人工智慧可能透過聊天機器人和圖像生成器吸引了公眾的想像，但其最具影響力的應用案例卻遠離了面向消費者的工具。在實體基礎設施、營運連續性和安全性至關重要的產業中，AI 正在成為核心營運層。能源產業憑藉其龐大的工業系統和源源不斷的營運數據，為我們展示了這種未來可能的面貌。

在 Woodside Energy，AI 的採用並非始於生成式模型或企業協作工具。該公司多年來一直致力於在探勘、鑽井、維護和廠房營運等領域建立預測性分析、優化系統和機器學習工具。該公司數位副總裁 Andrew Melouney 表示：「我們一直擁有來自設備、廠房和資產的大量營運數據，這些數據為我們創造了非常清晰且高價值的應用案例。」

這種對基礎設施和治理的長期投資，現在正促使公司更廣泛地轉向具代理能力的 AI 系統，以支援複雜的工業工作流程。Woodside 設計 AI 系統旨在增強人類操作員在高風險環境中的專業知識，而非取代他們。一個典型的例子是其「啟動顧問」（Startup Advisor），這是一個 AI 協作工具，可協助操作員管理液化天然氣（LNG）廠的複雜啟動過程。

Melouney 解釋道：「我們真正思考的是，它如何支援組織中的人員，賦予他們做出更好、更快決策的能力。」

該公司的方法反映了工業 AI 領域正在發生的更廣泛演變：從孤立的實驗發展到建立在標準化平台、受治理數據和可重複部署模式之上的企業級系統。Melouney 認為，這種轉變要求組織重新思考其技術堆疊以及工作本身的執行方式。他說：「我們不只是將 AI 附加到現有流程上，我們正在深入思考如何重新構想這些工作。」

Melouney 的座右銘已成為：「大膽思考，小規模原型，快速擴展。」隨著 AI 系統變得更加自主和互聯，那些在炒作之下花費數年時間建立營運基礎的公司，可能會是成功者。Melouney 表示：「我們的目標是實現一個自主企業，讓我們的代理人能夠真正深入地與我們的核心工作流程互動。」

這集 Business Lab 是與 Infosys 合作製作的。來自 MIT Technology Review 的 Megan Tatum 表示，當人們想到人工智慧時，通常會聯想到聊天機器人或生產力工具，但 AI 一些最精密且影響力最大的應用，實際上發生在遠離消費性應用程式的複雜工業環境中，這些環境重視安全性、可靠性和實體系統。全球能源產業就是一個典型的例子。

像 Woodside Energy 這樣的全球能源生產商，總部位於西澳大利亞，十多年來一直應用 AI，從先進分析和營運，到遠端決策支援，再到大規模資產的智慧維護和能源效率。如今，Woodside 正在擴大這方面的經驗，將 AI 更深入地嵌入其營運和企業中，並高度重視治理、數據品質和人為問責。

Woodside Energy 數位副總裁 Andrew Melouney 解釋說，能源產業與科技或消費性企業在 AI 應用上有所不同，早期價值主要來自營運和工業環境，而非面向消費者的生成式 AI 工具。這歸因於能源產業工作的本質：資產密集、安全關鍵且高度實體化。Woodside 的營運涵蓋從探勘、鑽井、專案開發，到在惡劣偏遠地區營運資產，以及全球能源組合行銷和交易的整個價值鏈。

Melouney 指出，公司一直擁有來自設備和廠房的大量營運數據，這些數據為可靠性、安全性和效率等關鍵領域創造了高價值的應用案例。自 2015 年以來，Woodside 便將預測模型、分析和優化等傳統 AI 技術應用於數據集和業務。隨著生成式 AI 的出現，公司發現他們擁有強大的基礎，可以在此之上解決問題，以提升業務，無論是確保人員和環境安全，還是提高組織回報。

Woodside 的 AI 策略始於對營運數據的長期理解、價值認可和規模化收集。他們審慎地評估價值和可控風險，並從代理式 AI 的角度，思考如何在過去由傳統 AI、機器學習和資料科學解決的問題上，疊加代理式 AI 以提供更好的成果。對於資產密集型產業，他們關注維護優化、確保 LNG 廠可靠、一致且安全地啟動，並為前線員工提供必要的工具。

Melouney 強調，AI 的核心是支援組織中的人員，賦予他們做出更好、更快決策的能力。這項旅程從傳統分析演變到人工智慧和生成式 AI，過程中他們學到技術固然重要，但更關鍵的是將人員、流程和技術結合起來。公司投入大量時間不僅收集和策劃數據，還培訓員工學習敏捷方法、設計思考和解決問題，確保技術能有效且有目的地被組織採用。

一旦技術和數據基礎穩固，數位團隊與組織之間建立起強大信任，技術的採用和規模化便在企業中廣泛展開。數據對於 Woodside 的所有工作都至關重要，特別是從技術角度來看，它提供了快速創新的能力。他們將數據視為一種資產，並多年來有意識地投資於企業級數據平台，確保其安全、數據資產結構良好，並具備強大的數據治理。

這確保了當數據用於資料科學應用或 AI 代理時，具備足夠的信任度，能夠被負責任地使用並產生預期的結果。Woodside 開發了平台，持續從資產和企業系統中擷取高頻率數據。像「維護智慧系統」（maintenance intelligence）就是一個很好的例子，它分析歷史維護記錄和設備性能，透過將 SAP 的維護記錄與時間序列數據湖中的設備性能數據關聯起來，提供最佳維護時機的建議。

這個系統的目標很簡單：在正確的時間做正確的工作。透過「維護智慧系統」，Woodside 在其中一個試點資產上，五年內有機會將維護工時減少高達 15%。隨著底層分析模型的建立，他們現在能夠在其上疊加代理式 AI，提供更好的洞察並進一步優化解決方案。這一切都歸結為為資產團隊和營運團隊提供正確的決策支援能力，確保他們在數據支援下，仍能運用判斷和經驗做出正確決策並承擔責任。