台灣某蠶絲品牌，在這個行業深耕將近三十年，全台擁有數十家實體門市，產品線從內衣睡衣到寢具、保養品，是台灣少數做到垂直整合的蠶絲企業。這不是一家小公司，但當AI這股浪潮來襲，他們和很多傳統製造零售業一樣–站在門口，不確定該不該進去。
他們派來上課的，是主管級的人員。
這個決定本身就說明了一件事：他們不是讓基層員工去試水溫，而是讓有決策能力的人先搞懂AI能做什麼。這個起點，比很多企業都務實。
課程從基礎開始。文字生成、Excel與AI的結合運用、簡報製作，再加上NotebookLM做內部資料的整理與分析。這幾樣工具搭在一起，對製造零售業的主管來說不是炫技，是真實的日常減負。
特別是Excel與AI的組合，往往是主管最快感受到差異的地方。過去要花半天整理的報表，現在可以用對話的方式直接分析；NotebookLM則讓他們第一次體驗到，公司內部累積多年的文件和資料，可以變成一個隨時可以問答的知識庫。光是這一步，就已經讓很多人開始重新想像AI能做什麼。
但他們真正的問題，遠不止於此。
這家公司的生產模式是跨國的：在台灣設計，在泰國生產。兩地之間，橫跨語言、時區、製造標準，以及最難處理的–版型與工藝資訊的傳遞。
一件蠶絲內衣從設計稿到泰國工廠開始裁布，中間經歷的環節多得驚人：版型確認、縮率計算、用料估算、工藝單製作、中泰文溝通、品檢標準……每一個環節都是人工處理，每一個環節都有出錯的可能。
他們想做的，是讓AI介入這條鏈–最終實現從設計圖到生產指令的自動化閉環。
這個目標，我必須直說：難度很高。
不是技術上做不到，而是前置條件很多。版型資料要數位化、繪製標準要統一、工廠端要能接收對應格式–任何一個環節沒準備好，後面的自動化就是空談。更何況跨國生產涉及泰國工廠的作業習慣和軟體環境，這些都是變數。
課堂上也出現了一個典型的插曲。有學員去問ChatGPT，希望它協助處理版型相關的問題，結果ChatGPT建議他去下載Python和一個地端模型，說可以免費解決。
叫一個做蠶絲生意的人去裝Python，這就是我說的「AI糊弄小白」–不是AI壞，是它不會說「我做不到」，只會推薦一個看起來合理但實際上讓人越陷越深的方案。
解決方案：先把地基打好
以他們目前的狀況，建議分層推進，不要一步跳到閉環。
第一層，主管先用起來。基礎AI工具融入日常工作，Excel與AI的結合、NotebookLM建立內部知識庫，這一步已經開始，繼續深化。重點是讓主管真正理解AI的邊界–什麼能做、什麼不能做，這個判斷力本身就是最值錢的能力。
第二層，整理跨國溝通的文書流程。工藝單、品檢標準、供應商規格書–這些文件的中泰雙語版本，AI現在就可以協助生成和翻譯。這不是終點，但能立刻減少跨國溝通的摩擦。
第三層，才是版型數位化與生產閉環。這一步需要先確認泰國工廠使用什麼軟體、能接收什麼格式，以及台灣這端的版型資料是否已經夠標準化。沒有這些前提，談閉環還太早。
這條路很長，但第一步已經踩出去了。對一個深耕三十年的品牌來說，願意讓主管坐下來認真學AI，本身就是一個不小的轉變。