想像一個常見的工作情境。一位採購專員花了好幾個月，反覆調整一段提示詞，終於讓 AI 能準確比對報價單與規格書的差異。每天的工作變快了，結果也愈來愈穩定。問題是，這段提示詞一直存在他的個人 AI 帳號裡。某天他離職，帳號跟著停用，接手的同仁只好從頭摸索。
品保工程師也可能碰到同樣的情況。他已經把圖面審查的邏輯調得很好，知道哪一類圖面要補哪一份規範，也知道哪些情況不能交給 AI、必須轉人工處理。只是，這些判斷全都留在他自己的對話紀錄裡，其他人看不到，公司也接不走。
所以，要判斷公司有沒有累積 AI 能力，不能只看有多少人在用、對話量有多大，或某一兩個部門是否做出了成功案例。真正該問的是：同仁改過哪些提示詞、用了哪些資料，又怎麼把自己的經驗教給 AI？如果這些事情沒有其他人知道，即使公司幫忙付了訂閱費，學習成果依然只停留在個人身上。
大家都在用 AI，公司卻留不住方法
MIT NANDA 在 2025 年的研究發現，只有 40% 的受訪公司採購了官方的語言模型訂閱，也就是由公司統一採購、統一管理的企業版方案。然而，在超過 90% 的受訪公司裡，都有員工固定使用個人 AI 工具處理工作。
微軟與 LinkedIn 2024 年的工作趨勢指數，調查了 31 個國家、31,000 人。在工作上使用 AI 的人當中，78% 是自己把工具帶進公司；52% 不願意承認自己把 AI 用在最重要的任務上。換句話說，AI 早已進入日常工作，只是許多使用行為仍藏在公司的管理視線之外。
台灣企業也有同樣的落差。人工智慧科技基金會與高通合作的《2026 台灣產業 AI 化大調查》指出，企業內部有 61.8% 的 AI 使用行為，發生在公司管控範圍之外。
員工自己找工具處理工作，公司卻不知道他用了什麼、放進哪些資料，也不清楚產出如何被採用。這種沒有登記、缺乏管理的使用，就是所謂的影子 AI。
影子 AI 帶來的兩筆帳
第一筆帳，是做事方法的流失。
MIT 的研究裡有一個例子：一位企業法務所屬的組織，花了 5 萬美元採購專業的合約分析工具，她卻還是習慣用 ChatGPT 起草文件，因為可以反覆修正到符合需要。從個人的角度看，這樣做很合理，手邊的工具好用，也確實提高了當下的產出。可是，那些反覆修改後才形成的提示詞、判斷方式與處理經驗，並沒有被公司留下來。
第二筆帳，是資料外洩風險。
IBM 2025 年的資料外洩成本報告指出，影子 AI 程度高的組織，平均每起外洩事件的成本，比影子 AI 程度低或沒有影子 AI 的組織多出 67 萬美元。資安公司 Cyberhaven 的 2025 年報告發現，企業分享給 AI 工具的資料中，有 34.8% 屬於敏感資料，83.8% 流向被評為高風險或關鍵風險的平台。該公司 2026 年的報告進一步顯示，ChatGPT 有 32.3% 的使用量發生在個人帳號，而流入 AI 工具的資料中有 39.7% 涉及敏感資料。
面對這類風險，有些企業的第一個反應是直接禁用。2023 年 4 月，三星工程師把內部原始碼貼進 ChatGPT，三星隨後宣布限制員工使用生成式 AI。禁令確實可以降低外洩的機會，卻無法把員工已經摸索出來的提示詞、判斷與例外處理經驗留在公司裡。工具被擋住了，經驗流失的問題仍然存在。
什麼樣的內容，才留得下來
公司真正要留下的，是三樣東西：任務、技能，以及驗測紀錄。
任務記錄一項固定工作如何接收輸入、要產出什麼結果；技能則是多個任務都會用到的共通規則，例如報表格式、審查標準、翻譯用語；驗測紀錄要留下哪些案例曾經失敗，以及後來如何修正。這些內容累積起來，就是企業的工作經驗，也是最重要的 AI 資產之一。
不過，把提示詞存進共用資料夾，還稱不上完整的 AI 資產。要讓這些資產能持續使用，還需要三個條件：有版本、有維護者、有明確的適用範圍，而且更換語言模型之後仍然可以繼續使用。
實務上，每次修正任務時，維護者都要判斷，這次修改只適用於單一個案，還是應該更新共用規則。當規範改版，系統也要能通知受影響的任務，重新執行、重新驗測。否則，大家只是把原本散落在個人帳號裡的內容，搬到另一個沒有人整理的地方。
方法沒有留在公司裡，後來的人就得一再試錯，而這筆成本往往比想像中高。Panopto 與 YouGov 在 2018 年訪問了 1,001 位美國知識工作者，受訪者平均每週浪費 5.3 小時，等待同事提供關鍵資訊，或重新建立公司早已存在的知識。
製造業沒有太多時間慢慢等
對台灣製造業而言，知識留存不只影響工作效率，也牽涉到人力結構的風險。
根據勞動部資料，製造業有 132.2 萬名 45 歲以上的就業者，佔該產業就業人口的 44.2%。同時，製造業有 8.5 萬個職缺，全時職缺平均要花 3.2 個月才招募得到人。當資深人員逐步離開現場，新人又不容易補進來，經驗傳承就不能再靠師徒之間口耳相傳。資深人員的經驗，必須趁早留下來。
先把知識理清，再接上模型
要開始整理，可以先把公司的做事方法分成兩類。
會重複執行的工作，寫成任務，例如每月彙整出貨報表、比對 BOM 與圖面、產出報關文件。做事時必須遵守的規矩，則寫成技能，例如報表格式、審查標準與翻譯用語。任務每執行一次，就會產生一次結果；技能則可以同時被多個任務引用。
所謂知識資產化，就是讓這些做事方法有人維護，讓需要的人找得到，也讓公司在更換工具之後仍能沿用。順序上，企業應該先整理與驗證知識，再接上模型。模型即使已經就位，企業知識若沒有經過整理，依舊很難真正用起來。
摩根士丹利先整理、分類並驗證了約 10 萬份內部文件，再由理財顧問與提示詞工程人員為 AI 的回答評分，理專對內部文件的取用比例從 20% 提高到 80%。台中的線材加工廠新呈工業，也是先用 AI 把資深技術人員的隱性知識整理成教學內容與完整的 SOP。
兩家企業的規模天差地遠，採取的順序卻一樣：先把散落在人員、文件與工作現場裡的知識整理清楚，再讓 AI 接手使用。如此一來，公司付出的才不只是每個月的訂閱費，而是在累積可以維護、可以傳承，也能繼續沿用的 AI 資產。
本文摘自智慧方案《Agent-Ready：台灣製造業 AI 應用白皮書》。白皮書完整說明任務與技能的差異、AI 治理的放行條件，並附上 12 題自我評核表。