新創KooData獲7,500萬投資，放眼全球中小企業數位廣告生意|數位時代 BusinessNext

新創KooData獲7,500萬投資，放眼全球中小企業數位廣告生意

成立三年的數位行銷科技公司 KooData 先是在 11 月初宣布合併 Fiiser，更於今（11）宣布獲得新台幣 7,500 萬的 A 輪融資。未來將拓展海外市場，日本、東南亞，連歐美市場都在他們的瞄準範圍內。

成立僅三年，目標服務全球中小企業的數位廣告需求

KooData 於 2015 年成立，由在數位廣告、品牌行銷與技術開發擁有深厚經驗的孫健慎、孟逸錤及方乃正創立，分別擔任執行長、營運長及策略長。KooData 的核心價值為「讓廣告變得簡單」，協助台灣中小企業投放數位廣告。

領投的中華開發創新基金總經理郭大經表示，KooData 雖然創立才三年，但團隊成員都是經驗豐富的老手，對數位行銷充滿熱情。除了擁有深厚的市場經驗，也有強大的技術團隊。此外，KooData 雖為新創團隊，但從草創時期就非常重視企業文化，也是中華開發創新基金看好 KooData 的重要原因。

針對 KooData 的目標，營運長孟逸錤表示，將提供中小企業快、多、好、省的數位廣告服務，未來將借重投資人資源，持續拓展業務。展望 2019 年，希望能將服務推廣至海外市場，有信心挑戰營收翻倍成長。同時也將擴大團隊規模，找尋有志前進國際舞台的人才加入，挑戰全球市場。

KooData 也將於明年二月，帶著旗下產品 Vivido 線上影音製作服務，前往西班牙參加世界行動通訊大會（MWC），希望能尋找合適的合作夥伴，共同拓展歐美市場。此外，也計劃進軍東南亞、日本等重點市場，以服務全世界的中小企業為目標。

11 月初 KooData、Fiiser 合併截長補短

KooData 於今年 11 月初宣布合併 Fiiser，宣告轉型為 MarTech 行銷科技公司。整併後創辦 Fiiser 的吳齊人將出任 KooData 技術長。

過去 Fiiser 的產品主打 In-App 搜尋平台，讓使用者可以在免安裝 App 的情況下搜尋內部資料；以及透過雲端與即時串流的方式，免安裝 App 就能即時試玩。不過，儘管擁有技術以及獎項認證，面對高速膨脹後急速降溫的 App 市場，也讓 Fiiser 顯得有些措手不及。

Fiiser 選擇就過往累積的雲端技術切入直播產業，推出讓電商能夠輕鬆導購的直播工具 EasyLive，也成為 KooData 拓展更多元業務所看重的技術與產品力。

11 月初的合併，對 KooData 與 Fiiser 來說是各取所需。KooData 擁有許多客戶與數據，Fiiser 能夠更上一層地強化技術後盾。

KooData 共同創辦人兼執行長孫健慎表示，與 Fiiser 合併後，雙方在數據分析、整合行銷、工程科技、影音設計等資源將獲得整合。此外，也將打造台灣首個整合廣告管理、直播、影音素材三大功能的平台，以滿足多樣化的廣告需求。並成立「CSM 顧客成功管理部門」，以聆聽客戶反饋，持續優化服務。

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。