難敵本土對手，Uber中國、印度陷入苦戰|數位時代 BusinessNext

兩強聯手，搶下超過9成市占

2012年8月，快的打車問世。一個月後，滴滴打車也跟著推出。雖然晚了一步參戰，但根據Analysis International去年12月公布的調查數據，滴滴打車的市占率約為55%，略勝一籌，而快的打車則搶下剩餘45%市占。由騰訊撐腰的滴滴打車囊括了全中國300個城市，並宣稱擁有1億以上用戶。而阿里巴巴支持的快的打車使用範圍更廣，包含香港、烏魯木齊等306個城市都可以使用。

為了搶市占，滴滴打車和快的打車都投注不少資源。2013年12月，快的打車先開始現金補貼戰術，接著滴滴打車也跟進了。市場估計，光是2014上半年，滴滴打車花在補貼上的金額就達10億人民幣，快的打車花得更多，金額高達14億，兩者合計燒光24億人民幣。

2月12日，《華爾街日報》援引知情人士消息，揭露兩者正計畫合併。想不到兩天之後，這樁聯姻正式成真。合併之後，新公司將由滴滴打車執行長程維、快的打車執行長呂傳偉擔任聯合執行長，但是兩家公司將保留各自品牌，並維持獨立運作。兩強合體，預計要搶下中國90%以上市占。

不敵本土對手，Uber在中、印生存空間變小

Uber雖然在歐美搶盡風頭，但是進入中國仍然晚了一步。去年底，Uber宣布全球每日載客數已達100萬次，但滴滴打車和快的打車宣稱已經達到每日600萬次載客數，而且幾乎聯手壟斷了中國叫車市場。不甘於此，Uber也在去年12月宣布和百度成為戰略合作伙伴，讓這場叫車服務之戰進一步擴大為中國三大網路巨頭騰訊、阿里巴巴、百度較勁。此外，就在滴滴打車和快的打車宣布合併不久後，Uber也傳出要併購易用到車的消息，據說這樁併購案的推手就是百度。

除了積極尋找本地合作伙伴，為了拉攏用戶，Uber在中國也做出不少妥協。例如用戶支付車資時，不一定要使用信用卡，還可以選擇用支付寶付款，或是將地圖系統從Google換成百度地圖等。

不過，中國並非唯一一個Uber難以打入的市場。在印度，OlaCabs據傳已經擁有大約70%市占，但相較於地主隊OlaCabs，Uber在印度的市占大約只有5%。此外，本月初也傳出OlaCabs將以2億美元收購小型叫車服務TaxiForSure的消息。如果一切順利，未來將有來自47個城市、共15,000輛計程車加入OlaCabs的陣營。Uber如果想在印度取得主導地位，恐怕還有很長一段路要走。

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。