【書介】《理所不當然》:不盲從、不瞎過的新觀點，讓腦袋維新消暑一下|數位時代 BusinessNext

如果按「讚」是一種表達意見的方式，那麼達到百萬人按「讚」，是否也表示有這麼多人都認同這樣的想法，這樣的力量卻不能改變世界？大學推出「頂級景觀宿舍」卻反映了台灣產業停留在第三世界的水平？具有國際性知名度與信任度的《華盛頓郵報》居然比中時、蘋果不值錢，為什麼？

目前任教於台北藝術大學的王盈勛老師，也是知名的專欄作家，經常在媒體發表犀利又具省思的文章。這本由專欄文章集結而成的《理所不當然》，從政治、經濟、社會、產業，以及個人思維等各種面向，寫出王老師個人細膩又富具黑色幽默的見解，提供讀者另一種思考的角度。

enter image description here

《理所不當然》共分為四大部分：思考刷新、社會維新、經濟革新、產業翻新。整本五十多篇文章，每一個主題都在拆解社會、解放思維。

例如書中提到，台灣到底是缺工作？還是缺工作者？四萬元的黑手為何沒人要做？而大家都拼命想往大企業、公家單位擠？就算同樣是勞力工作，公家單位釋出的職位就大排長龍？作者點出，因為一個四萬元的作業員，無法回答這樣的工作明天在哪裡，尤其在產業變化如此快速的時代，相較於公家單位的勞力工作是比較看得見希望與保障的。

書中也探討到，許多企業抱怨學校培養出來的人才不能用，但學校當中卻沒幾位老師敢跳出來說，學校教育其實是培育廣大視野、深厚人文素養的階段，其實是業界不知道如何用人才？許多企業嫌年輕人草莓族不腳踏實地，但是否該想想企業是不是轉型失敗，活該被淘汰？一個沒有人要從事的產業，為什麼還要存在？

書中有一篇提到〈按讚為何改變不了世界？〉當按「讚」已成為全民運動，表達支持或意見的行為，照理說越多人按「讚」，應該要越有力量改變某些事情才對。但王盈勛說：「這樣的表達太過輕巧、不著痕跡，也不需付出任何代價，沒有犧牲、沒有付出，當然也就沒有社會資本的累積，這個社會也就沒有覺得虧欠你什麼。」

還有一篇在談大學推出「頂級景觀宿舍」為何反映了台灣產業停留在第三世界的水平？作者發現台灣社會或產業的通病就是，「想要在同樣的空間塞進更多的人。對於美感與體驗就會是多餘。這不也是台灣產業『只看價格、不看價值』困境的根源嗎？」他就舉例，出版業不景氣，台灣一年的新書出版量卻跟美國市場相去不遠，而這是台灣人做生意的方式，單一產品銷量下滑，就用更多產品來彌補營業額的不足。這種現象不只在出版業，在台灣的很多行業都如此。但，怎麼不去思考全新市場的開拓？或是將產品提高到更高的層次？

作者透過這些文章並非提供答案給讀者，而是依自己的觀察，提供大家更廣、更多角度的思考。很多理所當然的社會價值，不一定正常，在悶熱到不行的夏天裡，一定要來讀一讀王盈勛的文章，至少可以讓自己腦袋refresh一下！

(作者Jasmine,曾擔任科技媒體記者，現為Readmoo特約作者。)

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。