MICH 微智匯控股技術長張宗堯博士（Michael Chang, Ph.D.），長期橫跨電腦科學、演算法、人工智慧與企業應用領域。其研究曾發表於 Nature 子期刊，並擁有多項演算法相關專利；從研究機構、科技產業到創業與企業經營，也累積了橫跨技術研發與商業落地的經驗。
這樣的背景，讓張宗堯技術長（Michael Chang）看待企業 AI 的角度，不只是部署一套更強的模型，而是進一步思考：如何讓數據、演算法與 AI Agent 真正進入企業的決策流程。
AI Agent 要進工廠，第一關其實是數據
企業導入 AI 時，最容易低估的往往不是模型，而是模型開始運算之前的資料工程。
例如，一套新的 APS 或 AI Agent 需要 18 張資料表，但企業既有 MES 有 50 張、ERP 又有 60 張。資料其實都存在，真正困難的是：110 張來源表中哪些資料才是正確來源？不同系統的 Schema 如何 Mapping？欄位格式如何 Transform？完成後又該如何驗證？
這些工作都發生在 AI 真正開始推論以前。
張宗堯技術長指出，如果企業每增加一個 AI 應用，都重新進行一次系統串接、資料整理與欄位定義，即使第一個 PoC 成功，也很難有效複製到第二個、第三個應用。
因此，企業 AI 化的核心不是建立更多彼此獨立的專案，而是從過去的「一個需求、一條數據通道」，逐步走向「多個 AI 應用，共用同一個數據基礎」。
從 Data Integration 進一步建立 AI-Ready Data
這也是 LowsiteOS 在企業 AI 架構中的重要角色。
ERP、MES、APS、WMS 與設備資料不需要因為導入 AI 全部推倒重建，而是透過 Data Layer 整合既有系統，逐步將原本分散的企業數據轉換成可供 AI 應用使用的 AI-Ready Data。
但資料「接得到」只是第一步。
對張宗堯技術長（Michael Chang）而言，AI 還必須知道這些資料真正代表什麼。
同樣一個良率、交期或設備指標，不同部門可能存在不同的定義與計算邏輯。如果 Table、Column 與 Metric 背後的企業語意沒有被明確定義，模型即使成功讀取資料，也可能做出錯誤解讀。
因此，真正支撐企業 AI 的基礎，不只是 Data Integration，而是同時包含 Semantic、Permission 與 Governance 的共同數據層。
當這層基礎建立完成，後續的 MES、APS、品質管理、報價系統與 AI Agent，才能在同一套企業數據基礎上持續擴充。
從 MES 數位化，走向 Agent 驅動的決策閉環
過去十多年，製造業數位轉型的重要工作，是把現場資訊數位化。
MES 負責掌握工單、生產進度、設備與製程資訊；ERP 管理訂單、成本與企業資源；APS 則進一步處理產能、交期與排程問題。
AI Agent 的加入，則讓這些原本分散在不同系統中的資訊，有機會形成新的決策閉環。
以製造業常見的 RFQ 為例，Agent 可以協助整理客戶需求與歷史資訊，再結合成本、產能、排程、現場與品質數據，讓不同系統之間的資訊更快進入決策流程。
這時 AI 的角色已經不只是「回答一個問題」，而是開始成為跨系統分析與決策輔助的介面。
而 Agent 能不能真正發揮價值，關鍵並不只是它能呼叫多少工具，而是背後是否存在可靠且一致的企業數據。
製造業 AI 的下一場競爭，是「決策速度」
張宗堯技術長（Michael Chang）長期投入演算法研究，而演算法處理的核心問題之一，就是如何在有限的時間、資源與限制條件下，找到更適合的解。
這個思維放到智慧製造，同樣成立。
一座工廠每天都面對大量 Constraint，包括設備能力、物料、人力、交期、品質、成本，以及隨時可能發生的現場異常。
傳統資訊系統擅長把這些資訊記錄下來；下一階段的 AI，則是進一步協助企業把數據轉化成 Decision Intelligence。
因此，未來製造業比較的可能不只是誰先採用最新模型，而是：
誰能更快取得正確數據、更快理解現場變化，並把資訊轉化為可執行的決策。
第一個 Agent 完成後，企業留下了什麼？
這也是張宗堯技術長特別強調的「複利」概念。
如果第一個 AI 專案完成後，只留下一套獨立應用，那麼第二個專案仍然需要重新串接 ERP、重新理解 MES、重新定義資料與權限。
但如果第一個 Agent 建立的 Data Source、Semantic、Permission 與 Transformation 可以被保留下來，第二個 Agent 就能直接沿用既有基礎，只增加真正新增的需求。
當第三個、第五個甚至第十個 AI 應用陸續加入，企業 AI 的規模效益才會真正出現。
企業 AI 的競爭力，不在於做了多少個 AI 專案，而在於每完成一個專案，是否都讓下一個應用變得更容易。
從 MES、ERP 與 APS 累積的數位化基礎，到 LowsiteOS 建立 AI-Ready Data Layer，再到不同 AI Agent 進入報價、排程、生產、品質與營運流程，製造業 AI 正從單點工具逐步走向新的決策架構。
對一位從演算法研究走進企業 AI 落地現場的技術長而言，最後衡量 AI 價值的標準，也可以回到最根本的一件事：
重點不是讓 AI 做更多事，而是讓企業做出更對的決定。
