石化產業媒合平台

關鍵效益: 

• 部門導入覆蓋率達 75%
• AI 核心開發種子成員 prompt 設計通過率達 90%
• 業務效率平均提升 25%
• 月節省人力時數逾 200 小時

技術優點: 

客戶公司簡介: 聚和國際（Hopax）是創立於1975年的臺灣高科技公司，專注於化學與生物科技的研發與創新。 公司業務涵蓋造紙化學品、精密化學品、醫療用生物緩衝劑、電池添加劑、以及自黏性便利貼等特用化學品與日用品。 近年來，聚和國際更積極拓展至生技醫藥、綠色建材、居家清潔抗菌等多元領域，並透過「聚和生醫」和「聚天生醫」兩家公司進入生物高科技領域。 

核心技術與產品

• 精密化學品：聚和國際是全球頂尖的醫藥級生物緩衝劑製造商，產品應用於醫藥、生物技術、化妝品、電池等領域。 
• 造紙添加劑：: 創立之初的產品，開發出多種領先市場的造紙用化學品。 
• N次貼（Stick'n）：以獨創技術生產的便利貼，是唯一能與美國3M公司競爭的廠商，在全球市場居領先地位。 
• 電池添加劑：為鋰電池等產業供應關鍵原料。 
• 水性高分子：提供給鞋用膠水、皮革、紡織品等領域的水性PU。 

生技醫藥與新興領域

• 癌症診斷與治療： 

透過子公司「聚和生醫」，與美國德州大學合作開發癌症診斷及治療用藥，並處於人體臨床試驗階段。 

• 農業科技： 

成立農業科技部，開發專業營養劑與微生物製劑，應用於農業、水產養殖和畜產。 

• 居家清潔抗菌： 
  • 同仁能聚焦處理疑難雜症，將日常應答交由 Agent 完成。

開發綠色建材、居家清潔抗菌產品，以及具有防疫功能的產品。

導入前痛點： 聚和國際作為全球前二大「醫療級生物緩衝劑」製造商，長期面臨知識分散、經驗傳承困難與作業標準化挑戰。過去無論是因客戶出貨條件繁複，或客服作業流程複雜，皆高度依賴特定人員的經驗，既無法即時複製，也難以規模化提升效率。

如何解決痛點：

【從任務執行者走向策略設計者：AI 帶動工作角色升級】

人工智慧代理(AI Agents) 的導入，讓聚和國際員工不再被例行任務綁架，而能專注於更具價值的判斷與優化。例如：

• 生產部人員可專注於策略分析與客戶溝通，讓包裝建議交由 Agent 執行 及運算。
• 精化部主管能依據 Agent 執行訂單挑批，提升整體生產效能。
• 同仁透過 Agent 辨識發票與判斷會計科目，減少錯誤與財務處重工，提 升整體報帳效率。
• 填寫客戶 ESG（Environmental, Social, and Governance，環境、社會、公司治理） 問卷，業務藉由 Agent 完成初版，再由永續委員會審查， 提高整體效率。

透過這樣的轉型，企業不僅提升工作效率，更促成員工能力升級，成為數位時代的新型工作者。

【智慧方案 × 傳產數位轉型：AI Agent Hub 導入典範】

從部署 AI Agent、教育訓練超過 80 位同仁，到全面推動知識結構化與流程優化，聚和國際展現了真正「AI 能力內化、自主導入」的企業典範。在智慧方案Intellicon AI Agent Hub 的支援下，AI 不再是專家獨享的技術工具，而是每位員工手中的共創引擎。

未來，隨著生成式 AI 持續演進，智慧方案將持續以協助企業建構 AI Agent 為基礎，建構企業知識資產，推動效率提升與流程創新，真正落實「企業即平台、員工即設計者」的 AI 世代新願景。

客戶見證:

🔺智慧方案營運長陳旻筠（右）與聚和國際總經理特助郭美珊（左）合影。雙方交流企業導入 AI Agents 的實務經驗與合作契機，攜手推動傳產 AI 數位轉型應用落地。智慧方案/提供

媒合平台技術簡介網址:

• https://egenthub.com/ （官網）
• https://money.udn.com/money/story/11799/8847265 (新聞媒體報導)

