BridgeCraft logobridgecraft
週報作品集關於聯絡登入
聯絡

bridgecraft

從資料視覺化到 AI Agent,一直在找下一個 meta

文章主題指南週報Labs作品集系統架構關於聯絡RSS

© 2026 BridgeCraft — Waiting7777. All rights reserved.

← 所有文章
師傅退休怎辦?這家新創用 AI 「複製」30年工作經驗

師傅退休怎辦?這家新創用 AI 「複製」30年工作經驗

2026年4月28日 · HW SHU · 5 分鐘閱讀

AI產業觀察
📂 AI 系列📂 產業觀察 系列

老師傅退休潮來了,AI 如何接手 40 年功力?

美國基礎建設正面臨一個隱形危機:資深工人大量退休,40 年的專業知識即將斷層。Cloneable 剛拿到 460 萬美金 seed funding,想用 AI Agent 技術「複製」這些老師傅的腦袋,讓他們的知識能傳承下去。

這不是什麼科幻概念,而是實打實的商業需求。當你的電廠裡最懂設備的工程師退休了,新人要花多久才能達到同樣水準?當颶風來襲需要搶修電網,沒有經驗的技術員能搞定嗎?Cloneable 的答案是:讓 AI 先跟在老師傅旁邊學,把所有 workflow 都記下來,然後變成可以獨立作業的 agent。

從投資者的角度來看,這個 timing 抓得很準。美國基礎建設老化、技術工人短缺、AI 技術成熟,三個趨勢交匯,市場需求強烈。Congruent Ventures 領投這輪融資,其他投資方包括 First In、Overline、Bull City Venture Partners,還有客戶 Texas Area Telecom 的投資部門 St. Elmo Venture Capital 也參與了(客戶直接投資,這信心值得注意)。

商業模式拆解

Cloneable 的商業邏輯其實很直接:賣 AI 複製人給大型基礎建設公司。

他們的目標客戶是電力公司、電信商、石油天然氣公司這類重資產企業。這些公司有個共同痛點:關鍵技術人員退休後,知識傳承困難。一個資深電網工程師可能需要 15-20 年才能培養出來,但 AI Agent 可能幾個月就學會 80% 的 workflow。

收費模式應該是 SaaS 訂閱制,按照 agent 數量或處理的任務量計價。考慮到這些企業的規模,客單價不會低。一個大型電力公司如果能用 AI Agent 取代部分人力,年費可能在六位數到七位數之間。

護城河在哪?主要有三點:

  1. Domain Expertise - 不是每家 AI 公司都懂電網、石油管線這些專業領域
  2. Data Moat - 每個客戶的工作流程都不一樣,越多數據越精準
  3. Integration Complexity - 要跟各種古老的工業系統整合,技術門檻不低

從市場規模來看,美國基礎建設市場每年投資超過 2 兆美金,如果 Cloneable 能抓住其中的自動化需求,想像空間不小。不過現階段他們還在 seed round,總共才募到 535 萬美金,距離大規模商業化還有一段路。

競爭格局

這個賽道其實還滿空的,沒有明顯的 dominant player。主要競爭來自三個方向:

傳統工業軟體公司:像 GE Digital、Siemens 這些老牌廠商也在做工業 AI,但他們的思維還是賣軟體套裝,沒有專門針對知識傳承這個問題。

AI 自動化平台:UiPath、Microsoft Power Automate 這類 RPA 工具可以自動化一些流程,但處理不了需要判斷和經驗的複雜任務。

垂直 AI 解決方案:一些新創公司專門做某個領域的 AI,比如能源管理或設備維護,但沒有專門做「複製專家知識」這件事。

Cloneable 的差異化在於:他們不只是做任務自動化,而是要「clone」整個專家的思維模式。這需要更深層的 machine learning 和 domain knowledge 結合。

從競爭優勢來看,他們的創辦團隊背景不錯。Tyler Collins、Lia Reich 和 Patrick Lohman 都來自 PrecisionHawk(無人機公司),有實際的工業場景經驗。2019 年加州野火時,他們派了 150 個無人機飛行員去檢查基礎設施,親身體驗過知識傳承的痛點。

Meta 判讀

這是一個典型的 Meta Shift。

類似的案例是 2010 年代的 DevOps 浪潮。當時軟體開發越來越快,但部署和維運還是靠資深工程師手動處理,成為瓶頸。Docker、Kubernetes 這些工具出現後,把專家的操作變成可複製的 code,整個產業的效率提升了一個檔次。

