不用再苦吞膠囊！替保健食品做「糖衣」，糖話生醫獲得Pre-A輪百萬美元融資|數位時代 BusinessNext

不用再苦吞膠囊！替保健食品做「糖衣」，糖話生醫獲得Pre-A輪百萬美元融資

替保健食品做「糖衣」也是大商機，而原先從客製化糖果起家的糖話，也切入了保健市場成立糖話生醫，在今年6月獲得百萬美元的投資。

「友善劑型」的市占成長，超越了膠囊與錠劑

隨著人口老化、健康意識抬頭，全球保健市場急速成長，2019年的市場規模上看1,400億美元（4.2兆台幣）。在台灣的需求也相當驚人，台灣人一年可以吃掉35億美元（1,050億台幣）的保健食品。

而保健食品中，「友善劑型」的市占成長超越了傳統的「膠囊」與「錠劑」。由於保健食品並不像藥物，並沒有解決病痛的急迫必要性，因此「美味」也成了入口與否的影響因素之一。

根據國際保健品食用調查指出，每兩人中就有一人對吞嚥膠囊和錠劑感到排斥，不愉悅的食用經驗，讓許多人在購買保健食品後，不願意持續吃，每年浪費許多醫療成本。為了解決對於吞嚥膠囊和錠劑的反感帶來的浪費，美國FDA食品藥物管理局在2015年開始限制膠囊和錠劑大小，並發布行業指南，建議廠商以各種物理性方式來解決吞嚥錠劑和膠囊的困難。

而看準「友善劑型」的成長潛力，糖話生醫選用100%無糖原料包覆保健食品，開發出味道像糖果，同時保有功效的友善劑型保健品，解決人們在食用傳統膠囊、錠劑時的吞嚥排斥感，讓保健食品不僅能補足健康所需，亦能成為享受過程。

從客製化糖果到切入保健市場

在台灣也能觀察到，傳統劑型市場占比逐年下降，而「友善劑型」產品成長的趨勢。友善劑型已成廠商必須面對的課題，更是掌握保健食品商機的關鍵。

而糖話股份有限公司2011年由黃韻如所創立，主打客製化糖果，不僅只是將圖案印在包裝紙上，而是真正將圖案印在糖果上，讓每一顆糖果都是客製化的禮品。而後續有廠商找上糖話，希望能共同研發保健食品的糖果，才成立糖話生醫品牌，踏入友善劑型的領域。

糖話生醫現為全球保健食品商提供設計代工，目前客戶不僅有各大保健品牌，更獲得海內外直銷商和微商青睞。而糖話生醫的研發實力，也屢屢在國際獲獎，在全球最大的德國科隆糖果專業展，打敗全球1,600家廠商，拿到2016年創新發明獎第三名的殊榮；2019年拿到德國BENEO亞太區年度最佳無糖產品，創新能力和研發技術備受國際肯定。

責任編輯：林美欣

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。