1.1 核心作業線與痛點

生產管理線：排程、原料調度、製程監控、異常處理

痛點：DCS 系統每天產生海量數據，但異常判讀仍高度依賴人工。資深工程師能快速判斷，但新進人員常常不知道該查哪份 SOP、該問誰。夜班人力薄弱時，異常處理速度明顯變慢。

品質管理線：原料 COA 比對、製程檢驗、成品檢驗、客訴處理

痛點：每天要處理 10-30 份 COA 或檢驗報告，需要比對數十項指標（如密度、黏度、色度、純度、雜質含量等）。人工比對耗時 20-40 分鐘/份，且容易漏看或誤判。客戶的規格詢問五花八門，回覆需要查歷史數據、翻技術文件，往往要 1-2 天才能回覆。

HSE 與設備管理線：設備巡檢、保養提醒、SDS 查詢、事故案例學習

痛點：設備巡檢表填寫繁瑣，巡檢員常常「例行性打勾」，缺乏實質判讀。SDS（安全資料表）散落在各部門，緊急狀況時不易快速取得正確版本。歷史事故案例與根因分析報告躺在檔案櫃裡，新人難以學習。

供應鏈管理線：原料採購、供應商管理、交期追蹤、槽車調度

痛點：原料供應商分散全球，溝通語言多元，交期變動頻繁。槽車調度需要考量儲槽液位、生產排程、運輸法規，人工協調容易出現空檔或壅塞。

客戶服務與技術支援線：客戶詢價、規格確認、技術問題解答、客訴處理

痛點：客戶常問「這個規格你們做得到嗎？」「上次那批為什麼黏度偏高？」這類問題需要查 ERP、查實驗室數據、查製程紀錄，回覆速度慢會影響接單機會。

石化業可以交給 AI Agent 處理的「高重複判斷」任務

任務一：原料成分檢驗報告 (Certificate of Analysis，簡稱COA)智慧比對與收料建議

現況由誰處理：品管部進料檢驗 (Incoming Quality Control ，簡稱IQC）、採購部收料人員
工作量：每天約 10-30 份 COA，每份人工比對需 20-40 分鐘
為何適合 AI：

每一批進廠原料都附有供應商的成分檢驗報告，上面列出數十項化學成分、物性指標（如密度、黏度、酸價、水分、色度、雜質含量等）。品管人員需要將這些數據與公司的「原料規格書」逐項比對，判斷是否符合收料標準。90% 的情況下，判斷邏輯是明確的：在規格範圍內就收料，超出範圍就退貨或特採。但人工比對容易疲勞，尤其夜班或假日班人力不足時，容易漏看或誤判。

AI 的角色定位：

AI Agent 讀取 COA（可能是 PDF、掃描件、Email 附件），自動比對「表格查詢知識庫」中的原料規格表，產出「建議收料 / 建議退貨 / 需人工複判」的初步結論，並標註超出規格的項目。最終決策仍由品管人員確認，但 AI 已經完成 80% 的整理與比對工作。

任務二：製程異常初步診斷與 SOP 推薦

現況由誰處理：輪班工程師、製程主管
工作量：每班次約 10-20 次警報或異常事件
為何適合 AI：

DCS 系統每天產生大量警報，有些是正常波動，有些是設備老化徵兆，有些需要立即調整製程參數。資深工程師能憑經驗快速判斷，但新進人員或夜班人力不足時，往往要花 20-30 分鐘查歷史紀錄、翻 SOP、問前輩，才能做出判斷。

AI 的角色定位：

AI Agent 透過主控操作面板(Main Control Panel，簡稱 MCP) 串接分散式控制系統(Distributed Control System，簡稱 DCS 系統)或製程歷史資料庫，讀取異常發生時的參數趨勢與前後脈絡，比對「工作室向量知識庫」中的製程標準作業程序(Standard Operating Procedure for Process ，簡稱SOP) 與歷史案例，產出「可能原因分析」與「建議處置步驟」。工程師可以快速參考 AI 的建議，再結合現場判斷做出決策。這不僅加快異常處理速度，也是新人學習的最佳工具。

任務三：客戶規格詢問快速回覆

現況由誰處理：業務部、技術服務部
工作量：每週約 10-20 次客戶規格詢問
為何適合 AI：

客戶常問「你們的 XX 樹脂，熔融指數可以做到多少？」「上次那批為什麼色度偏黃？」「這個規格你們做得到嗎？」業務人員需要查企業資源規劃系統(Enterprise Resource Planning，簡稱 ERP)、翻技術資料、問實驗室，往往要 1-2 天才能回覆。回覆速度慢會影響接單機會。

