解決城市交通塞車惡夢，Uber策略轉向自行車短程服務|數位時代 BusinessNext

解決城市交通塞車惡夢，Uber策略轉向自行車短程服務

從網路叫車平台起家的Uber，隨著服務不斷擴大，對城市交通造成混亂，日前遭紐約市政府停發牌照一年。為解決城市交通問題，Uber決定將重心從汽車轉向電動自行車與電動滑板車，作為長期發展的策略。

網路叫車平台造成城市混亂，Uber遭紐約停發牌照一年

而Uber會做這樣的策略轉向，背後原因在於紓解城市交通壅塞問題，這也讓外界聯想到本月Uber被紐約市政府停發新牌一年的新法令，當時紐約市長白思豪（Bill de Blasio）批評，手機叫車服務業者不僅讓紐約司機生計大受影響，也讓市區交通陷入混亂。

從數據來看，紐約在2015年來持有租車服務牌照的車輛約2.5萬台，但由於Uber、Lyft等叫車平台在過去三年快速發展，現在已增加到8萬台，也間接擠壓到紐約1.35萬輛傳統計程車的生計，甚至有小黃司機因此走上絕路。

對此，柯霍斯洛夏西提出個人化的交通方式更適合城市的想法，推廣自行車、滑板車等，即便會壓縮到原本Uber司機的收入，也會影響公司的財務狀況，但柯霍斯洛夏西強調，投資人必須意識到要達到長期目標，短期內的虧損是必要的，而這個長期目標正是將汽車帶離城市。

城市交通轉向發展電動單車、滑板車

從四輪車擴展到二輪車的市場，Uber將塑造更適合用戶的城市交通，早在今年2月起將共享單車納入在App服務，並在今年4月以兩億美元收購共享電動單車Jump，目前Jump共享單車服務已經推行到紐約、華盛頓、丹佛等8個城市，接下來將在柏林推出。

自柯霍斯洛夏西上任後，Uber積極與各平台展開合作，目標轉型城市交通的「單一入口」，今年四月與公共交通移動票務公司Masabi合作，讓客戶可以用Uber App 預訂巴士、火車甚至是渡輪的票券，以及今年7月參與電動滑板車Lime最新一輪3.35 億美元的融資，更成為策略夥伴，未來Uber App將加入Lime電動滑板車服務項目。

一方面Uber也拓展多元服務，補足各種移動缺口，像是在送餐服務Uber Eats加碼投資，還有推出醫療接送服務Uber Health，以及針對親子共乘市場推出「寶寶優步」新乘車選擇。

最大的競爭對手：汽車

柯霍斯洛夏西認為，沒有一項產品能夠滿足6兆美元的全球移動市場（mobility market），而在他眼中最大的競爭對手其實是「汽車擁有權」，他希望未來人們不必擁有車，也可以滿足各種移動需求。

雖然共享單車的收入比汽車賺得少，但柯霍斯洛夏西說，當人們越頻繁使用，這種疑慮將慢慢消失，目前他已經舊金山單車族身上看到了改變。「在我的職業生涯裡，長期參與將能贏得勝利，而為了獲勝，有時損失是必要的。」柯霍斯洛夏西說。

短期來看，Uber司機會感受到自行車的競爭壓力，但另一方面他們可以從長途行程上獲利，而且免除了壅擠的問題。

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。