品管|不良履歷查詢
不良紀錄、原因與處理經驗分散,查詢仰賴檔案與資深人員記憶。
透過內網集中查詢歷史不良、原因與改善方法,形成品質知識庫。
Kaifa Industrial · AI Transformation Story
從看見 AI,
到建立組織的改善能力。
From awareness and experimentation
to organizational capability.
一家製造企業,如何從分享、訪談、MVP、UAT 與種子培養,逐步形成自己的 AI 改善方法。
The Starting Point
2026 年 4 月 22 日,開發工業第一次以公司層級展開 AI 分享與交流。
當時沒有完整的企業 AI 藍圖,也沒有先採購大型系統。公司先從共同理解開始,讓同仁看見 AI 不只是聊天工具,而是可能重新設計工作流程、知識管理與部門協作的方法。
同一天,第一版 AI 改革方向正式提出,Kaifa 的 AI 旅程也從「認識工具」開始走向「企業改善」。
AI 不只是聊天。
它可能重新設計工作流程、知識管理與部門協作。
The Journey · Master Timeline
從一封分享會通知,到第一個內網系統上線,再到多部門 AI 作業系統逐漸成形。
公司內部發出 4 月 22 日 AI 分享互動交流會的報名與提醒通知。這是 Kaifa AI 之旅的行政起點,也是公司第一次正式為 AI 聚集人員與注意力。
開發工業第一次進行全公司 AI 分享與交流,並提出第一版 AI 改革方向。上午與下午各進行一場分享互動交流會,同日提交「開發工業 AI 改革計畫(第一版)」。這一天是 Kaifa AI 之旅的實質起點。
公司從共同認識走向實際操作,同仁開始嘗試用 AI 處理自己的工作問題,理解 AI 可以邊做、邊問、邊修改。
從報工問題檢討開始,陸續產出第一性原理互動評估與模擬器、減衰力模擬與測試系統,以及會議改革與企業下一個十年的提案。
AI 正式進入研發、品管與生管的真實工作現場。連續兩天進行部門訪談並安排 AI 助理課程,AI 不再只是一場活動,而是進入部門流程、資料與真實問題。
第一個部門 AI 改善系統在內網正式上線,Kaifa 從示範跨入實際使用。品管不良履歷查詢系統完成並上線,代表公司第一次從分享、訪談與原型,走到真正可使用、可持續運作的部門系統。
研發與生管訪談形成快速改善閉環:問題訪談、錄音整理、需求分析與 MVP 定義在同一天完成,讓問題定義速度大幅提升。
多部門工具與企業治理框架逐漸形成:生管前叉日查詢、財務與董事會報告系統、AI Improvement OS、改裝車 Venture OS、企業平台架構與顧問方法論陸續成形,Kaifa AI 改善開始由單點工具走向系統化。
From Demonstration to Participation
下一階段將由各部門實際使用真實資料,完成操作、UAT、問題記錄、責任指定與下一版規劃,讓改善能力逐步留在組織內部。
Problem First, Not System First
每一個部門都有自己的流程、表單、資料與長期累積的工作習慣。
過去,這些問題常被認為太複雜、太零碎,或必須花費大量預算請外部廠商客製化,因此只能繼續使用原來的方法。
現在,我們選擇另一條路:
Department AI Map
AI 不再停留在概念,而是開始進入每一個工作現場。
What Has Changed
真正的轉型成果包括:
The AI Seeds
AI 轉型不應依賴單一個人,而應讓每個部門都有人能提出問題、參與測試、推動改善與幫助下一位同仁。
如果所有系統都只能由一個人製作,AI 就還沒有真正進入公司。
真正的轉型,是讓每一個部門都有人能夠提出問題、描述流程、測試工具、提出改善,並帶著下一位同仁開始。
從個人學會使用,走向部門具備能力。
從單一案例,走向組織可以複製。
一位同仁,如何從擔心被 AI 取代,走向主動使用 AI、建立自己的助理,並開始改善部門工作。
AI 浪潮讓會計成了重災區。為了不被淘汰,她主動申請轉調業務。
參與 2026 年 4 月公司 AI 分享後,當晚她便開始使用 SUNO、Gamma 與 Claude,正式跨出第一步。
在老公鼓勵下升級付費版,逼自己沒有退路地學下去。
「你說中文,我都聽得懂!」這句話,瓦解了她對英文介面深層的恐懼。
自建 AI 助理「阿雅 AYA」、搞定出口文件轉檔、建理財助理「168」。