AI 的角色定位：

AI Agent 整合「表格查詢知識庫」（產品規格表、歷史出貨數據）、「Agent 向量知識庫」（產品技術文件、客訴案例）、「MCP 串接 ERP 系統」（歷史訂單與檢驗數據），當業務人員輸入客戶問題時，AI 可以快速檢索並產出「規格範圍」、「歷史出貨案例」、「注意事項」等資訊，讓業務人員能在 30 分鐘內完成專業回覆。

任務四：設備保養提醒與故障排除支援

現況由誰處理：設備工程師、保養技師

工作量：數十台關鍵設備，各有不同保養週期與 SOP

為何適合 AI：

石化廠設備種類繁多（泵浦、壓縮機、熱交換器、反應器、蒸餾塔等），每台設備都有保養週期表與操作手冊。人工管理容易遺漏，導致設備故障或非計畫停機。故障發生時，技師要翻厚厚的操作手冊或打電話問原廠，耗時費力。

AI 的角色定位：

AI Agent 依據「表格查詢知識庫」中的設備保養週期表，自動提醒保養到期。當技師詢問特定設備的保養 SOP 或故障排除步驟時，AI 從「全文查找知識庫」中檢索操作手冊（PDF），並啟用 Google Search 查詢原廠技術公告或同業案例，快速提供參考資訊。

任務五：安全資料表(SDS) 與健康、安全與環境文件(HSE) 文件即時查詢

現況由誰處理：HSE 部門、現場人員

工作量：每天約 5-10 次 SDS 查詢需求

為何適合 AI：

石化廠使用數百種化學品，每一種都有對應的 SDS（安全資料表）。緊急狀況時（如洩漏、火災、人員暴露），現場人員需要立即取得正確的 SDS，了解應急措施。但 SDS 文件分散在各部門，版本不一，人工查找耗時且容易拿錯版本。

AI 的角色定位：

AI Agent 整合「全文查找知識庫」（SDS 文件庫）與「表格查詢知識庫」（化學品清單與危害分類），當使用者輸入化學品名稱或 CAS 號時，AI 立即提供最新版 SDS、危害分類、應急處置措施，並支援中英文查詢。這能大幅提升緊急應變效率。

任務六：客訴案件分類與根因分析輔助

現況由誰處理：品管部、技術服務部
工作量：每月約 5-15 件客訴案件
為何適合 AI：

客訴案件需要快速分類（製程問題？原料問題？運輸問題？），調閱歷史數據，進行根因分析（如 5-Why、魚骨圖），並產出改善報告。這些工作高度依賴經驗，但又有一定邏輯可循。

AI 的角色定位：

AI Agent 讀取客訴內容，比對「工作室向量知識庫」中的歷史客訴案例與根因分析報告，產出「初步分類」、「可能原因」、「建議調查方向」，並自動產生客訴報告草稿。品管人員再依實際狀況補充與確認，大幅縮短客訴處理時間。

強調重點：

這些任務的共通點是：「需要整合多來源資訊 + 依規則做初步判斷 + 產出建議給人做最終決策」。AI 不是要取代石化業的工程師或品管人員，而是成為他們的「智慧助理」，把「查資料 + 比對規則 + 整理結論」這段最耗時的工作自動化，讓人可以專注在需要經驗、彈性與責任判斷的關鍵環節。

Intellicon EgentHub 在石化業的導入方式與典型場景

4.1 代表性 AI Agent 應用場景

場景一：原料 COA 智慧比對 Agent

服務對象：品管部 IQC、採購部收料人員
任務描述：

• 使用者上傳供應商的 COA（PDF、Email 附件、掃描件）
• Agent 自動讀取 COA 中的化學成分、物性指標（密度、黏度、酸價、色度、雜質等）
• 比對「表格查詢知識庫」中的原料規格表（CSV/Excel），判斷每一項指標是否在規格範圍內
• 產出「建議收料 / 建議退貨 /  需人工複判」的結論，並標註超出規格的項目與偏差幅度
• 自動產生收料檢驗報告草稿，IQC 人員確認後即可簽核

