八個新創公司會遇到的糟糕錯誤決策
八個新創公司會遇到的糟糕錯誤決策
2013.07.20 | 科技

失敗往往是具破壞性的,但是管理者經歷錯誤決策之後,才能走向更好的未來。以下來看青年創業家分享的錯誤決策,以及如何從中學習。

1. 自以為了解客戶所需(Lee McNiel/ReviewPush

我所犯的錯誤就是耗時開發一項沒有客戶喜歡的新功能,這項新功能可以讓客戶利用RSS功能取代電子郵件。不過,我很快地發現,其實我的客戶當中無人使用RSS閱讀器,這讓我非常訝異,而且新加入的新功能讓操作介面變得擁擠。

後來決定隱藏新功能,如果有人需要還是可以開放使用。現在,我們不會再耗費時間在沒有價值的功能開發上。

2. 錯估團隊能力(David Ehrenberg/Early Growth Financial Services

創業初期,我試著讓財務長擔任業務開發角色,並積極拓展自己的業務開發能力,並且想著若有專業團隊將會更有幫助。事實證明不然,財務長在財務方面的專業能力相當卓越,但他並不是個業務人才。

在此錯誤當中,我認知到:你無法指望團隊成員能扮演並不熟稔的角色,並負起責任。相反的,應該要以新方式發展業務。

3. 忽略市場變動(Jay Wu/Best Drug Rehabilitation

我犯過最嚴重的錯誤,就是無法適當評估市場。雖然針對某地區進行了市場評估,卻未考量變動情況進行調整;後來瞭解銷售下滑的原因,開始學習並思考新市場和客戶真正需要和不需要的商品。

這真的是最好的教訓:千萬不要以為自己可以一直瞭解市場。

4. 高估經驗,低估個人特質(John Berkowitz/Yodle

創業初期,我相信某位業內專家建議,從注重個人特質能力的人才招募重點,轉為以技能經驗為主,後來卻在公司內導致了資源浪費與文化負面影響,公司成長也因此放緩。

後來知曉在招募方面的問題,將兩方向結合,進行更好的人才招募流程。

5. 找來錯的人(Michael Costigan/Youth Leadership Specialist

這是一個相當常見的錯誤,你很難找到一位從未聘請「錯的人」的企業家。面試過程可以設定更多的模擬情境,觀看面試者處理這些情境的反應。

6. 撿便宜(Alexis Wolfer/The Beauty Bean

當第一次試著要設計網站,我選擇了省錢方式,找了一位相對便宜的設計師,真是大錯特錯!後來又重頭再來。努力省錢與找到具成本效益的解決方案,對新創公司來說當然是很重要的,不過到頭來很有可能會讓你花更多的錢。

7. 根據過往經驗找人才(Ziver Birg/ZIVELO

我之前請了一位營運長,他曾帶領一家原先僅10位員工的公司,在八年內成為超過600位員工的企業;不過,我從中瞭解這並不能等同於我的公司也能有這樣的未來,此時花費較低薪資聘請適合此職位的人,會是更好的決定。如果你能找到一個和公司共同成長的人,他會更具忠誠度。

8. 錯誤的合作夥伴(Andy Karuza/brandbuddee

當你開始創業,很自然地會找志同道合的夥伴加入。不過,我最終發現,最好還是靠自己(雖然我很幸運,一路上找到幾位很好的合作對象)。有時候讓其他人太容易加入,最後下場卻是讓自己頭痛得要命。

所以,在任何夥伴要加入之前,一定要好好評估,業務發展永遠是第一考量重點。

出自ReadWrite

關鍵字: #創新創業
往下滑看下一篇文章
從模型競爭走向算力經濟,INFINITIX 助客戶打造軟體定義 AI 基礎建設
從模型競爭走向算力經濟,INFINITIX 助客戶打造軟體定義 AI 基礎建設

過去兩年,人工智慧技術以史無前例的速度翻轉企業營運與競爭態勢,從客服、知識管理到軟體開發,越來越多企業將大型語言模型(LLM)導入企業營運流程,隨著應用程度的深化與廣化,越來越多發現,真正的挑戰早已不只是「選擇哪個模型」,而是如何管理算力、控制成本、確保資料安全,以及讓不同世代GPU、模型與AI應用可以持續共存與調度。

代理式AI崛起後,AI應用從回答問題進展為執行任務、操作系統以及串接流程,連帶拉升對AI基礎設施的需求與架構複雜度,而這意味著,想要發揮AI綜效,光只有模型與技術尚不夠,必須將整體IT環境逐步升級為AI基礎建設(AI Infra)。

深耕AI管理領域多年的數位無限(INFINITIX),近年積極布局軟體定應AI基礎建設(Software Defined AI Infrastructure)市場,除持續深化與GPU、伺服器與AI硬體生態系的合作關係,如於2021年取得NVIDIA Solution Advisor全球夥伴資格,2025年亦獲AMD GPU生態建設夥伴獎,也因應市場需求推出AI-Stack與ixCSP兩大產品線,協助企業、雲端服務供應商(CSP)與新世代AI雲端業者,更有效率地管理跨世代AI算力資源。

