企業IT人力不足，如何自動化、數位轉型
企業流程系統化面臨難題
企業將工作規範、標準流程都訂定並整理後，若公司本身並沒有足夠的軟體開發人力，大致只能發包給專業的軟體開發公司，或者研究市場上是否已有系統可以符合公司的企業需求。
後續外在環境或法令規範一旦有變化，企業內部的流程需求也需要跟著調整，因此須要持續負擔系統維護的人力成本，否則軟體系統與現況漸行漸遠，終致不敷使用而出現流程需要回到人工判斷的情況。
困境反轉的契機-LLM 大型語言模型
流程自動化最大的困難是無法將企業運作規則轉換成程式開發人員可以理解的規格，因此系統開發公司通常有專職人員，負責收集需求、分析出需求規格後，交予系統開發架構師設計出一整套系統的框架。
過去二、三十年，業界人士不斷地提出新的工具，試圖更有效率、準確地表達需求，例如UML Use Case、User Story等等，這些方法本質上還是需要高度專業人員執行。
近年來隨著LLM的能力持續增強與普及化，人們發現它可以越來越準確地理解各行各業的行規、行話，並且能用使用各領域的常識生成產出。
除了當生活中的小助手外，LLM也能理解口語文字訊息想表達的意圖，因此逐漸可應用在商用領域。
AI Workflow Automation / No-Code
- 企業內部不需要自己有會寫程式的IT人員，只要各部門能清楚描述作業流程與規定。
- 使用如 n8n這類的no-code/low-code工具，把各流程分析清楚再串連起來。
- No-Code：AI工具(例如n8n)會提供「積木」一樣的元件（通常叫 node / block），使用者只要拖拉、設定，就能把一個完整的流程拼湊出來。
- LLM 處理非結構化資料（意圖判斷、資料檢查），例如將客人的口語訊息，自動轉化為一張制式的訂單資料。
AI Workflow Automation，適合應用在「製造業」、「運輸業」等有作業標準並且對於產品、服務需要做到高良率、高精度等要求的行業。
應用AI工具、LLM的過程，比較大的困難是：要把流程拆得夠細夠清楚，還要會設計提示詞讓 LLM 正確理解。
AI Agents / Vibe Coding
分四部分：Prompt、Chat Model、Memory、Tools。我們只要把各種工具準備好，再給一個指示、目標，讓LLM自行運作。
- 設定高階需求的指示prompt，例如：「今天出門要帶傘嗎？」。
- 讓 AI Agent 的 Chat Model LLM 就像大腦，讓它推理「該用哪些工具、順序怎麼走」，例如：：查詢地圖資料、查詢天氣資料。
- Vibe Coding：人員是用自然語言描述需求，不用自己寫程式，就能讓AI自行編排程式流程，打造一套系統。
- AI Agent生成的結果是可能出錯的，需要人工監督、測試與驗證，像培訓新員工一樣。記錄它的表現，持續協助它調整、改善。
總結
| 分類 | 傳統自動化解決方案 | AI Workflow Automation | AI Agents |
|---|---|---|---|
| 工廠人員需求表達 | 提需求給 IT 廠商 → 廠商開發 | 自行整理需求 → 設定 n8n workflow + LLM prompt | 自行整理需求 → 給 AI Agent 一個高層需求 prompt |
| 技術依賴 | 完全依賴外部 IT | 需要懂流程邏輯，會用 n8n（no-code/low-code）+ prompt 設計 | 需要設定 AI Agent + 工具清單（Tools node） |
| 自動化方式 | 固定規則（寫死流程） | 流程用 node 串起來，LLM 負責「理解 & 判斷」 | LLM（Agent）會根據需求自行安排、調用 Tools |
| 彈性 | 低：修改要重新找 IT 廠商 | 中：自己可調整 workflow + prompt | 高：用口語需求就能觸發流程 |
| 適合範例 | ERP 報表、產線機台控制、條碼掃描 | 客服訊息分類、訂單建檔、文件整理 | 客服全流程自動化、動態排程、跨系統協作 |
| 困難點 | 開發成本高，修改不靈活 | 需要流程設計能力與 prompt 技巧 | AI Agent決策過程不可控，需要監督與驗證 |
- 傳統自動化 = 要寫程式 → 得依賴外部的IT廠商。
- AI Workflow Automation = 不用寫程式 → 需研究怎麼用prompt、串接流程。
- AI Agent = AI自己研究、應用工具 → 需驗證、提供資料讓AI進步。