場景二：製程異常智慧診斷與 SOP 推薦 Agent

服務對象：輪班工程師、製程主管
任務描述：

• DCS 系統發出警報，或工程師主動輸入異常現象（如「3 號反應器溫度持續上升」）
• Agent 透過 MCP 串接 DCS 歷史資料庫，自動調取異常發生前後的參數趨勢（溫度、壓力、流量、成分分析）
• 比對「工作室向量知識庫」中的製程 SOP、歷史異常案例與根因分析報告
• 產出「可能原因分析」（如：冷卻水流量不足、觸媒活性下降、原料批次差異）
• 推薦「處置步驟」（如：檢查冷卻水閥門、調整進料流量、通知主管評估停機檢修）
• 工程師參考 AI 建議，結合現場判斷做出決策

場景三：客戶規格快速查詢與技術回覆 Agent

服務對象：業務部、技術服務部
任務描述：

• 客戶詢問「XX 產品的熔融指數可以做到多少？」「上次那批為什麼色度偏黃？」
• 業務人員將客戶問題輸入 Agent
• Agent 查詢「表格查詢知識庫」（產品規格表、歷史出貨數據）與「Agent  向量知識庫」（產品技術文件、製程能力分析報告）
• 透過 MCP 串接 ERP 系統，調取該客戶的歷史訂單與檢驗數據
• 產出「規格範圍」、「歷史出貨案例」、「可能影響因素」、「建議回覆內容」
• 業務人員確認後，30 分鐘內完成專業回覆，提升接單機會

場景四：設備保養提醒與故障排除支援 Agent

服務對象：設備工程師、保養技師
任務描述：

• Agent 依據「表格查詢知識庫」中的設備保養週期表，每週自動提醒保養到期設備清單
• 技師詢問特定設備的保養 SOP 或故障排除步驟時（如「P-301 離心泵異音處理」），Agent 從「全文查找知識庫」中檢索操作手冊（PDF）
• 若公司內部文件無解，Agent 啟用 Google Search 查詢原廠技術公告或同業案例
• 產出「保養步驟」、「注意事項」、「所需備品」、「參考資料連結」
• 技師依 AI 指引完成保養或故障排除，並將結果紀錄回系統

場景五：SDS 與 HSE 文件即時查詢 Agent

服務對象：HSE 部門、現場人員
任務描述：

• 現場人員輸入化學品名稱或 CAS 號（如「甲苯」或「108-88-3」）
• Agent 從「全文查找知識庫」中檢索最新版 SDS（PDF），並從「表格查詢知識庫」中查詢危害分類與管制等級
• 產出「危害分類」、「應急處置措施」、「個人防護建議」、「洩漏處理步驟」
• 支援中英文查詢，適合國際化工廠或外籍人員使用
• 緊急狀況時，現場人員能在 30 秒內取得正確資訊，大幅提升應變效率

4.3 為何 EgentHub 適合石化業

臺灣石化業的企業規模兩極化：上游大廠有完整的 IT 團隊與預算，但中下游多數是中小企業，IT 資源有限，需要「拿來就能用」、「不用大規模客製開發」的解決方案。EgentHub 的 No-code 設計，讓品管主管、製程工程師、HSE 人員自己就能設計 AI Agent，不需要等 IT 部門排程開發，也不需要砍掉重練既有系統。它可以串接既有的 ERP、DCS、LIMS，讓 AI 讀懂公司累積多年的規格書、SOP、技術文件，這是最務實的 AI 導入路徑。

更重要的是，石化業對「可追溯性」與「合規性」的要求極高。EgentHub 的 Log 紀錄與稽核功能，能追蹤每一次 AI 判斷的依據與輸出，符合 ISO 品質管理系統的要求。而且權限控管靈活，可以確保不同角色（IQC、製程工程師、HSE 人員）只能存取對應的知識庫與功能，符合資訊安全與職責分工的要求。

臺灣視角下的導入重點：人、流程與法規

5.1 企業文化與知識傳承斷層

臺灣石化業的中下游企業，多數是家族企業或中小型化工廠，內部的製程 Know-how、異常處理經驗、客戶特殊規格，很多都累積在資深師傅的腦中，或是散落在交接日誌本、Excel 表格、WhatsApp 群組裡。這些「隱性知識」很難傳承給新人，導致新人訓練期長達 2-3 年，而且一旦資深人員退休或離職，公司就面臨知識斷層的風險。

