奧運賽場外的金牌競賽|數位時代 BusinessNext

白色鴨舌帽、V領網球衫、領帶、休閒褲、帆布鞋⋯⋯這一身優雅的學院風打扮，出現在任何一場時尚活動中都不會讓人訝異，唯獨出現在奧運開幕儀式上，由一千多位運動員穿著在全球幾十億觀眾面前登場，就會顯得很不尋常。

這是今年美國代表隊在北京奧運開幕式的制服，衣服上辨識度極高的馬球運動員商標，清楚地宣示這是美國經典時裝品牌： Polo Ralph Lauren 。

除了 Nike 與 Adidas 這些老面孔的運動品牌，時尚界也開始加入這場眼球注目率的全球爭奪戰，他們的宣傳策略並不在運動場上，而是開幕、閉幕式、以及頒獎典禮的服裝，就連平常在選手村的穿著行頭也包括在內。他們爭奪的是賽場外的金牌。

早在今年四月， Polo Ralph Lauren 就已經對外宣布將為北京奧運與殘障奧運美國代表隊設計制服，而且態度相當高調，比起別的國家在奧運開幕前都對服裝樣式相當保密，美國隊的開幕與閉幕制服則是在 8 月 8 日就對外亮相。先前為 2002 、 2004 、以及 2006 年美國代表隊設計制服的原本是加拿大品牌 Roots ，但由於設計走向太過休閒風，美國奧委會想為國家形象注入新意，這項殊榮遂落到這家擁有四十年歷史的美國品牌上。這項合作案，將會延續到 2010 年的冬季奧運與 2012 年的倫敦奧運。

合作案的具體金額據稱不到1千萬美金，但 Polo Ralph Lauren 將從七月開始在美國的服裝店與網站上銷售這些奧運服裝，預計將為它創造數百萬美金的銷量，而其中將有 10％是美國奧委會的版權費用。 Polo Ralph Lauren 目前的主要市場仍以美國為主，占了 69％，但透過與全世界收看人數最多的運動賽事合作，將加速它在亞洲的擴張計畫。

「我們對運動行銷的投入，將為全世界的運動產業注入新的能量，加入了優雅的可能性，」 Ralph Lauren 的廣告與行政溝通資深副總裁 David Lauren 表示。時尚入侵奧運賽事，將讓這場與商業品牌、國家形象有關的全球行銷盛事顯得更有趣。今年北京奧運開幕式的進場隊伍共有 204 個國家，美國並不是唯一想到要以時尚來突顯形象的國家。加拿大代表隊就與 Hudson’s Bay Company 合作，找來了本土設計師 Tu Ly ，融合加拿大與中國的意象，繡上楓葉標誌與代表吉祥的中國數字「八」，並採用竹纖維等環保材質。

不同的文化，對於玩服飾創意的大膽程度也不盡相同，英國的奧運代表隊依然繼續和 Lee Cooper 合作，走的是比較安全、保守的時尚路線；相較之下，巴西隊的制服則是由 Oestudio 設計公司與運動品牌 Olympikus 合作，把巴西的代表色作了淋漓盡緻的運用，呈現出實驗性的漸層色彩。

除了身上的行頭，腳上穿著的鞋子也是焦點。包括紐西蘭、葡萄牙、南非、埃及等十幾個國家的奧運代表團，都是穿者色彩繽紛、活潑時尚的 Crocs 鞋進場，讓這家成立不到七年的品牌成為開幕式的另一大贏家。

AI 智慧代理人時代來臨！三大導入階段， AI 落地企業不卡關

生成式 AI 帶動企業數位轉型浪潮持續升溫，各界不再滿足單一任務型的 AI 應用，而是期盼 AI 能真正成為具備主動決策與多工能力的「智慧代理人」。

生成式 AI 帶動企業數位轉型浪潮持續升溫，各界不再滿足單一任務型的 AI 應用，而是期盼 AI 能真正成為具備主動決策與多工能力的「智慧代理人」（Agentic AI），在最少人為干預的情況下，自主推進工作流程、完成複雜任務。

但企業導入AI並非一蹴可幾，而是需要對AI有正確認識，並制訂循序漸進的導入流程，才能真正發揮AI功效。在2025台灣人工智慧年會中，cacaFly 聖洋科技技術副總吳振和提出三大導入關鍵階段，深入剖析企業如何從概念驗證（PoC）階段，逐步推進到實際上線（Production），並分享實務經驗與觀察。

