Wisely Chen：永聯物流開發如何使用 AI Agent 來加速營運流程自動化

1. 一句話總結

一個技術背景很強、但自認是「商務流程小白」的 VP，把 AI agent 當成能自己排除小狀況的按鍵精靈用，專門解決那些大企業也還在用列印標籤紙、人工下載 Excel 對帳的老問題。

2. 重點筆記

主持人介紹講者曾在 Google、Apple、Yahoo、GE 等科技公司累積超過十五年技術經驗，之後轉往傳統物流與商用不動產開發產業（此段為主持人自述，未能查得外部公開資料佐證，標記講者自述，無外部來源佐證）。他目前是永聯物流開發（ALP，Ally Logistic Property）的 VP of Data and AI。經查 ALP 的背景：它是台灣規模最大的機構型物流地產開發商，目前在台灣管理超過六十萬平方公尺的倉儲設施，正在推動總額超過十億美元的智慧倉儲投資，並持續往東南亞（馬來西亞、泰國、新加坡、越南）擴張。

去年的進度回顧：從招不到人到 AI 賦能工讀生

他先回顧去年在自己的新創（愛立運能）分享的內容：傳統運輸業招不到人，於是用 AI 賦能願意進來現場的人，讓他們慢慢變成半個資料工程師。一年後回頭看，他形容這是一場社會實驗：接觸過的十幾到二十人裡，有三人成功轉為正職，其中一位還因此獲得商業媒體專訪，專訪曝光後吸引不少傳統企業（包含鋼鐵物流業者）主動聯絡，請他去內部分享怎麼用 AI 加速數位化。

今年的變化：從小企業到世界五百強，問題卻一樣

隨著團隊併入永聯物流開發集團，業務規模擴大到原本的五到十倍，服務對象也從沒有數位化能力的傳統小企業，變成許多耳熟能詳的上市櫃、跨國品牌。他發現一個反差：這些國際級大客戶雖然有 IT 能力，卻常常因為物流串接被排在專案優先順序最後、沒有足夠的預算和時間，最後同樣淪為「沒有系統對接」的窘境。他舉了一個例子：某國際級家用品廠商每天用列印標籤紙的方式，把撿貨資訊傳給他們（此為講者自述案例，無外部來源佐證）。他的結論是，不管面對大客戶還是小客戶，最後往往還是得靠人力手動串接。

案例一：兩套 WMS 系統的即時對帳，用 Claude Computer Use 取代人工

一個客戶把貨物從 A 倉庫搬到 B 倉庫，兩邊分屬不同客戶、使用不同的倉庫管理系統（WMS），因為時程很趕，IT 部門評估要做雙向資料串接需要三個月，但業務端根本等不了。原本的暫時做法是人工從兩套系統各自下載 Excel，再手動合併，一天只能做一次，但實際上儲位狀態每小時都在變化，導致常常出現「甲系統顯示是空位，乙系統卻早已佔用」的儲位衝突。

他的解法是用 Claude 的 Computer Use 功能，把「登入系統、依序點擊、下載 Excel、合併」這一整套原本要人工重複做的步驟交給 AI 執行，整個流程大約花一到兩小時打造完成，之後就能做到每小時甚至每半小時對帳一次。他也在 demo 裡刻意留了兩個「錯」：一是提示詞裡的欄位名稱寫錯（寫成「出庫單號」，畫面上實際是「出庫系統單號」），二是指令留得不夠精確（沒說要把匯出檔案移到哪裡），結果 AI agent 都能自己判斷、修正，不受影響。demo 過程中還意外跳出一則即時通訊軟體的訊息視窗擋住畫面，AI agent 直接把彈窗關掉、繼續原本的操作——他特別提到，同樣的狀況如果換成傳統 RPA 工具，通常會直接當機、拋出例外。

案例二：報表合理性檢查，用 Browser-use 框架取代工讀生

第二個案例是資料團隊每天要把報表寄給主管前，先做一次「合理性分析」（例如某倉庫營業額不應超過兩百萬、也不應低於五十萬），原本這件重複又枯燥的任務是交給工讀生手動核對，但人力難免會累、也難以保證每天確實有做。他改用 Browser-use 框架搭配 Claude，讓 AI agent 用他自己的帳號打開 Gmail、搜尋最近七天的特定報表信件、開啟 PDF 附件、核對數字是否落在合理區間，最後用他的帳號登入 Teams 回報結果——過程跟工讀生原本的操作一模一樣，主管完全沒發現這是機器人做的。他解釋 Browser-use 跟單純的畫面操作型工具不同：除了截圖給模型判讀，它同時也會解析網頁的 HTML 結構，因此判斷的成功率比較高。

為什麼選 AI agent，而不是傳統 RPA

他把兩者的差異歸納得很清楚：RPA 追求高確定性，容錯率跟可修改性都比較低，一旦流程或畫面有變動就容易整個壞掉；AI agent 帶有一定的不確定性，但正因為這種不確定性，反而讓它具備類似人類的容錯能力，能自己處理小狀況。他認為這種特性特別適合用在兩種場景：一是每天重複、規則清楚的資料下載與合併，二是像合理性分析這種需要「持續盯著看」、人力容易鬆懈的例行檢查工作。

3. 關鍵數據與案例

• ALP 在台灣管理超過六十萬平方公尺物流設施，正在推動超過十億美元的智慧倉儲投資，並往東南亞（馬來西亞、泰國、新加坡、越南）擴張（講者投影片數據，另可見公開報導佐證，詳見資料來源）。
• 去年接觸的工讀生人數約十到二十人，其中三人成功轉正（講者自述，無外部來源佐證）。
• 業務規模因併入集團擴大為原本的五到十倍（講者自述，無外部來源佐證）。
• 案例一的自動化流程開發時間約一到兩小時，完成後對帳頻率從每天一次提升到每小時或每半小時一次（講者自述，無外部來源佐證）。

4. 金句

• 「其實不是 AI agent，是按鍵精靈加速營運自動化。」
• 「他們也這樣做，太厲害了。」（講者形容大企業客戶居然也用列印標籤紙這種原始方式交接貨物時的反應）
• 「我唯一要擔心的就是你今天有沒有掛掉，就這樣子而已。」（形容用 AI agent 做每日例行檢查，比交給人做更放心）

5. 提到的工具與名詞

Claude Computer Use（讓模型直接操作螢幕、滑鼠與鍵盤的功能）、Browser-use（開源瀏覽器自動化框架，除了畫面截圖也會解析網頁 HTML 結構）、WMS（倉庫管理系統）、OMS、TMS、RPA（機器人流程自動化）、ETL、Teams、Excel。

6. 延伸觀察

這場最值得記下來的，是講者完全不迴避「這其實很土炮」這件事——他直接說這就是按鍵精靈，卻同時精準點出按鍵精靈跟 AI agent 的關鍵差異：容錯。傳統 RPA 求穩定但一碰到畫面變動就整組壞掉，AI agent 反而因為「不太確定」而顯得更皮實。他用 Claude Computer Use 跟 Browser-use 兩種不同做法分別對應兩種場景（畫面操作 vs. 需要理解網頁結構），也呼應了李慕約後面那場提到的「AI agent 會比人類更會用工具」——差別只在於 Wisely Chen 是已經把這件事落地到日常營運裡的人，而不是停留在概念討論。

7. 資料來源