導入建議：

AI 導入前，先選 1-2 個關鍵製程或作業流程，用「邊做邊整理」的方式，把資深師傅的經驗轉化成結構化的 SOP 與案例文件，上傳到 EgentHub 的工作室向量知識庫。這個過程本身就是一次「知識盤點」，而 AI Agent 則成為「數位師傅」，讓新人能隨時查詢、學習，縮短訓練期。

5.2 輪班制度與夜班人力壓力

石化製程 24 小時不停機，必須採輪班制度。但夜班、假日班的人力調度一直是難題：資深工程師不願意長期輪夜班，新人又不敢獨當一面。夜班發生異常時，往往要打電話問日班的前輩，或是等到早上交班才能徹底解決，影響製程穩定性與產品品質。

導入建議：
AI Agent 可以先從「夜班支援」或「新人輔助」切入。例如：

• 製程異常智慧診斷 Agent，讓夜班工程師在沒有資深人員在場的情況下，也能快速取得處置建議
• SDS 與 HSE 文件查詢 Agent，讓夜班人員在緊急狀況時能立即取得正確資訊
• 設備故障排除 Agent，讓保養技師在假日值班時，也能快速查詢操作手冊與歷史案例

這不僅提升夜班人員的信心與效率，也降低公司對「少數關鍵人物」的依賴度。

5.3 供應鏈協作與多語系文件處理

臺灣石化業深度融入全球供應鏈：原料可能來自中東、日本、韓國、中國，客戶可能是歐美、東南亞、中國的下游加工廠。供應商的 COA、客戶的規格書、原廠的技術文件，語言可能是英文、日文、簡中，格式不統一。人工處理這些多語系文件，耗時且容易誤解。

導入建議：
EgentHub 支援多語系 AI 模型（Claude Sonnet 4.0、Gemini 3.0 Pro 都有優異的多語系能力），可設計：

• 多語系 COA 比對 Agent：不管供應商的 COA 是英文還是日文，AI 都能自動讀取並比對公司規格書，產出中文報告
• 客戶規格翻譯與摘要 Agent：客戶寄來英文或日文的規格書，AI  自動翻譯並摘要關鍵要求，讓業務或技術人員快速掌握重點
• 技術文件雙語查詢 Agent：支援中英文輸入，讓使用者能用最習慣的語言查詢公司內部的多語系技術文件

這不僅提升協作效率，也降低語言障礙造成的誤解與損失。

5.4 法規遵循與品質管理系統

石化業高度受法規管控，企業必須符合職業安全衛生法、消防法、環保署排放標準、ISO 9001、ISO 14001、ISO 45001 等規範。每一次製程異常、設備故障、品質偏差，都需要留下完整紀錄，包括：

• 異常發生時間與現象描述
• 當班人員的判斷依據與處置步驟
• 最終結果與改善措施
• 主管簽核紀錄

這些紀錄不僅是內部管理需要，也是外部稽核（客戶稽核、驗證單位稽核、政府稽核）的重要依據。

導入建議：

EgentHub 的 Log 紀錄與稽核功能，能追蹤每一次 AI 判斷的輸入、依據、輸出，完全可追溯。在設計 AI Agent 時，可以加入「人類在迴路」（Human in the Loop）的流程節點：

• AI 產出初步建議後，必須由有權限的人員（如製程主管、品管工程師）確認簽核，才執行下一步
• 所有簽核紀錄自動儲存，符合 ISO 品質管理系統的要求
• 權限控管：不同角色（IQC、製程工程師、HSE  人員）只能存取對應的知識庫與功能，確保資訊安全與職責分工

此外，AI Agent 可以協助產生標準化的異常報告、客訴報告、根因分析報告，減少人工撰寫時間，也確保格式與內容符合公司與法規要求。

段落總結：

在臺灣石化業，AI 導入不只是技術問題，更是知識傳承、人力調度、多語系協作與合規管理的整合。EgentHub 的彈性設計，讓企業可以「小步快跑」：先從一個小場景開始（如夜班異常診斷支援、COA 比對自動化），逐步累積 AI SOP，最終內化成公司的數位資產與競爭力。

分階段導入建議（從小場景到 AI SOP）

AI 導入不是一次性專案，而是持續優化的旅程。對臺灣石化業來說，最務實的做法是「先選一個痛點最明顯的場景，快速驗證效益，再逐步擴展」。以下是建議的三階段導入路徑：