「AI 浪潮下,會計成了重災區。為了不被淘汰,我申請轉調業務,但卻忙得無暇顧及 AI 的發展。
今年 4 月,盧大哥無私地分享 AI 新世界。當晚,我已用 SUNO 寫歌、用 Gamma 做簡報,並註冊 Claude。
在老公的鼓勵下,我決定『置之死地而後生』,升級付費版,逼自己沒有退路地學下去。
過去,英文介面是我跨不過的檻。直到 Claude 親口對我說:『你說中文,我都聽得懂!』這簡單一句話,瓦解了我深層的恐懼。
走過這一遭我才明白:『會用 AI』已經不夠,須『懂得跟 AI 協作、截長補短』。
很感謝當初的自己,勇敢面對恐懼,打破內心那層殼踏入 AI 領域。
AI 改變的不只是工具,而更是我直面未來的底氣與勇氣。」 — Sweet
Sweet 的意義不只是一個成功案例,而是證明 Kaifa 的 AI 能力可以從個人學習,逐步擴散到部門工作。
Kaifa AI Operations Platform
Kaifa AI Operations Platform 並不是一次採購完成的大型系統,而是由各部門真實問題逐步累積而成。每個 MVP 經過使用、驗證與改善後,才成為企業平台的一部分。
平台的核心不是功能數量,而是資料、責任、流程與改善方法能否被組織持續使用。
目前視角:以七個部門為核心,各自從自己的問題出發建立工具。
Methodology
從同仁每天實際在做的工作出發,問出真正卡住的地方、重複的作業與資訊的斷點,而不是先問「你要什麼系統」。
這套方法不是為單一顧問服務,而是要逐步成為 Kaifa 內部可使用、可教學、可複製的共同工作方法。
這不是一次性專案,而是一套可以持續複製的改善方法。
Evidence · System Master Inventory
企業 AI 改善主清冊
每個系統都必須留下問題、部門、版本、負責人、UAT、效益證據與下一步。這不是個人作品清單,而是 Kaifa 的企業改善紀錄。
| 系統/產出 | 部門 | 日期 | 狀態 | 版本/檔案 | 負責人 | UAT | 效益證據 | 下一步 |
|---|---|---|---|---|---|---|---|---|
| 品管不良履歷查詢系統 | 品管 | 2026.06.30 | 內網上線 | kaifa-defect-history.html(檔名待確認) | 品管部+種子 | 執行中 | 查詢時間、使用次數、問題重複率待量測 | 建立月度使用與效益紀錄 |
| 7 月前叉日生產計畫查詢 | 生管 | 2026.07.11 | MVP | 7月前叉日生產計畫查詢_v10.html | 生管部+種子 | 7/22–24 | 排程整理時間、錯誤、每日查詢時間待量測 | 實際匯入訂單並完成 UAT |
| 研發知識與專案管理工具 | 研發 | 2026.07.10 起 | MVP 建置 | kaifa-copilot.html/版本待確認 | 研發部+種子 | 7/22–24 | 文件查找、專案更新、APQP 同步時間待量測 | 確認第一批真實專案資料 |
| 每月財務分析與董事會報告系統 | 財務 | 2026.07.11 | MVP | kaifa-finance-mvp.html | 會計部+種子 | 待安排 | 月報與董事會報告製作工時待量測 | 用真實月份資料驗證離線流程 |
| 出口助理(出口排程/轉檔) | 營業 | 2026.05.25 | 已完成可用 | generate_schedule.py+run_all.py | 營業部 Sweet(種子) | 已自用 | 文件工時、錯誤率與重複輸入待量測 | 量測工時效益、擴充文件類型 |
| Kaifa AI Improvement OS | 公司總控 | 2026.07.11–12 | OS v4 | kaifa-ai-improvement-os-v4.html | 種子 Leader/管理者 | 待 Mac 驗證 | 改善案數、Gate 通過率、年度效益 | 統一主清冊與權限稽核 |
| 改裝車 Venture OS | 新事業 | 2026.07.11 | OS | Kaifa Custom Performance Venture OS | Jack GM+專案團隊 | 7/24 會議 | Gate 1、樣品進度、決策日期 | 確認第一款產品與負責人 |
| 技研部第一個 MVP | 技研 | 7/13–19 規劃 | 下一階段 | 待訪談後建立 | 待指定 | 未開始 | 待定義 | 完成訪談、選定第一問題 |