延伸閱讀：生成式AI可以怎麼用？cacaFly現身說法，助企業應用GCP服務智慧轉型

解鎖 Agentic AI，企業邁向多任務智慧代理

「很多公司會問，One AI 要做什麼事？但實際上，若要讓 AI 回答公司內部政策或新法條的相關問題，僅靠基礎模型並不足夠。」吳振和指出，要讓 AI 真正成為能「做事」的智慧代理人，前提是它必須理解企業內部的脈絡與知識，並即時掌握外部變動的資訊。

企業必須先釐清內部規範是否與最新法規相符，這意味著系統必須具備持續爬取與解析最新資料的能力。為此，企業必須先截取與整理內容，再建構成專屬的知識庫（Knowledge Base），確保資料品質達到可用標準後，再透過檢索增強生成（Retrieval-Augmented Generation, RAG）技術，使 AI 能夠即時動態查詢並生成符合企業語境的回答。

延伸閱讀：從資料清洗到 RAG，大型語言模型的必需品，做出專屬企業的 AI 知識庫！

吳振和強調，這是一個動態循環的過程：從資料蒐集、品質控管、知識庫建構到生成應用，每一環節都息息相關，任何一處鬆動都會影響最終產出的準確性與可信度。

破除「一次到位」迷思，從驗證到落地的三大關鍵階段

許多企業對 AI 寄予厚望，因此常將 PoC 視為年度計畫的重點，希望能「一次到位」做出具體成果。但吳振和提醒，若缺乏清楚的系統工程思維，PoC 容易淪為「概念展示」，難以真正走入組織的日常營運。

他將導入 Agentic 系統工程的歷程，分為三個關鍵階段：

1.第一階段：可行性評估（Feasibility Study）
企業必須在投入資源前，先明確界定「最需要被 AI 解決的關鍵問題」是什麼，並進一步設計可量化的驗證指標。這不僅包括評估技術實作的可行性，更要從商業目標出發，釐清導入 AI 的具體使用情境、預期成效與風險邊界，如此才能確保後續模型選型與資料蒐集方向正確對齊業務需求。

2.第二階段：系統設計與驗證（Design & PoC）
在確定導入方向後，必須規劃清楚資料蒐集與整理流程，確保知識庫的內容具備正確性、完整性與時效性。吳振和特別強調，這個階段不能只追求展示效果，而應以「產品化思維」來構築 PoC，使其具備可擴充性、可維護性及安全性，才能為後續上線打下基礎。

3.第三階段：產品化與營運（Production & Operation）
當 PoC 驗證完成後，進入正式上線階段，挑戰也隨之而來。除了需要整合企業內部系統與流程，還必須建立持續監控與維運機制，確保模型表現隨時間演進不會劣化，並能快速回應法規變動或資料更新的需求。吳振和指出，這往往是最容易被低估、但也是最考驗企業組織能力的關鍵環節。

建立模型優化根基，打造高品質的黃金資料集

吳振和特別強調，要讓 Agentic 系統工程真正發揮效益，企業必須先建立一套高品質的「黃金資料集」（Golden Dataset），作為模型評估與優化根基。他指出，黃金資料集的價值在於能為模型選擇與前測提供客觀依據，讓團隊能針對不同任務挑選最適合的模型，避免導入初期就誤踩方向。

同時，黃金資料集也能協助團隊辨識模型的常見錯誤與脆弱點，進而快速回應「模型飄移」（Model Drift）的風險。吳振和說明，所謂模型飄移，指的是即使模型本身未經改版，效能也可能隨著環境與資料變動而突然下降，導致原本表現良好的模型出現偏差。透過持續比對模型預測與黃金資料集結果，團隊才能即時察覺效能衰退，並進行迭代更新，確保系統長期穩定運作。

從小規模應用起步，漸進擴展至核心業務

吳振和分享，在實際輔導企業導入 AI 的經驗中，最常見的挑戰來自於「期待落差」。許多企業誤認為概念驗證（PoC）階段即可呈現完整的產品原型，然而實際情況顯示，若企業未能建立完善的資料架構與流程基礎設施，即使短期內展現亮眼成效，也難以確保長期營運的穩定性與可持續性。

也因此他建議企業在規劃 AI 導入時，應採取漸進式策略，從小規模應用場景著手，逐步擴展至核心業務領域。企業應將 PoC 定位為整體產品開發生命週期的重要環節，而非獨立的一次性專案。

AI 的導入不僅是一場技術升級，更是企業組織文化與決策流程的轉型工程。唯有從資料治理、流程優化到人才培訓同步布局，才能確保 AI 能在企業內部真正「落地生根」，創造長期商業價值，成為真正的智慧代理人。