Phase 0：盤點與診斷（1-2 週）

這個階段的目標是「找到第一個 AI Agent 的切入點」。建議做法：

• 訪談 2-3 個代表性部門（例如：品管部、製程部、HSE 部門），了解他們每天最花時間、最重複、最容易出錯的工作
• 列出 3-5 個候選任務，評估每個任務的：
  • 發生頻率：每天或每週發生幾次？
  • 耗費時間：每次人工處理需要多久？
  • 判斷邏輯：是否有明確的 SOP 或規則可循？
  • 資料來源：資料在哪裡？（文件、系統、Excel、人腦）
  • 錯誤風險：人工處理容易出現什麼問題？
• 產出「AI 導入優先順序清單」，並選出第一個 POC（概念驗證）場景

範例：某中型化工廠經過盤點，發現「原料 COA 比對」是最高優先級任務：每天 15 份 COA，每份人工比對 30 分鐘，夜班人力不足時容易漏看，而且判斷邏輯明確（在規格範圍內就收料）。這就是第一個 AI Agent 的理想場景。

Phase 1：焦點場景 POC（1-2 個月）

這個階段的目標是「快速驗證 AI Agent 的實際效益」。建議做法：

• 在 EgentHub 上實作 1 個 AI Agent（如「原料 COA 比對 Agent」）
• 整理並上傳必要的知識庫內容：
  • 原料規格表（表格查詢知識庫，CSV/Excel）
  • 歷史 COA 範例與特採案例（Agent  向量知識庫）
  • 收料檢驗 SOP（全文查找知識庫，PDF）
• 設定可衡量的成功指標，例如：
  • 節省工時：COA  比對時間從平均 30 分鐘降到 5 分鐘（人只需確認 AI 的建議）
  • 減少錯誤：漏檢率從 3% 降到 0.5%
  • 夜班支援：夜班人員不再需要等日班同事回覆，能即時完成收料判斷
• 小範圍試行（例如：先用在 1-2 個主要原料供應商），收集使用者回饋：
  • AI 的判斷準確嗎？
  • Prompt 需要調整嗎？
  • 知識庫內容需要補充嗎？
  • 流程設計符合實際作業嗎？
• 根據回饋快速迭代，通常經過 2-3 輪調整，就能達到「可正式上線」的水準

關鍵成功因素：

• 選擇「痛點明顯、判斷邏輯清楚、資料可取得」的場景
• 設定實際的使用者（如 IQC 人員）為 POC 核心成員，讓他們全程參與設計與測試
• 不追求完美，先求「能用、有感」，再逐步優化

Phase 2：擴展與內化（3-6 個月）

這個階段的目標是「將成功的場景擴展到更多部門，並建立 AI SOP 管理機制」。建議做法：

• 將 POC 成功的 Agent 擴展到更多供應商、更多原料類別，甚至複製到「成品檢驗報告比對」場景
• 開發第 2、第 3  個 AI Agent（如「製程異常診斷 Agent」、「客戶規格查詢 Agent」），逐步覆蓋更多作業線
• 建立「工作室向量知識庫」，讓多個 Agent 共用公司核心知識（如製程 SOP、品質管理手冊、HSE  文件），避免知識重複維護
• 設計「Agent 協作流程」，例如：
  • IQC 的「COA  比對 Agent」產出收料建議 → 倉管人員確認 → 自動觸發 ERP 系統更新庫存與批號
  • 製程的「異常診斷 Agent」產出處置建議 → 班長確認執行 → 自動產生異常報告草稿 → 主管簽核
• 培養內部「AI SOP 管理員」（可以是品管主管、製程工程師、IT 人員），負責：
  • 持續優化 Prompt 與知識庫內容
  • 收集使用者回饋並調整 Agent 設計
  • 定期檢視 AI 判斷的準確度與 Log 紀錄
  • 推廣 AI Agent 使用文化，讓更多同仁願意嘗試

內化指標：

• 有 3 個以上 AI Agent 正式上線並穩定運作
• 每個 Agent 都有明確的 KPI（如節省工時、減少錯誤、縮短回應時間）
• 內部有專人負責 AI SOP 管理與優化
• 同仁開始主動提出「這個工作是不是也可以交給 AI？」