現在輪到傳統工業了。這些行業的知識傳承方式還停留在「師父帶徒弟」的年代,但人工智慧已經能夠處理複雜的模式識別和決策流程。當 AI 能夠複製資深工程師的判斷力,整個行業的人力結構就會改變。

不過這個轉變不會一夕之間發生。工業領域對新技術的接受度比較保守,安全性要求也很高。Cloneable 需要證明他們的 AI Agent 不只是能做,還要做得比人更可靠。

從時機來看,現在確實是好時機:

  • 技術成熟:LLM 的推理能力已經足夠處理複雜的工業場景
  • 人力短缺:美國製造業和基礎建設面臨嚴重的技術工人缺口
  • 成本壓力:培養一個資深技術員成本越來越高,AI 相對划算

這波 meta shift 如果成功,受益的不只是 Cloneable,整個工業 AI 領域都會起飛。

工程師該怎麼看

對工程師來說,這個趨勢有幾個觀察點:

技術選型方面:工業 AI 跟一般的 AI 應用很不一樣。你要處理的是實時數據、legacy system 整合、高可靠性要求。如果對這個領域有興趣,可以關注 edge computing、industrial IoT、還有各種工業協議(像 Modbus、OPC-UA)。

職涯方向:Domain expertise 變得超級重要。純粹的 AI 工程師很多,但懂電力系統又懂 AI 的人很少。如果你願意深入某個傳統行業,學習他們的業務邏輯,價值會很高。

Side project 機會:不一定要做大型基礎建設,小型的知識傳承工具也有市場。比如餐廳的炒菜流程、工廠的品管步驟、甚至醫院的護理程序,都可能用得上類似的技術。

最重要的是,這個趨勢告訴我們:AI 的下一個戰場不是取代創意工作,而是接手那些需要經驗但可以標準化的專業技能。對工程師來說,機會在於成為連接 AI 技術和傳統行業的橋樑。

延伸閱讀

  • AI Agent 不該是你的同事 — 重新思考 Agent 的正確用法
  • Google 的企業 Agent 工具為什麼走不一樣的路?
  • 拆解 Agent Harness — 你以為的 AI Agent 其實 90% 是 harness

每週一篇 — 技術趨勢背後的商業邏輯

分享:

HW SHU

9年媒體人

關於作者

相關文章

AI 寫的 code 都是 slop?一個月 11,000 個 PR、revert 率 0.5% 的團隊怎麼做AIAI Agents+1

AI 寫的 code 都是 slop?一個月 11,000 個 PR、revert 率 0.5% 的團隊怎麼做

Lauren Tan(poteto)在 AI Engineer 講她的團隊一個月發 11,000 個 PR、revert 率還維持在 0.5%,靠的不是更好的模型,是把規則寫成 lint、把 token 花在驗證上,聽完回頭看自己的 repo,發現踩過的坑只寫在註解裡,沒有任何檢查會擋。

2026年11月17日 · Waiting7777 · 9 分鐘閱讀

繼續閱讀 →
換到新模型之後,寫給 AI 的規則檔要怎麼整理?拆解 Anthropic 的 prompt-auditAIAI Agents+1

換到新模型之後,寫給 AI 的規則檔要怎麼整理?拆解 Anthropic 的 prompt-audit

換了新模型之後,之前對著舊模型調出來的 CLAUDE.md 跟 skill 要不要跟著整理?把 Anthropic 公開的 prompt-audit 從頭讀了一遍,看它怎麼判斷哪句該刪、哪句不能刪,再拿自己的 code review skill 試一次,結果一行都沒少。

2026年11月16日 · Waiting7777 · 8 分鐘閱讀

繼續閱讀 →
做 code review agent 之前,我先拆了阿里的 open-code-reviewAIAI Agents+1

做 code review agent 之前,我先拆了阿里的 open-code-review

規劃 code review agent 時越做越發現什麼都能寫成 code,於是拆了阿里開源的 open-code-review,看它怎麼把不能錯的步驟交給程式、只把判斷留給模型,整理成七條設計原則,再回頭判斷這件事到底該不該做成 agent。

2026年10月27日 · Waiting7777 · 9 分鐘閱讀

繼續閱讀 →

這篇文章對你有幫助嗎?

每週一篇 — 技術趨勢背後的商業邏輯

AI 產業在變什麼、工程師該注意什麼——拆清楚寄到你的信箱。