AI 企業知識庫結合代理人的管理轉型應用 | 勤業眾信協理蘇盈誠 | TO Talk EP131

德勤高管在這場演講中揭示了企業AI應用的關鍵矛盾：雖然硬體平台與軟體工具已日趨成熟，但真正把AI Agent放入生產環境的企業只有25%。根本原因是什麼？企業無法容忍AI的出錯。當OpenAI模型面對複雜任務時，初期達成率只有10%，即便改進後也難以達到企業所需的90分以上標準——試想一個審計程序只有60-70%的準確率，對企業營運會帶來多大風險。

問題並非AI本身不夠強大，而是AI完全不理解企業內部的語言。某家內湖科技公司已建立完整的數位帳冊系統，憑證掃描、自動傳票配對都已自動化，卻仍一天到晚出錯。為什麼？因為當員工報帳時說的「教育訓練費」或「報關費用」，通用的AI模型根本無法理解這些詞彙在該公司對應的會計科目和審核規則。

德勤引入了「Harness Engineering」的概念來解決這個鴻溝。這不只是調整Prompt那麼簡單，而是需要系統性的知識工程。他們為客戶建立企業知識庫，將過去所有查核發現、公司的審核原則、財務人員的判斷經驗，以及法規重點等元素整合進去。更重要的是，他們還把審計師審查費用時的隱性知識——例如「這張住宿費沒有寫清楚用途，而且超過了每日3000元的上限」——打包成AI能理解的規則集。

結果令人印象深刻。在財務案例中，經過知識工程配套後，自動分類與審核的準確率達到95%以上。該公司四萬人，每人每月只需一小時的報帳和審核時間，這筆人力成本高達千萬元以上。導入AI系統後，員工只需拍照上傳，後續完全自動化。即便考慮雲端的LLM調用費用（月費不到200萬），年度節省規模也高達億元。

在審計應用中，同樣的知識庫架構讓AI能夠自動發現異常。當審計師丟入一份出差申請單時，AI不僅找出了超額的住宿費，還基於公司簽合流程的認識，給出了「中風險」評估，並建議後續應查檢簽合流程是否有漏洞、是否需要監控。這些判斷完全源自知識庫中的企業規則與歷史案例。

講者強調，這整套配套不只涉及IT層面，更涉及制度層面。許多企業發現，老師傅掌握的技能和經驗從未被系統化記錄，都藏在腦子裡——如果想把這些知識遷移給AI，必須先通過訪談、錄影、文件蒐集等方式把隱性知識外顯化。這正是知識工程的核心工作。