AI浪潮、地緣政治等因素交匯下，台灣供應鏈正跟著客戶前進美國、日本、東南亞等地擴產。除了土地、廠房與資本，最難轉移的，可能是人。
「現在大部分客戶的高階（主管），雖然股價很高，但他們睡不著覺。」自2018年以來服務製造業的AI公司杰倫智能（Profet AI）執行長黃建豪解釋，景氣循環是常態，「生意好的時候狂蓋廠，生意不好的時候怎麼辦？他們現在都已經想到這件事。」
過去，把生產力複製到新廠的常見做法是靠資深員工的經驗傳承。杰倫智能全球業務總經理余常任舉例，客戶會從總部或主要生產基地選拔一支精英團隊派駐新廠，花上幾年時間，把know-how傳授給當地同事。但這套方法如今面臨兩大問題。
第一是太慢。 製造業的領域知識需要較長時間熟悉，黃建豪估計，新團隊可能要花上9～12個月才能上手。當企業同時在不同國家擴產，人才養成速度很容易成為瓶頸。
第二個問題可能更關鍵：知識會被人帶走。 當企業把整套製造know-how帶到新廠，人才成熟後流動到其他公司，市場競爭就愈趨激烈。余常任直言，「他們（競爭者）現在有這麼好的製造實力，很多是我們當初教出來的。」
如今半導體供應鏈前進美國，同樣的知識移轉問題，在速度與風險可能都提升一個檔次。黃建豪認為，半導體供應鏈前進美國後，未來參與知識移轉的可能不只有當地人才，還包括AI甚至人形機器人。以前人教人，可能十年、二十年才發生供應鏈替代，因為人的累積需要時間。但AI時代的速度流動顯然與過去非常不同。
當製造know-how能被AI快速學習、複製，競爭者追趕的速度也可能加快。「我們會跟客戶開玩笑說，你什麼時候會發現自己的know-how被拿走？」黃建豪說，可能是當自己報價5元，競爭者卻只要2元的時候，「因為你還要人做，他全AI作。那時候才發現，你來得及（反應）嗎？來不及。」
當AI、機器人能力持續變強，而製造業者自己的能力沒有持續升級，核心知識又可能外流時，黃建豪認為，數十年累積的領域專業知識，也可能短時間被超越。
AI可能放大風險，但也可以是解方。黃建豪將製造業AI化的目標歸結為三件事： 可複製 、 可持續進步 ，而且要 屬於自己 。2025年推出的新服務Domain Twin，就是針對這三大需求的回應。
Domain Twin疊加於過往AutoML、AILM與AI Studio等產品基礎上，目標是成為新時代AI原生企業的「知識基礎建設」。在提升良率、調參等關鍵能力上，企業可以用自擁數據、老師傅經驗打造AI模型；這些模型能被AI代理調用，而代理與知識庫產生的新資訊，又能回過頭來協助模型持續優化，三者形成「一個loop」。
如此一來，企業首先能夠打造出一批可和人類協作的「數位員工」，降低對資深人力的依賴。余常任舉例，PCB廠常見的化學鎳浸金（ENIG）表面處理製程中，金層過厚增加成本、過薄又可能影響品質，過去需要老師傅憑經驗精準控制製程。若能建立模型，新廠就不需要老師傅親自監工，即使是資淺員工也能操作、遵循模型，「某程度上，在海外難找人的事情就解決了。」
但這批數位員工不能只會重複「昨天」的人類經驗。真正決定企業競爭力的第二件事，是要習得「明天」的新能力。這有賴持續的人機協作、循環優化，杰倫智能稱之為「師徒制2.0」。
「以前師傅帶徒弟，現在師傅帶的是AI。」黃建豪說。產業總有新需求，既有的自動化流程也需要瑕疵排除、回饋優化，這些目前還是需要資深人類員工來應對。因此，這並不是打造出數位員工、就能取代人類員工的邏輯。
黃建豪以採購工作為例。當AI可代理查找資料、做報表和投影片等任務，人類採購省下的庶務時間，就能用來和供應商、客戶等夥伴交流，獲取更多關於市場展望、競爭局勢的洞察，這些資訊可再回饋、優化AI代理表現。
第三件事，是這些能力必須「屬於自己」。當愈來愈多企業know-how被裝進模型與Agent，如何保護、管理這批愈來愈聰明的「AI員工」，也讓AI治理成為新的課題。這還是迅速變動、發展的場域，至少包括代理的權限管理、資安、稽核等面向，杰倫正與客戶一同設計、制定規格。