別只看ICO創造的獨角獸，其實超過5成公司活不過四個月|數位時代 BusinessNext

半年內ICO募集金額高達137億美元

最近企管顧問公司資誠（PwC）與瑞士加密谷協會（Crypto Valley Association）發布了一份報告，提到光是今年（2018）前五個月ICO募集的資金，就已經超過過去五年ICO募集的總金額。

以2013~2017年這個時間段來觀察，這五年ICO活動所募集的金額，分別是80萬美元、3,000萬美元、990萬美元、2.52億美元、70億美元，不過今年光是前五個月，在全球就已經完成了537個ICO活動，成功募集的總金額達137億美元，半年內所累積的金額，已經超過五年的總合。

2018年的ICO戰場用「熱鬧」來形容一點都不為過，除了金額衝上新高，也首次誕生了身價超過10億美元的ICO獨角獸（ICO Unicorn），分別是智慧合約平台EOS代幣，共募得41億美元，接著是通訊軟體Telegram從ICO預售活動的200名投資者手中，成功募集17億美元。

若從地區來看，ICO募集金額最多的國家地區由開曼群島居冠，其次是英屬維京群島，新加坡則排名第三，主因是Telegram與EOS這兩大ICO獨角獸，分別在這兩個群島上進行所致。

同時報告也指出，自2013年以來全球共進行3,470個ICO活動，但真正成功完成的卻只有三分之一，而大多數ICO之所以失敗，不外乎是因為募資失敗、憑空消失，甚至因為法律監管問題消失的都有。

56% ICO撐不過四個月

從一個數據就能觀察出ICO有多熱，根據CoinMarketCap數據，目前全球有超過1600種密碼貨幣，總市值約2700億美元，密碼貨幣如雨後春筍般出現，很大一部分的原因，就是很多區塊鏈新創搶著用ICO募資所致。

雖然今年上半年ICO活動，成功募集的總金額達137億美元，但失敗收場的也非常多，根據美國波士頓大學最新研究，有56%進行ICO的公司，都撐不過四個月。研究人員分析了今年前五個月，進行ICO的2380家公司的Twitter帳號，結果發現只有44.2％的新創，在ICO結束的120天後還能持續存活。

研究人員進一步指出，透過ICO買到的代幣後，若能在第一天就賣出，其實是最安全的投資策略，他們發現最高回報出現在購入代幣的第一個月，隨著時間的推移有更多投資人加入後，回報率會一直下降，研究人員分析，回報是對風險的補償，許多ICO都沒有完全建立好平台，因此存在許多炒作的成分，這也是為什麼有超過半數的ICO無法撐過四個月。

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。