資料已成為現代企業營運與決策的核心基礎，對於高科技製造業而言，如何將龐雜資料轉化為具備商業價值的洞察，已是邁向智慧製造的重要課題。銓鍇國際（CKmates）解決方案部雲端顧問鍾文哲表示，製造現場長期存在的瓶頸，往往源自資料分散於企業資源規劃（ERP）、製造執行系統（MES）、監控與資料擷取系統（SCADA）及各類現場設備，系統彼此獨立，因而形成難解的資料孤島。
當管理層無法取得跨廠區、跨系統、跨設備的整體視角，企業即使累積大量資料，也難以達成即時分析與自主決策目標。
鍾文哲指出，製造業若要讓AI融入日常營運，首要工作是建構資料基礎架構。他引用「資料飛輪（Data Flywheel）」概念，強調企業必須先釋放既有系統中的資料，建立可集中託管的雲端儲存空間，再透過資料清洗、擷取轉換載入（ETL）、商業智慧（BI）分析與報表，逐步累積可供AI取用的高品質資料。透過這套持續循環的資料治理機制，工廠溫度、震動、產線速度等時序資料，連同ERP中的結構化資料，以及影像、文件等非結構化資料，都能納入統一架構。
隨著生成式人工智慧（GenAI）快速發展，市場焦點已由單純的AI助理，轉向具備推理、規劃並能代表人類完成複雜任務的AI Agent系統。鍾文哲指出，一個成熟的AI Agent必須具備記憶、工具調用、目標設定，以及可觀測性與圍欄等能力。然而，企業在導入AI時不宜貿然將所有既有流程全面自動化，而應先以商業價值與可行性排序優先應用情境，再依風險與複雜度決定自動化深度。面對高風險且高複雜度的任務，AI較適合擔任輔助或合作角色，維持由人員參與流程。
銓鍇國際解決方案部雲端顧問鍾文哲表示，製造業核心競爭力的提升，取決於能否以可治理、可驗證、可擴充的方式，讓AI落實於工廠日常決策流程。
針對不同技術能力的企業需求，AWS提供一套具彈性的AI發展策略。底層基礎架構不僅支援NVIDIA的高階GPU，亦提供AWS自研的機器學習晶片，搭配Amazon SageMaker讓資料科學家能大規模建構、訓練與微調模型。
就平台策略而言，鍾文哲說明，企業可依需求分別採用模型訓練、基礎模型調用與應用層服務。若需建立檢索增強生成（RAG）流程，可利用Amazon Bedrock及Amazon Bedrock Knowledge Bases，將文件存放於Amazon S3，透過向量化與檢索機制提升回答相關性；若面對結構化資料，也能透過圖形資料庫與流程編排機制強化查詢與推理能力。
另外，Amazon Quick Suite強調將聊天代理、研究、流程自動化、分析與治理集中於同一工作空間，Kiro則主打以規格驅動開發，協助團隊把AI輔助程式開發推進到更可控的生產階段。鍾文哲認為，企業真正需要打造的不是聊天介面，而是在安全、治理與可觀測條件下執行任務的智慧代理體系。