工業與金融的生產證據：賽意、科大訊飛、易鑫如何把 Agent 放進高責任流程

先看結論：企業買的不是模型，而是完成工作的能力

產業 AI 的價值，要看 Agent 是否能長期進入高責任流程。報告整理三組中國案例：賽意資訊以 FDE 與平台化工程切入工業現場，科大訊飛把招採專家知識轉成12類標準知識庫與評審 Agent，易鑫則以 Harness 管理汽車金融的人機切換、毫秒級熔斷、稽核與全流程資料關聯。三者共同點是把規則、失敗與人工覆核寫進系統，而不是只交付一次模型回答。

這個題目值得獨立拆解，因為企業 AI 已經走到第二個階段。第一階段比的是模型能不能回答，第二階段比的是系統能不能在資料不完整、權限複雜、流程跨部門的環境裡，穩定交付可衡量結果。工業與金融的生產證據：賽意、科大訊飛、易鑫如何把 Agent 放進高責任流程不是技術名詞的排列組合，而是一個組織、工程與財務必須同時成立的問題。

運作機制：把人的經驗翻成 Agent 可執行的規則

賽意的兩條主線是 AI 輔助系統建置與數位員工場景，並用 SDD 規格、知識庫、MCP、評估與 DevOps 把專案經驗寫回平台。科大訊飛從招採的編、報、評、核流程與專家共同建模，讓人工復核持續反哺知識與規則。易鑫把模型與 Harness 分成雙輪：模型做理解與推理，Harness 控制執行邊界、監控、熔斷、人工切換與稽核。

不同廠商的共同方向，是讓少數核心 FDE 攻克複雜現場，再用平台、夥伴與客戶自助擴大覆蓋。差別在於資產沉澱在哪裡：Palantir 放進本體模型與 AIP，模型公司放進技能與執行框架，雲端業者放進 Agent 平台與夥伴交付工具，企業軟體公司則把多年流程與權限直接寫進底座。

實務上應先畫出原有流程的輸入、判斷、工具、輸出與例外，再決定哪些環節交給 Agent、哪些需要人工核准。這個順序很重要：若先拿模型找題目，團隊容易做出技術可行但商業低頻的功能；若先找出高成本、高等待或高錯誤的流程，再設計資料與執行環境，投資報酬率才有機會被驗證。

財務視角：從專案收入走向能力複製

賽意資訊報告案例顯示交付週期最高壓縮36%、人力投入平均降低16%以上；科大訊飛的採購評審系統累計穩定運行超過21萬個專案，準確率97%、部分詢價通知單無人評審率超過89%，每年節省人工評審成本超過人民幣1億元；易鑫截至2026年5月底累計呼叫超過1.25億次，Agent 自主交付占65%，轉換率提升超過20%，營運效率提升100%以上。這些數據仍屬公司與報告案例，但已比模型分數更接近業務。

財務長應把成本拆成五層：場景診斷、資料與系統串接、模型推論、執行框架、上線後的人工作業。初期毛利偏低不必然代表模式失敗，因為第一批客戶可能同時支付產品學習成本；但下一批同類客戶若沒有明顯縮短交付週期，代表知識沒有資產化。最重要的曲線，是每一元新增收入需要多少新增工程人力與模型成本。

收入品質也要分開看。一次性顧問費能證明客戶願意付錢，訂閱與用量收入則更能反映系統已進入日常流程；成果分成若能建立清楚基線，可能提高上限，但也會帶來歸因與合約爭議。健康的商業組合通常是以前期服務完成導入，再讓軟體、技能模組與執行量成為後續擴張主體。

執行方法：從一個高價值流程開始

高責任流程要先定義哪些錯誤可以自動復原、哪些必須立即切人。每個動作都需保留資料來源、模型版本、規則、工具回應與人工決策，才能在爭議時追溯。產業知識庫也不能一次建完，要把人工覆核當成持續標註，將新例外寫回測試與規則。這使正式營運本身成為資料飛輪。

導入時應先定義成功與失敗。成功不只包含平均任務時間下降，也包括錯誤率、人工覆核、法遵事件與使用者採用；失敗則要能被分成模型、資料、權限、工具、流程或組織責任。分類清楚後，每次錯誤才會變成測試資料與產品改進，而不是群組裡又多一張『AI 怎麼又壞了』的截圖。

反方論證：重交付也可能只是昂貴的人力生意

公司案例可能挑選最佳專案，且『效率提升100%』等口徑未必可跨公司比較。無人評審率高也不代表所有任務都無人，可能只適用低風險子流程。閱讀時要追問基準期間、樣本範圍、人工轉移到哪裡、錯誤損失與持續維護成本，避免把局部成果放大成整體毛利。

廠商案例多半是公司或報告選出的成功樣本，不能直接外推到所有客戶。閱讀時要分清楚已上線的實際成果、合作公告、產品規畫與券商推論；尤其 2026 年的新組織與新平台仍需時間驗證續約、毛利與複用程度。案例可以提供路線，不能替財務證據簽名。

此外，報告整理的數據包含企業調查、公司案例、產品公告與研究判斷，可信度與時間點並不完全相同。本文保留原始頁碼，並把已發生事實、廠商所述規畫與延伸分析分開呈現。對快速變動的 Agent 市場而言，最危險的不是判斷暫時錯，而是把尚未驗證的規畫寫成已經實現的財務成果。

台灣企業可以怎麼用：先做流程資產負債表

台灣製造與金融企業有豐富流程資料，最適合從規則清楚、人工成本高、又能保留人工覆核的子流程開始。採購查核、品質異常、客服質檢與貸前文件預審都是候選。導入時把稽核、熔斷、人機切換與回饋標註一起設計，能讓法遵與業務不再站在自動化的兩端。

接下來可固定追蹤：1、成果指標的樣本與基準；2、人工工作是否真正下降而非轉移；3、熔斷與人工切換事件；4、平台資產跨客戶複用。這些指標同時涵蓋技術、流程與財務，能避免團隊只挑對自己有利的數字。對台灣企業而言，最務實的起點通常不是成立一支龐大 AI 部門，而是選一條跨資料、跨系統、又能直接衡量成本或營收的流程，讓小型 FDE 團隊與業務負責人共同完成第一個生產閉環。

最後要記住，真正的護城河不是 Prompt 數量，而是企業願不願意把規則、失敗案例與決策邊界持續沉澱。模型會升級、單價會下降、工具名稱也會換季；留在公司裡的本體模型、測試資料集、連接器、技能模組、權限設計與營運紀錄，才是能在下一輪技術變化中繼續複利的資產。