IKEA推黑鏡式科技:買家心跳指數達100%,才能帶走的限量地毯
IKEA推黑鏡式科技:買家心跳指數達100%,才能帶走的限量地毯

這一幕不一定遙遠,它實際上是IKEA在比利時布魯塞爾的一次實驗。

IKEA
圖/ 愛范兒

今年5月,IKEA推出8款藝術跨界限量地毯,不過想買不是有錢就買得到,是「藝術品」來選買家。

許多人只要看到「限量商品」都以先到先得為原則,但真正熱愛的消費者如果稍慢一步,就不得不忍受黃牛轉售開出的高價。

這個讓零售行業頭痛的問題,IKEA跟廣告公司奧美合作,提出一個「黑鏡感」滿滿的方案「IKEA (He) art Scanner」。

IKEA
圖/ 愛范兒

5月7月至5 月11 日期間,他們在布魯塞爾一家IKEA門市現場給消費者戴上腦電波掃描儀,實際測量他們的腦電波、心率等身體反應數據:

IKEA
圖/ 愛范兒

當你輪流在8張地毯面前停留,演算法會快速判斷你對面前的「藝術品」有沒有心動的反應。

IKEA
圖/ 愛范兒

當心動指數達到70%或以上,那說明你就是「天選之子」了,被地毯選中。

你可以說他是一部測謊儀。不管表情多麼激動想要,下一秒你都很容易被牆上的「48%」暴露。IKEA認為,這個方法能幫忙篩選掉那些並不是真心喜歡、只想買來二手炒高價的投機者。

一共8款的限量地毯來自2018年的IKEA民主設計日(Democratic Design Day),由街頭潮牌Off-White創辦人Virgil Abloh、日本裝置藝術家Misaki Kawai、英國時裝設計師Craig Green等知名藝術家跨界設計。這個活動從2014年開始,每年都帶來一些新鮮有趣的念頭和跨界合作。

對IKEA來說,民主設計日的初衷就跟它的名字一樣,希望能讓「設計民主化」,讓每個人都以較低價格享受到好設計。而黃牛的存在明顯擾亂了整個理想狀態。

在這次測試裡,限量地毯大概花了一個禮拜就賣光了,因為加入了「心動指數」,售罄速度比其他門市稍微慢一些。IKEA比利時認為這是一次很成功的測試,稱沒有在eBay上看到有當地的地毯轉賣。

聽起來還不錯,但生物數據和演算法的加入也遭到一些質疑。比如說,這種對喜愛的量化方式真的足夠客觀嗎?真能解決黃牛問題嗎?

我們曾經在《線下排隊,線上搶購,當代年輕人花錢真不容易》文中提及,為了打擊黃牛以示公平,一些潮牌和運動品牌(比如Supreme、Nike和adidas)已經將限量款的搶購機制從排隊「拚手速」改成了抽籤搖號「拚運氣」。但球鞋仍然流入黃牛手中。

暫時IKEA沒有透露這項創意方案的後續計劃,但這種「黑鏡」式的技術加持,似乎又為零售場景打開了新的想像。

未來,「真喜歡才能買回家」說不定就是一種有效可供參考的模式。

本文授權轉載自:愛范兒

關鍵字: #IKEA
往下滑看下一篇文章
AI 智慧代理人時代來臨!三大導入階段, AI 落地企業不卡關
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」(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。

cacaFly 聖洋科技技術副總吳振和
圖/ cacaFly

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。

cacaFly 聖洋科技技術副總吳振和
圖/ cacaFly

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。

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
一次搞懂Vibe Coding
© 2025 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