數位無限執行長陳文裕表示:「我們的目標是協助客戶打造軟體定義AI基礎架構,讓其可以視需求向下整合不同世代GPU、儲存與網路設備,同時,向上鏈結模型、Token跟AI應用,加速企業的AI創新轉型腳步。」

數位無限執行長陳文裕.JPG
數位無限執行長陳文裕
圖/ 數位時代

從AI模型到AI經濟,企業競爭焦點轉向算力與Token調度能力

過去市場談AI,焦點多半放在模型參數、推論效能與模型能力,但在大型語言模型推論需求暴增的現下,AI Infra早已從單純GPU採購演變成涵蓋機櫃、網路、儲存、散熱與電力的整體工程;企業真正需要的,不是更多GPU、而是如何更有效率地調度與利用算力。

尤其在NVIDIA提出Token Factory概念後,全球AI產業正逐步從模型競賽轉向「AI經濟」,亦即,影響企業AI決策的再也不是使用哪個模型、部署多少GPU,而是消耗多少Token、產生多少AI服務,以及算力是否能被有效共享與調度。

換言之,在AI新世界,算力調度能力的重要水漲船高。對此,陳文裕十分認同的說:「企業想要提升AI競爭力,不僅要掌握模型與應用,還必須進一步思考如何有效切割GPU資源、讓不同部門甚至集團子公司共享算力、延長舊世代GPU的使用壽命,甚至是如何將閒置算力轉變成可交易的資源等。」

事實上,這也是大量AI資料中心(AIDC)跟新世代AI雲端服務(Neo Cloud)業者出現的原因,包括CoreWeave、Nebius、Lambda Labs、GMI Cloud等業者皆試圖以更具彈性的方式,提供企業所需的GPU服務與AI算力平台。

看準這波趨勢,數位無限除透過AI-Stack提供GPU切片、模型部署、模型管理與MLOps等服務,協助客戶提升GPU使用率,更進一步推出ixCSP平台,讓雲端服務供應商與新世代AI雲端業者,能從過去單純販售GPU資源轉型為提供GPU as a Service、Token as a Service與Model as a Service等創新AI服務。

以Software Defined AI Infrastructure助企業以「通用化、鬆耦合」迎戰瞬變AI世代

因應AI新世代帶來的挑戰:模型快速升級、算力需求攀升、GPU世代交替迅速,企業在追逐AI落地的同時,勢必得面臨基礎建設更新速度過快、硬體投資壓力升高,以及資源利用效率難以最佳化等挑戰。

為協助企業在AI快速演進與基礎建設投資之間取得平衡,數位無限的作法是,透過AI-Stack將底層硬體抽象化,以Token或模型服務形式提供,讓企業客戶、AIDC與Neo Cloud業者可以延長不同世代與不同品牌的AI硬體設備的生命週期、創造更高的使用價值、甚至是展開更多元的營收模式。

例如,高雄醫學大學附設中和紀念醫院便透過數位無限的AI-Stack解決GPU資源調度效率不彰問題,加速39項AI模型進入臨床應用階段,成功建立起「從模型開發到臨床落地」的完整生態系統。而日本精密製造大廠–Union Tool Co.–則是透過AI-Stack簡化GPU資源共享、加速AI模型的開發與測試腳步,為提升生產效率做最佳準備。

「如果大型企業或AIDC業者擁有閒置資源,也可以透過ixCSP平台,把算力共享或調度給集團內部團隊、子公司,甚至上下游合作夥伴使用,進一步提升整體資源利用率。」數位無限執行長陳文裕如是說道。

隨著AI從工具演變成企業核心基礎建設,企業真正需要的,也不再只是單一模型,而是一套能持續適應AI快速演進的AI Infra,而這與數位無限近年來的重要轉型方向一致:從AI管理軟體提供者轉型為軟體定義AI基礎建設供應商,更好協助客戶打造具備「通用化」與「鬆耦合」特性的AI基礎建設。

除以AI-Stack與ixCSP協助客戶提升算力使用效率與價值,數位無限亦計畫與硬體合作夥伴推出Agentic AI一體機方案,協助企業快速建立可驗證、可部署、可切割、可共享的AI運算環境,降低企業從PoC走向實際導入的門檻,加速AI落地。

總的來說,隨著AI競爭從模型能力延伸到算力治理,企業比拚的不僅是導入速度,而是能否建立一套足夠彈性、可持續演進的AI Infra,而這與數位無限的發展目標一致,將持續不斷優化產品服務,化身企業搶進AI新世代的關鍵合作夥伴。

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
代理式商務連動百兆商機
© 2026 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