型 + 標準協定橋接，完全離線，資料不出廠
是 → 雲端模型 + 協定橋接，跨接分析平台、ERP 與供應商入口
是 → 自然語言轉 SQL，加上人工審核關卡
是 → 平台內建 AI 就夠。四題都不是 → 傳統報表或規則式自動化，不需要生成式 AI
你手上也有一件說不清問題出在哪的事？用自己的話講最近發生的事，我會幫你整理成一份可以帶回公司討論的東西。