AI Agent 正快速從客服、程式開發等辦公室場景，走向工程設計與製造流程。不過，企業真正開始部署後，卻發現模型能力提升，並不代表 AI 就能順利進入生產環境。
根據 Google Cloud 針對超過 1,400 位 IT 高階主管的最新調查，83% 的企業認為，若要真正部署 production-grade（生產層級）AI Agent，必須重新改造既有基礎設施；79% 則認為，安全治理（Governance）與 MLOps 是 AI Agent 規模化的主要障礙。Google 解釋，這是因為目前多數企業所依賴的基礎設施，本來就不是為 Agentic AI 而設計。
當這個問題發生在製造業，挑戰又更加明顯。軟體公司 Synera AI 的 AI 負責人 Ram Dhiwakar Seetharaman 日前在《Forbes》分享，該公司過去兩年協助製造業部署 AI Agent 的經驗顯示，真正限制 AI Agent 落地的，已經不只是模型能力，而是工程軟體、工程資料與工作流程本身。
工程軟體不是為 AI Agent 設計，而是為工程師設計
Seetharaman 回憶，兩年前第一次嘗試讓 AI Agent 修改 CAD 模型時，他原本認為，只要大型語言模型（LLM）變得更強，AI 就能完成修改尺寸、執行模擬分析，再回傳結果等工程工作。然而，儘管近兩年模型的推理、規劃與工具使用能力都有明顯提升，實際部署後卻發現，問題並沒有因此消失。
他也指出，原因出在多數工程軟體的設計前提，本來就是「由人操作」。他的論證是，目前多數製造業仍使用的 CAD、CAE、PLM 等工程軟體，大多誕生於 API 與微服務架構普及之前。
以 CATIA、SolidWorks、NX 為例，它們最初的設計假設，是由一位工程師操作軟體，再交由另一位工程師接續下一個流程。換句話說，人一直是串接整個工程流程的核心。因此，即使今天的 AI Agent 已具備規劃任務、拆解問題甚至長時間推理的能力，也未必能真正操作這些工程工具。
有些工程軟體雖然提供 API，但當初是為外掛程式開發設計，而非讓 AI Agent 能長時間、高頻率、具容錯能力地持續互動。Seetharaman 認為，如果 Agent 無法穩定呼叫工具、執行操作並取得回饋，它終究只能是一個「懂工程知識的聊天機器人」，而不是真正參與工程工作的 AI。
真正適合交給 AI 的，其實只有一部分工作
在導入 AI 時，許多企業會認為，設計審查（Design Review）、模擬分析（Simulation）、BOM 管理等研發流程，都應全面導入 Agent，但 Seetharaman 認為，這其實誤解了大型語言模型真正帶來的能力。
他認為，LLM 最大的突破，不是讓所有工程流程都能 Agent 化，而是讓過去需要依賴工程師判斷與理解的工作，開始有機會交給 AI。例如，AI 可以閱讀客戶 RFQ（Request for Quotation，報價需求），轉換為設計參數；判讀模擬結果是否符合需求；比較不同設計方案，並說明各自適合的應用情境。
然而，真正涉及工程運算的核心流程，例如幾何核心（Geometry Kernel）、CAE Solver、產品版本管理等，仍應維持可驗證、可追溯的確定性（deterministic）流程，而非交由 AI 自由決定。
Seetharaman 因此歸納，製造業部署 AI Agent 最重要的設計，不是讓 AI 接管所有流程，而是劃分哪些工作適合交給模型判斷，哪些仍應交由既有工程系統負責。因為每增加一個由 AI 自主決策的環節，就意味著更多變異性、幻覺（hallucination）與回歸風險；反之，維持確定性流程雖然較缺乏彈性，卻能提供工程領域不可或缺的可靠性。
在製造業，真正管理 AI 的是工作流
Seetharaman 強調，在客服、行銷或程式開發等應用中，AI 往往能扮演主要的工作執行者；即使偶爾產生不同答案，通常仍可透過人工確認修正。但工程設計不同，若 AI 自行決定略過一項模擬分析，或誤判某個設計參數，可能直接影響產品品質、安全甚至法規遵循。
因此，在製造業，真正掌控流程的仍是 Workflow（工作流），AI 則是工作流程中的一個能力，而不是整個流程的控制者。
他以自家客戶 Airbus 的 RFQ 流程為例，表示他們能協助客戶將原本需要約 50 小時才能完成的流程縮短至約 7 分鐘，原因在既有工作流程中，讓 AI 負責最適合它的環節，同時保留必要的驗證與品質控制。
真正走向生產環境，比的是可靠性
Seetharaman 最後認為，衡量 AI Agent 是否真正進入生產環境，並不是系統正式上線，而是工程師是否願意持續使用。
他強調，企業不可能一開始就讓 AI 接管整個工程流程，而是從文件整理、資料轉換等低風險工作開始，再逐步擴大到子流程，最後才可能負責跨系統協調。每一個階段，都需要建立足夠的信任。這也是為什麼，企業仍需要保留完整的稽核紀錄（Audit Trail）、可追溯性（Traceability）與解釋能力（Explainability），確保每一次 AI 決策都能被檢查、驗證與回溯。
對製造業而言，AI Agent 的挑戰已逐漸從模型能力，轉向如何與既有工程系統協作。當企業開始追求的不再只是更聰明的 AI，而是更可靠、更可管理的 AI，真正需要重新思考的，也不只是模型本身，而是整個工程工作流程如何與 AI 共存。
【推薦閱讀】
◆ 供應鏈 AI 導入瓶頸不在技術，而在「決策權」：Deloitte 給主管的 5 個提醒
＊本文開放合作夥伴轉載，資料來源：《Forbes》、《TechRadar》，首圖來源：Unsplash
