企業導入生成式 AI 時，最直覺的第一步通常是做一個聊天介面：員工輸入問題，AI 產生回答，看起來就像已經完成了一個 AI 產品。但真正開始使用後，問題很快就會浮現。AI 可以把文字寫得很好，卻不知道公司最新的資料放在哪裡；它可以解釋一個概念，卻不知道昨天專案的進度；甚至當資訊不足時，它仍可能給出一段聽起來合理的答案。

這也是我在開發 Data Machi 時逐漸意識到的一件事：企業真正需要的，不是一個更會聊天的 AI，而是一套能可靠完成工作的系統。

一個問題，背後其實是一段工作流程

假設主管問：「今年哪一類需求工單最多？主要來自哪些市場？相關改善專案進行到哪裡？」這句話看起來只是一個問題，但如果真的要回答，分析師往往需要先打開 Google Sheets 找到正確資料，再到 Confluence 確認分類定義，接著做統計與比較，最後還要到 Trello 或 Jira 查目前的改善進度。

也就是說，真正的工作從來不只是「產生一段答案」。它包含找資料、理解定義、計算、判斷、查核與整理等一連串動作。聊天型 AI 最擅長的通常只是最後一段文字生成，但企業真正花時間的地方，往往發生在前面。

Chatbot 與企業 AI 的差別，不只在模型

如果一個 AI 沒有接上公司的資料、工具與流程，就算使用再強的模型，它仍然只能根據既有訓練知識或你手動貼進提示詞（Prompt）的內容回答。當資料更新時，它不會自然知道；當任務需要查另一個系統時，它也不會自動完成。

企業 AI 則多了一層「工作的能力」。它需要知道資料從哪裡取得、什麼時候應該呼叫工具、哪些數字必須由程式計算，以及結果不夠完整時要不要再查一次。更重要的是，當它無法確認答案時，系統應該能夠停下來，而不是用流暢的文字把不確定性掩蓋掉。

Data Machi 想做的事情

Data Machi 的核心想法，就是把 AI 從單純的聊天介面往「企業知識工作流」推進。結構化數字可以由 Google Sheets 或資料工具處理，文件與規範透過 RAG 取得，專案進度由外部系統查詢，而 Coordinator 則負責理解使用者的問題，決定應該使用哪些來源，再把結果整理成最後的回答。

這樣的架構並不是為了讓系統看起來更複雜，而是因為不同工作本來就需要不同能力。文件搜尋、精確計算、即時狀態與後續操作，本來就不應該全部交給同一個 Prompt 處理。

30 天，我們會逐步把它做出來

接下來的系列不會只停留在概念。我們會先理解企業知識工作與檢索增強生成（RAG），接著把 AI 接上 Google Sheets 與文件來源，再進一步介紹工具使用（Tool Use）、代理（Agent）、協調者（Coordinator）與 LangGraph。最後則會處理可靠性、權限、安全與部署，把一個展示原型逐步推進成可以真正使用的產品。

這條路徑可以簡化成：

聊天（Chat）→ 檢索增強生成（RAG）→ 工具使用（Tool Use）→ 代理（Agent）→ 工作流程（Workflow）→ 產品（Product）

每往右走一步，AI 都不只是「變得更聰明」，而是多了一層可以真正完成工作的能力。

今天先記住一件事：企業 AI 的價值，不在於回答得像不像人，而在於它能不能可靠地完成一段工作。

下一篇，我們會先把「知識工作」本身拆開來看。只有先知道工作是怎麼完成的，才知道 AI 應該被放在哪一個環節。

我們下集見囉！