亞馬遜Prime Day領群起跑，今年銷售額估將上看千億元|數位時代 BusinessNext

亞馬遜Prime Day領群起跑，今年銷售額估將上看千億元

亞馬遜一年一度的Prime Day會員採購節即將在美國時間16日開跑，而今年將時間延長至36小時，又有實體連鎖通路全食超市（Whole Foods Market）加入的Prime Day，是否又將改寫銷售紀錄？

過去兩年Prime Day銷售額都有60%成長

今年是亞馬遜第4年舉辦Prime Day的會員日採購節活動，根據官方數據，去（2017）年有數千萬名亞馬遜Prime會員參與了這天的會員日採購活動，同時這天也是亞馬遜單日迎來最多新會員加入的一天。此外，亞馬遜雖然從未公佈Prime Day的銷售額，但在2016年和2017年都表示比前一年有60%的銷售成長。

而亞馬遜今年在有去年併購進來的實體連鎖零售通路全食超市（Whole Foods Market）加入Prime Day活動，並且將活動時間從30小時延長至36小時這兩點來看，市場預期銷售額很可能會再寫新高。

如Coresight Research估亞馬遜去年Prime Day的銷售額在24億美元（約合新台幣740億元）左右，今年他們保守預估至少會看到40%業績成長，超過34億美元。

強打自有品牌，擴大亞馬遜生態系

除了銷售額是否再創新高值得關注，從亞馬遜去年Prime Day的銷售表現可以看到，亞馬遜自有品牌商品已經成為Prime Day的銷售主力，包括3C商品如Amazon Echo系列智慧音箱、平板電腦Fire tablets、電子書Kindle、智慧電視Amazon Fire TV，和電子周邊Amazon Basics等，以及非3C類自有品牌，如家具品類的Stone and Beam、食品類的Happy Belly，還有母嬰商品Mama Bear等，預期在今年也還會是Prime Day的熱銷強打商品。

對亞馬遜來說，強打自有品牌商品一方面除了是因為自有品牌商品的利潤較佳，操作空間較大，另一方面相信也是想透過促銷價吸引更多消費者為亞馬遜生態系的一員。

這包括藉由促銷活動提高亞馬遜自有品牌商品的消費者認知度，以及透過如智慧音箱Echo的銷售，讓消費者開始嘗試，並且逐步養成透過智慧語音助理Alexa購物等習慣，希望讓消費者變得更離不開亞馬遜。

更多零售商跟進Prime Day

此外，還有一點值得注意的是，就像雙11已經不再只是阿里巴巴一家電商平台的購物節一樣，亞馬遜Prime Day在過去3年的成功同樣也開始吸引更多同業跟進。今年美國幾大虛實零售商，包括eBay、梅西百貨、Target和Kohl's等，也計畫在同一時間發起促銷活動。

還有根據CNBC引用市調機構captify的數據指出，在Prime Day開跑前一周，不只亞馬遜的搜尋量相比前一周大幅增加了544%，同一個期間包括Best Buy、沃爾瑪（Walmart）和eBay等虛實零售通路的搜尋量也分別有712%、143%和27%的成長。

他們解讀這個現象是因為消費者在關注亞馬遜Prime Day活動優惠時，也會同步到其他購物網站比價，因此帶動亞馬遜以外零售商的被關注度也跟著提高。

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。