| 管理部第一個 MVP | 管理 | 7/13–19 規劃 | 下一階段 | 待訪談後建立 | 待指定 | 未開始 | 待定義 | 完成訪談、選定第一問題 |
| 製造部智慧製造改善 | 製造 | 長期核心 | 規劃 | 流程/設備/維修能力待盤點 | 製造部+GM | 未開始 | 設備效率、停機、維修與人力效益 | 先釐清流程,再評估硬體 |
不良紀錄、原因與處理經驗分散,查詢仰賴檔案與資深人員記憶。
透過內網集中查詢歷史不良、原因與改善方法,形成品質知識庫。
光陽訂單、月份計畫與每日機種散落於多份 Excel,需人工轉換與核對。
以單一網頁匯入、查詢與輸出每日排程,讓資訊集中且容易使用。
出口排程與文件轉檔需人工重複整理、檢查與輸入,品質受個人經驗影響。
以 generate_schedule.py 自動產出排程與轉檔,一鍵執行、純本機運作,減少重複輸入。
Mission · 2026.07.22–07.24
這三天的成功,不在於新增多少功能,而在於各部門是否能使用真實資料完成工作、提出問題、完成 UAT、指定責任並確認下一步。
使用真實資料完成一次完整工作流程,不以示範資料代替。
記錄功能缺口、流程不合與資料錯誤,讓下一版有明確依據。
由實際使用者驗證輸入、處理、輸出與例外狀況。
系統必須有人持續管理,也必須有人能帶著下一位同仁使用。
先記錄改善前工時、錯誤與查詢方式,才能驗證改善後成果。
每個 MVP 都要有下一步,不讓工具停在一次性展示。
公司建立共同認識。
AI 從概念進入真實工作。
模糊需求開始被具體描述。
問題轉化為可操作工具。
使用者參與測試、修改與教學。
即使沒有外部推動者在現場,部門仍能持續改善。
下一階段真正的成果,是 Kaifa 能依照共同方法持續提出問題、驗證工具、累積數據並推動改善。
Governance · Evidence · Replication
當改善從個別工具走向企業能力,就必須建立共同 Gate、證據、責任、權限與版本制度。
確認這是真實、重複且值得處理的工作問題,而不是單次需求或個人偏好。
完成輸入、處理、輸出定義,確認第一版範圍與負責人。
實際使用者用真實資料完成工作,例外情境與錯誤也被記錄。
改善前後有可比較基準,至少能量測工時、錯誤、查詢或外包成本其中一項。
工具已穩定使用、有人負責、資料值得共享,才進入公司平台。
What We Learned
不懂沒有關係,先開始就好。01
第一個版本不需要完美,只要能讓問題浮現。02
AI 不會自動帶來改變,真正的改變來自使用者參與。03
沒有完整藍圖,也可以一步一步走出方向。04
AI 轉型不是安裝一套系統,而是重新設計工作的方式。05
The Core Story
Kaifa AI Journey,不是一個人的 AI 成果紀錄,而是一家製造企業逐步建立 AI 能力的轉型歷程。
2026 年 4 月,公司從第一次 AI 分享開始,讓同仁先看見 AI 的可能性。接著透過操作陪跑、部門訪談、問題拆解與快速原型,AI 開始從概念進入研發、品管、生管、營業與財務的真實工作。
6 月 30 日,第一個品管內網系統正式上線,代表 Kaifa 第一次從「知道 AI」走到「真正使用 AI」。
7 月之後,多部門 MVP、AI Improvement OS、企業平台架構、UAT、Gate 與種子制度開始逐步形成。每一個工具都不只是新的功能,而是一個部門學會提出問題、參與驗證與承接改善的過程。
這條路並不是先設計一套完整的大型系統,再要求所有人配合。Kaifa 選擇從真實問題出發,一次解決一個問題,一個部門、一個部門地累積能力。
真正重要的成果,不是完成了多少網頁或程式,而是公司開始形成共同的方法:
問題可以被提出。
流程可以被拆解。
MVP 可以被驗證。
效益可以被量測。
種子可以被培養。
改善可以被持續。
當這些能力逐漸留在部門、留在制度、留在 Kaifa 裡面,AI 才真正成為企業能力,而不只是外部工具。
Toward the Light
Kaifa is moving toward the light.
Kaifa 的曙光,不是在某一天突然出現的。它是從一場分享、一次訪談、一個問題、一個不完美的網頁開始。
當所有人的問題都開始被看見,當所有部門都開始參與,Kaifa 綻放的就不再只是一道曙光。而是整間公司,正在慢慢天亮。
Kaifa 的 AI 轉型,不屬於某一個人。它屬於願意提出問題的同仁、願意參與驗證的部門,以及願意把能力傳給下一位同事的每一顆種子。